其他系列文章导航
Java基础合集
数据结构与算法合集设计模式合集
多线程合集
分布式合集
ES合集
文章目录
其他系列文章导航
文章目录
前言
一、题目描述
二、题解
2.1 方法一：滑动窗口
2.2 滑动窗口解题模板
三、代码
3.1 方法一：滑动窗口
四、复杂度分析
4.1 方法一：滑动窗口
前言
这是力扣的 1004 题，难度为中等，解题方案有很多种，本文讲解我认为最奇妙的一种。
又是一道滑动窗口的典型例题，可以帮助我们巩固滑动窗口算法。
这道题很活灵活现，需要加深对题意的变相理解。
一、题目描述
给定一个二进制数组nums和一个整数k，如果可以翻转最多k个0，则返回数组中连续1的最大个数。
示例 1：
输入：nums = [1,1,1,0,0,0,1,1,1,1,0], K = 2 输出：6 解释：[1,1,1,0,0,1,1,1,1,1,1] 粗体数字从 0 翻转到 1，最长的子数组长度为 6。
示例 2：
输入：nums = [0,0,1,1,0,0,1,1,1,0,1,1,0,0,0,1,1,1,1], K = 3 输出：10 解释：[0,0,1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1] 粗体数字从 0 翻转到 1，最长的子数组长度为 10。
提示：
1-
nums[i]不是0就是1 0
二、题解
2.1 方法一：滑动窗口
思路与算法：
重点：题意转换。把「最多可以把 K 个 0 变成 1，求仅包含 1 的最长子数组的长度」转换为 「找出一个最长的子数组，该子数组内最多允许有 K 个 0 」。
经过上面的题意转换，我们可知本题是求最大连续子区间，可以使用滑动窗口方法。滑动窗口的限制条件是：窗口内最多有 K 个 0。
可以使用我多次分享的滑动窗口模板解决，模板在代码之后。
首先定义四个变量：
- 左指针
- 右指针
- 最长的子串长度
- 0 的数量
代码思路：
- 使用 left 和 right 两个指针，分别指向滑动窗口的左右边界。
- right 主动右移：right 指针每次移动一步。当 A[right]为 0，说明滑动窗口内增加了一个 0；
- left 被动右移：判断此时窗口内 0的个数，如果超过了 K，则 left 指针被迫右移，直至窗口内的 0 的个数小于等于 K 为止。
- 滑动窗口长度的最大值就是所求。
2.2 滑动窗口解题模板
滑动窗口算法是一种常用的算法，用于解决数组或列表中的子数组问题。下面是一个滑动窗口算法的解题模板：
- 定义窗口大小：首先需要确定滑动窗口的大小，即每次滑动时包含的元素个数。
- 初始化窗口：将窗口的起始位置设置为0，窗口大小设置为n，其中n为数组或列表的长度。
- 计算窗口中的元素和：使用一个变量sum来记录当前窗口中的元素和，初始值为0。
- 移动窗口：从左到右依次遍历数组或列表，每次将当前元素加入窗口中，并更新sum的值。
- 判断是否满足条件：在移动窗口的过程中，不断判断当前窗口中的元素和是否满足题目要求。如果满足条件，则返回当前窗口中的元素和。
- 移动窗口服务器托管网：如果当前窗口中的元素和不满足题目要求，则将窗口向右移动一位，并更新sum的值。
- 重复步骤4-6，直到遍历完整个数组或列表。
下面是一个具体的例子，使用滑动窗口算法求解数组中连续子数组的最大和：
def maxSubArray(nums):
if not nums:
return 0
max_sum = current_sum = nums[0]
for i in range(1, len(nums)):
current_sum = max(nums[i], current_sum + nums[i])
max_sum = max(max_sum, current_sum)
return max_sum在这个例子中，我们使用一个变量max_sum来记录当前最大子数组的和，一个变量current_sum来记录当前窗口中的元素和。在遍历数组的过程中，不断更新current_sum的值，并判断是否满足题目要求。如果满足条件，则更新max_sum的值。最后返回max_sum即可。
三、代码服务器托管网
3.1 方法一：滑动窗口
Java版本：
class Solution {
public int longestOnes(int[] nums, int k) {
int left = 0, right = 0, longestOnes = 0, zero = 0;
while (right k) {
left++;
if (nums[left - 1] == 0) zero--;
}
if (zero == k || right == nums.length - 1) {
longestOnes = Math.max(right - left + 1, longestOnes);
}
right++;
}
return longestOnes;
}
}C++版本：
class Solution {
public:
int longestOnes(vector& nums, int k) {
int left = 0, right = 0, longestOnes = 0, zero = 0;
while (right k) {
left++;
if (nums[left - 1] == 0) zero--;
}
if (zero == k || right == nums.size() - 1) {
longestOnes = max(right - left + 1, longestOnes);
}
right++;
}
return longestOnes;
}
};
Python版本：
class Solution:
def longestOnes(self, nums: List[int], k: int) -> int:
left, right, longestOnes, zero = 0, 0, 0, 0
while right k:
left += 1
if nums[left - 1] == 0:
zero -= 1
if zero == k or right == len(nums) - 1:
longestOnes = max(right - left + 1, longestOnes)
right += 1
return longestOnes
四、复杂度分析
4.1 方法一：滑动窗口
- 时间复杂度：O(N)，因为每个元素只遍历了一次。
- 空间复杂度：O(1)，因为使用了常数个空间。
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
