当前位置: 首页 > web >正文

LeetCode LCR 015. 找到字符串中所有字母异位词 (Java)

LCR 015. 找到字符串中所有字母异位词

题目描述

给定两个字符串 sp,要求找到 s 中所有是 p 的变位词(字母相同但排列不同)的子串,并返回这些子串的起始索引。例如:

  • 输入 s = "cbaebabacd", p = "abc",输出 [0, 6],因为子串 "cba""bac""abc" 的变位词。
  • 输入 s = "abab", p = "ab",输出 [0, 1, 2],因为每个长为 2 的子串都是 "ab" 的变位词。

初始思路:暴力滑动窗口
核心思想
  1. 固定窗口长度:窗口长度为 p.length(),逐个遍历 s 中所有可能的窗口。
  2. 统计字符频率:对每个窗口,统计字符出现次数,与 p 的字符频率比对。
  3. 记录匹配结果:若窗口字符频率与 p 完全一致,记录当前窗口的起始索引。
代码实现
public static List<Integer> findAnagrams_2(String s, String p) {int windowLen = p.length();List<Integer> result = new ArrayList<>();int[] pCount = new int[26];// 统计 p 的字符频率for (char c : p.toCharArray()) {pCount[c - 'a']++;}for (int left = 0; left <= s.length() - windowLen; left++) {int[] sCount = new int[26];int sign = 1;// 统计当前窗口的字符频率for (int j = left; j < left + windowLen; j++) {sCount[s.charAt(j) - 'a']++;}// 比对频率是否一致for (int j = 0; j < 26; j++) {if (sCount[j] != pCount[j]) {sign = 0;break; // 优化点:发现不一致立即跳出}}if (sign == 1) {result.add(left);}}return result;
}
复杂度分析
  • 时间复杂度:O(n * m),其中 ns 的长度,mp 的长度。每次窗口需要遍历 m 个字符,共遍历 n - m + 1 次。
  • 空间复杂度:O(1),固定使用两个长度为 26 的数组。

优化思路:动态滑动窗口
核心改进
  1. 减少重复计算:维护一个固定长度的窗口,每次移动窗口时,只需更新移除的字符和新增的字符。
  2. 差异计数器:通过一个变量记录当前窗口与 p 的频率差异,避免每次全量比对。
优化代码
public List<Integer> findAnagrams(String s, String p) {List<Integer> result = new ArrayList<>();if (s.length() < p.length()) return result;int[] pCount = new int[26];int[] sCount = new int[26];int windowLen = p.length();// 初始化 p 的字符频率和第一个窗口的 s 字符频率for (int i = 0; i < windowLen; i++) {pCount[p.charAt(i) - 'a']++;sCount[s.charAt(i) - 'a']++;}int diff = 0;for (int i = 0; i < 26; i++) {if (sCount[i] != pCount[i]) diff++;}if (diff == 0) result.add(0);// 滑动窗口:逐个右移,动态更新频率和差异for (int right = windowLen; right < s.length(); right++) {int leftChar = s.charAt(right - windowLen) - 'a';int rightChar = s.charAt(right) - 'a';// 移除左边界字符if (sCount[leftChar] == pCount[leftChar]) diff++;sCount[leftChar]--;if (sCount[leftChar] == pCount[leftChar]) diff--;// 添加右边界字符if (sCount[rightChar] == pCount[rightChar]) diff++;sCount[rightChar]++;if (sCount[rightChar] == pCount[rightChar]) diff--;if (diff == 0) {result.add(right - windowLen + 1);}}return result;
}
关键点解释
  • 窗口初始化:初始化 p 和第一个窗口的字符频率,计算初始差异值 diff
  • 滑动更新
    • 移除左边界字符:若该字符原本频率匹配,则移除后差异增加,更新后若重新匹配则差异减少。
    • 添加右边界字符:同理更新差异值。
  • 差异判断:当 diff == 0 时,当前窗口是变位词。
复杂度分析
  • 时间复杂度:O(n),仅遍历 s 一次。
  • 空间复杂度:O(1),固定使用两个长度为 26 的数组。

总结

暴力滑动窗口法直观易懂,但时间复杂度较高,适用于小规模数据。优化后的动态滑动窗口通过减少重复计算,显著提升了效率,是解决此类问题的标准方法。核心在于维护窗口的字符频率差异,避免全量比对,将时间复杂度从 O(n * m) 优化到 O(n)。

http://www.xdnf.cn/news/6397.html

相关文章:

  • 机器学习第十二讲:特征选择 → 选最重要的考试科目做录取判断
  • React 第四十二节 Router 中useLoaderData的用途详解
  • 【常用算法:排序篇】7.算法魔法与面试秘籍:从趣味排序到实战通关
  • 架空防静电地板材质全解析:选对材质,守护精密空间的“安全卫士”
  • 常用的关系性统计方法
  • 【物联网】基于树莓派的物联网开发【4】——WIFI+SSH远程登录树莓派
  • 2505C++,py和go调用雅兰亭库的协程工具
  • 2025年渗透测试面试题总结-阿里云[实习]阿里云安全-安全工程师(题目+回答)
  • 2025认证杯第二阶段数学建模B题:谣言在社交网络上的传播思路+模型+代码
  • 贝叶斯优化Transformer融合支持向量机多变量回归预测,附相关性气泡图、散点密度图,Matlab实现
  • 【Python 正则表达式】
  • PostgreSQL 联合索引生效条件
  • 揭秘LLM:矩阵运算揭秘LLM单词生成机制
  • C++11多线程thread、原子变量
  • Kafka 中过多的 topic 导致整体上性能变慢的原因
  • Spark--RDD中的转换算子
  • Node.js
  • Miniconda介绍介绍和使用
  • Web3.0:互联网的去中心化未来
  • FPGA: UltraScale+ bitslip实现(ISERDESE3)
  • 记一次bug排查(.exe链接mysql失败)-每天学习一点点
  • (5)python开发经验
  • 组合问题(去重)
  • C++23 新增的查找算法详解:ranges::find_last 系列函数
  • uniapp微信小程序-长按按钮百度语音识别回显文字
  • 印度Rummy游戏支付通道申请策略:技巧类游戏的合规与创新
  • 从零开始学习three.js(18):一文详解three.js中的着色器Shader
  • Spring MVC HttpMessageConverter 的作用是什么?
  • 区块链blog1__合作与信任
  • 电池组PACK自动化生产线:多领域电池生产的“智能引擎”