Leetcode热题100（8-12）
目录
一、最小覆盖子串（LeetCode 76）：滑动窗口的经典范式
二、找到字符串中所有字母异位词（LeetCode 438）：滑动窗口+哈希表的细节把控
三、和为K的子数组（LeetCode 560）：前缀和+哈希表的巧妙结合
四、滑动窗口最大值（LeetCode 239）：优先队列（大顶堆）的实战
五、内存池PopRange异常：实战踩坑之“访问权限冲突”
六、总结：算法思维与C++工具的融合
在C++算法学习的路上，刷题是提升编程能力的必经之路。本文将围绕几道LeetCode经典题目，带你深入理解滑动窗口、哈希表、优先队列等核心技术的实战应用，从代码实现到原理剖析，助力你在算法进阶之路上更进一步。
一、最小覆盖子串（LeetCode 76）：滑动窗口的经典范式
问题描述：给定字符串 s 和 t ，找出 s 中涵盖 t 所有字符的最小子串，若不存在则返回空字符串。
核心思路：
- 用两个哈希表 hash1 （记录 t 的字符及数量）、 hash2 （记录窗口内字符及数量）。
- 维护 left 和 right 双指针构成滑动窗口，通过 count 和 kinds 判断窗口是否覆盖 t 的所有字符，进而缩小窗口找最小值。
代码解析：
class Solution {
public:string minWindow(string s, string t) {int hash1[128] = {0}, hash2[128] = {0};int kinds = 0;for (auto e : t) {if (hash1[e] == 0) kinds++;hash1[e]++;}int left = 0, right = 0, begin = -1, minlen = INT_MAX, count = 0;for (; right < s.size(); right++) {hash2[s[right]]++;if (hash2[s[right]] == hash1[s[right]]) count++;while (count == kinds) {if (minlen > right - left + 1) {minlen = right - left + 1;begin = left;}if (hash2[s[left]] == hash1[s[left]]) count--;hash2[s[left]]--;left++;}}if (begin == -1) return "";else return s.substr(begin, minlen);}
};关键理解：
- kinds 记录 t 中不同字符的种类， count 记录窗口中“已满足 t 字符数量要求”的种类数。当 count == kinds 时，窗口完全覆盖 t 。
- 滑动窗口的“扩大”与“缩小”交替进行，确保在O(n)时间复杂度内解决问题（n为 s 的长度）。
二、找到字符串中所有字母异位词（LeetCode 438）：滑动窗口+哈希表的细节把控
问题描述：给定 s 和 p ，找出 s 中所有 p 的异位词（字符组成相同、顺序不同的子串）的起始索引。
核心思路：
- 用哈希表 hash1 记录 p 的字符频率， hash2 记录窗口内字符频率。
- 维护固定长度（ p.size() ）的滑动窗口，每次窗口满时，比对 hash1 和 hash2 的字符频率是否完全一致。
代码解析：
class Solution {
public:vector<int> findAnagrams(string s, string p) {unordered_map<char, int> hash1;unordered_map<char, int> hash2;vector<int> v;for (auto e : p) {hash1[e]++;}int left = 0, right = 0;for (; right < s.size(); right++) {int len = right - left + 1;hash2[s[right]]++;if (len == p.size()) {int flag = 1;for (char i = 'a'; i <= 'z'; i++) {if (hash1[i] != hash2[i]) {flag = 0;break;}}if (flag == 1) v.push_back(left);hash2[s[left]]--;left++;}}return v;}
};优化思考：
- 上述代码中“遍历a-z比对哈希表”的操作可优化，通过维护“匹配种类数”来替代，进一步降低时间复杂度（类似“最小覆盖子串”的 count 思路）。
三、和为K的子数组（LeetCode 560）：前缀和+哈希表的巧妙结合
问题描述：给定整数数组 nums 和整数 k ，统计和为 k 的子数组个数。
核心思路：
- 利用前缀和思想， sum[i] 表示前 i 个元素的和。若 sum[j] - sum[i] = k ，则 [i+1, j] 子数组的和为 k 。
- 用哈希表 hash 记录“前缀和出现的次数”，遍历数组时动态统计符合条件的子数组数量。
代码解析：
class Solution {
public:int subarraySum(vector<int>& nums, int k) {unordered_map<int, int> hash;hash[0] = 1; // 处理前缀和刚好为k的情况（如nums[0..i]和为k）int sum = 0, ret = 0;for (auto e : nums) {sum += e;if (hash.count(sum - k)) ret += hash[sum - k];hash[sum]++;}return ret;}
};
关键理解：
- hash[0] = 1 是边界条件的关键，确保当 sum 本身等于 k 时（即子数组以第0个元素为起点）能被正确统计。
- 哈希表的时间复杂度为O(1)，因此整体算法时间复杂度为O(n)（n为 nums 长度）。
四、滑动窗口最大值（LeetCode 239）：优先队列（大顶堆）的实战
问题描述：给定整数数组 nums 和滑动窗口大小 k ，返回每个窗口的最大值。
核心思路：
- 用**优先队列（大顶堆）**存储窗口内的元素及索引，堆顶始终是当前窗口的最大值。
- 窗口滑动时，若堆顶元素的索引不在当前窗口内，将其弹出，确保堆顶始终是有效最大值。
代码解析：
class Solution {
public:vector<int> maxSlidingWindow(vector<int>& nums, int k) {int n = nums.size();if (n == 0 || k == 0) return {};vector<int> res;priority_queue<pair<int, int>> pq; // 存储（元素值，索引），大顶堆// 初始化：将前k个元素入堆for (int i = 0; i < k; ++i) {pq.push({nums[i], i});}res.push_back(pq.top().first);// 滑动窗口移动for (int i = k; i < n; ++i) {pq.push({nums[i], i});// 移除堆顶中索引不在当前窗口内的元素while (pq.top().second <= i - k) {pq.pop();}res.push_back(pq.top().first);}return res;}
};
复杂度分析：
- 优先队列的插入和弹出操作时间复杂度为O(log n)，因此整体时间复杂度为O(n log n)（n为 nums 长度）。
- 若需进一步优化，可使用单调队列将时间复杂度降至O(n)，思路是维护一个“单调递减”的双端队列，确保队首始终是窗口最大值。
五、无重复字符的最长子串（LeetCode 3）：滑动窗口的入门典范
问题描述：给定字符串 s ，找出其中不含有重复字符的最长子串的长度。
核心思路：
- 用 left 和 right 双指针维护无重复字符的滑动窗口，用长度为128的数组 hash 记录窗口内字符的出现次数（利用ASCII字符范围优化效率）。
- 右指针 right 不断扩张窗口，若当前字符重复，则左指针 left 收缩窗口，直到无重复，过程中更新最长子串长度。
代码解析：
class Solution {
public:int lengthOfLongestSubstring(string s) {int left = 0, right = 0; // 滑动窗口左右边界int hash[128] = {0}; // 记录字符出现次数（ASCII字符范围0-127）int n = s.size();int maxLen = 0; // 最长无重复子串长度while (right < n) {hash[s[right]]++; // 右指针字符加入窗口// 若字符重复，左指针收缩窗口while (hash[s[right]] > 1) {hash[s[left++]]--;}// 更新最长长度（窗口长度为right - left + 1）maxLen = max(maxLen, right - left + 1);right++; // 右指针继续扩张}return maxLen;}
};关键理解：
- 数组 hash 替代 unordered_map ，将空间复杂度从O(字符种类)优化到O(1)（固定128长度）。
- 窗口“扩张-收缩”的过程确保每个字符最多被访问两次（左、右指针各一次），时间复杂度为O(n)。
六、总结：算法思维与C++工具的融合
- 算法层面：滑动窗口、哈希表、优先队列是解决数组/字符串问题的核心武器，掌握它们的原理和代码模板是刷题进阶的关键。
- 工程层面：内存访问、断言逻辑、指针操作是常见“踩坑点”，调试时要关注异常提示的上下文，从逻辑合法性和内存安全性两方面排查问题。
无论是算法题的“逻辑闯关”，还是工程代码的“bug 狩猎”，扎实的C++基础和清晰的思维逻辑都是制胜法宝。希望本文的多维度分享，能为大家的C++学习之路添砖加瓦~