问题描述
小M拥有一个长度为n的数组 a，由于他非常喜欢数字 w，他希望将所有数组中的数都变为 w。
小M每次操作可以选择一个区间 [l, r]，并将该区间内的所有数字都加 1（包括左右边界 l 和 r）。但为了让挑战更具趣味性，小M要求每次操作的l均不相同，r也均不相同。
小M现在想知道，有多少种不同的操作方案可以让数组中的所有数都变为 w。注意，如果所有操作的区间相同，则视为同一种操作方式，操作顺序不同并不会形成新的方案。
测试样例
样例1：
输入：
n = 2 ,w = 2 ,array = [1, 1]
输出：2
样例2：
输入：
n = 1 ,w = 1 ,array = [1]
输出：1
样例3：
输入：
n = 3 ,w = 5 ,array = [5, 4, 5]
输出：1
问题解析
题目转化
题目可以转化为：在数组 array 中找到一个连续的长度为 w 的子数组，其和最大，并返回这个最大值。
思路
-
利用滑动窗口技术高效解决此问题。
-
滑动窗口技巧的核心是：
• 维护一个长度为 w 的窗口。
• 当窗口右端扩展时，计算新的窗口和，同时移除窗口左端的值。
- 时间复杂度：通过一次遍历解决问题，复杂度为 O(n) 。
算法步骤
-
初始化窗口：计算初始窗口（前 w 个元素）的和，记为 current_sum。
-
滑动窗口：从第 w 个元素开始，每次将窗口右移：
• 加入新的元素值到 current_sum。
• 移除窗口左侧的元素值。
• 更新最大值 max_sum。
- 返回最大值。
def max_window_sum(n, w, array):
if n == 0 or w == 0:
return 0
if w > n:
w = n # 窗口不能超过数组长度
# 初始化窗口和
current_sum = sum(array[:w])
max_sum = current_sum
# 滑动窗口
for i in range(w, n):
current_sum += array[i] - array[i - w]
max_sum = max(max_sum, current_sum)
return max_sum
测试样例过程
样例 1
输入：
n = 2, w = 2, array = [1, 1]
执行过程：
-
初始窗口和：current_sum = 1 + 1 = 2。
-
无需滑动，直接输出：max_sum = 2。
输出：2
样例 2
输入：
n = 1, w = 1, array = [1]
执行过程：
-
初始窗口和：current_sum = 1。
-
无需滑动，直接输出：max_sum = 1。
输出：1
样例 3
输入：
n = 3, w = 5, array = [5, 4, 5]
执行过程：
-
窗口大小 w 超过数组长度，调整 w = 3。
-
初始窗口和：current_sum = 5 + 4 + 5 = 14。
-
无需滑动，直接输出：max_sum = 14。
输出：14
优化与扩展
1. 优化边界
• 窗口大小 w 可能超过数组长度时，直接取 w = min(w, n)。
• 如果数组为空或窗口为 0，直接返回 0。
2. 算法扩展
该算法可用于其他场景，例如：
• 在一组温度数据中，找到连续 w 天的最高温度和。
• 在滑动窗口中寻找特定条件的最优解（最大或最小）。
滑动窗口的应用场景总结
滑动窗口技术不仅适用于求解子数组和的最大值，还可以扩展到更多场景，包括：
- 最大或最小子数组问题：
• 例如，求解在温度变化数据中连续 w 天的最高或最低温度；
- 固定长度子数组统计问题：
• 在给定长度的窗口中寻找满足特定条件的子数组数量；
- 动态窗口问题：
• 窗口大小不是固定的，可以通过特定条件动态调整窗口长度，例如寻找满足条件的最短子数组；
- 字符串匹配问题：
• 例如，寻找字符串中的重复模式或最小覆盖子串。
