滑动窗口算法（Sliding Window Algorithm）

滑动窗口的核心就是，右指针给窗口扩容，直至抵达扩容限制条件或抵达边界；左指针则是给窗口缩容，以释放限制条件的约束，保证窗口继续向边界移动。

需求讲解

给定一个字符串 str ，请找出其中不含有重复字符的最长子串的长度。

public static int lengthOfLongestSubstring(String str) {
    // 记录窗口内字符
    Set<Character> set = new HashSet<>();
    int max = 0; // 最长不重复字符子串的长度
    int left = 0, right = 0; // 滑动窗口的左右边界

    while (right < str.length()) {
        char c = str.charAt(right);
        // 如果字符在窗口内出现过，则滑动左边界
        while (set.contains(c)) {
            set.remove(str.charAt(left));
            left++;
        }
        // 将字符加入窗口
        set.add(c);
        // 更新最大长度
        max = Math.max(max, right - left + 1);
        // 右边界右移
        right++;
    }
    return max;
}

 此算法通常应用此类场景：在大区间，寻找（满足某种特征的）小区间结果。比如：

数组中的最大/最小子序列问题

例如，“最大连续子数组和”，“最小覆盖子串”等。这些问题通常需要找出数组或字符串中的一段连续子区间，使其满足某种条件（如和最大或最小，或者包含所有指定字符等）。

计数类问题

例如，“和为K的子数组个数”，“所有字母异位词”等。这类问题需要统计满足特定条件的子数组或子字符串的数量。

字符串匹配问题

例如，“KMP算法”，“Boyer-Moore算法”等。这类问题需要在字符串中找到指定模式的所有出现位置。

其他

滑动窗口算法还可以用于解决一些其他问题，例如：

• 寻找最长公共子串
• 寻找最长上升子序列
• 寻找最长回文子串
• 计算滑动平均值

滑动窗口算法的优点在于，它可以将这些看似复杂的问题转化为线性复杂度，大大提高了算法的运行效率。

以下是一些具体的应用案例：

• 在网络协议中，滑动窗口算法可以用于流量控制和拥塞控制。

• 在数据库中，滑动窗口算法可以用于查询优化。

• 在机器学习中，滑动窗口算法可以用于特征提取。