废话不多说，喊一句号子鼓励自己：程序员永不失业，程序员走向架构！本篇Blog的主题是【单调队列】，使用【队列】这个基本的数据结构来实现，这个高频题的站点是：CodeTop，筛选条件为：目标公司+最近一年+出现频率排序，由高到低的去牛客TOP101去找，只有两个地方都出现过才做这道题（CodeTop本身汇聚了LeetCode的来源），确保刷的题都是高频要面试考的题。
名曲目标题后，附上题目链接，后期可以依据解题思路反复快速练习，题目按照题干的基本数据结构分类，且每个分类的第一篇必定是对基础数据结构的介绍。
滑动窗口最大值【HARD】
还是一道经典应用题
题干
解题思路
对于每个滑动窗口，我们可以使用 O(k)的时间遍历其中的每一个元素，找出其中的最大值。对于长度为 n的数组nums 而言，窗口的数量为 n−k+1，因此该算法的时间复杂度为 O((n−k+1)k)=O(nk)，会超出时间限制，因此我们需要进行一些优化。我们可以想到，对于两个相邻（只差了一个位置）的滑动窗口，它们共用着 k−1 个元素，而只有 1 个元素是变化的。我们可以根据这个特点进行优化
- 在上述滑动窗口形成及移动的过程中，我们注意到元素是从窗口的右侧进入的，然后由于窗口大小是固定的，因此多余的元素是从窗口左侧移除的。 一端进入，另一端移除，这不就是队列的性质吗？所以，该题目可以借助队列来求解
- 设置双端队列为单调递减队列
- 当窗口未形成时，每次拿新的元素与队尾元素比较，如果大于队尾元素，则原队尾元素从尾部出队
- 当窗口形成时，队首元素就是最大元素，将其从队列头部出队，并加入结果集
- 当窗口形成后并继续滑动时，队首元素也要从队列头部出队，下一个最大值结果将出现在下一个滑动窗口中
该题目的求解思路就清晰了，具体如下：
- 遍历给定数组中的元素，如果队列不为空且当前考察元素大于等于队尾元素，则将队尾元素移除。直到，队列为空或当前考察元素小于新的队尾元素；
- 由于数组下标从0开始，因此当窗口右边界right+1大于等于窗口大小k时，意味着窗口形成。此时，队首元素就是该窗口内的最大值。
- 当队首元素的下标小于滑动窗口左侧边界left时，表示队首元素已经不再滑动窗口内，因此将其从队首移除。
由此思路可以写代码了
代码实现
给出代码实现基本档案
基本数据结构：数组
辅助数据结构：单调队列
算法：无
技巧：双指针、滑动窗口
其中数据结构、算法和技巧分别来自：
- 10 个数据结构：数组、链表、栈、队列、散列表、二叉树、堆、跳表、图、Trie 树
- 10 个算法：递归、排序、二分查找、搜索、哈希算法、贪心算法、分治算法、回溯算法、动态规划、字符串匹配算法
- 技巧：双指针、滑动窗口、中心扩散
当然包括但不限于以上
import java.util.*; public class Solution { /** * 代码中的类名、方法名、参数名已经指定，请勿修改，直接返回方法规定的值即可 * * * @param num int整型一维数组 * @param size int整型 * @return int整型ArrayList */ public ArrayList<Integer> maxInWindows (int[] num, int size) { // 1 如果数组为空或者size小于1则返回空集合 if (num.length < 1 || size < 1) { return new ArrayList<Integer>(); } // 2 定义结果集并及双端单调队列，双端队列存储元素下标 ArrayList<Integer> result = new ArrayList<Integer>(); LinkedList<Integer> singleQueue = new LinkedList<Integer>(); // 3 开启窗口滑动 for (int right = 0; right < num.length; right++) { // 3-1 如果单调队列不为空且队尾元素小于当前值，则出队 while (!singleQueue.isEmpty() && num[singleQueue.peekLast()] <= num[right]) { singleQueue.pollLast(); } // 当前元素下标入队 singleQueue.offerLast(right); // 3-2 计算队首元素左边界，因为窗口固定大小，所以right向右移动时，left也向右移动 int left = right - size + 1; if (left > singleQueue.peekFirst()) { // 如果当前队列中最大值的索引已不在窗口中，则弹出队列 singleQueue.pollFirst(); } // 3-3 如果right + 1 >= size,则意味着窗口形成，则队首元素即为窗口最大值，首次窗口形成后此判断条件一直成立 if (right + 1 >= size) { result.add(num[singleQueue.peekFirst()]); } } return result; } }
因为单调队列不限制大小，所以每次获取最大值前要先进行判断，当前队首元素还在不在窗口内，不在窗口内要移出去，防止用例过不去
复杂度分析
时间复杂度：
空间复杂度：
拓展知识：普通队列、单调队列、优先队列、双向队列
普通队列、单调队列、优先队列和双向队列都是队列数据结构，但它们在性质和用途上有一些区别：
- 普通队列（Normal Queue）：
- 普通队列是一种基本的队列数据结构，按照先进先出（FIFO）的原则工作。这意味着最早进入队列的元素最早被移出队列。
- 普通队列通常用于广泛的应用，例如任务调度、BFS（广度优先搜索）算法等，其中重要的是按照元素的到达顺序进行处理。
- 单调队列（Monotonic Queue）：
- 单调队列是一种特殊类型的队列，它通常用于维护队列中元素的单调性，可以是单调递增或单调递减。这意味着元素按照一定的顺序排列。
- 单调队列通常用于解决一些需要寻找局部最大或最小值的问题，例如在滑动窗口问题中，找到滑动窗口中的最大值或最小值。
- 单调队列可以通过维护单调性，提高一些特定问题的求解效率。
- 优先队列（Priority Queue）：
- 优先队列是一种队列数据结构，它根据元素的优先级（或权重）来确定元素的顺序。具有较高优先级的元素在队列中排在前面。
- 优先队列通常用于解决需要按照优先级处理任务的问题，例如Dijkstra算法、最小堆和最大堆等数据结构都可以用来实现优先队列。
- 双向队列（Double-Ended Queue，Deque）：
- 双向队列是一种允许在队列两端进行插入和删除操作的数据结构，可以在队头和队尾同时进行入队和出队操作。
- 双向队列通常用于一些需要在队列两端进行高效操作的场景，例如实现队列、栈、滑动窗口等。
总结：
- 普通队列按照FIFO原则工作，适用于广泛的应用。
- 单调队列用于维护队列中元素的单调性，以解决一些特定问题。
- 优先队列用于按照元素的优先级来处理任务或元素，适用于需要根据权重或优先级来排序的场景。
- 双向队列允许在队列两端进行高效的插入和删除操作，适用于需要在队头和队尾同时操作的场景。
