Java 滑动窗口算法如果只靠死记硬背，面试时大概率还是会写错

算法面试里最容易让人产生“我以为我懂了”这种错觉的技术，非滑动窗口（Sliding Window）莫属。很多人在刷题的时候，看到题目里提到“连续子数组”、“最长子串”或者“最小覆盖区间”这类关键词，第一反应就是上双指针或者暴力枚举，结果要么是时间复杂度直接 $O(n^2)$ 挂掉，要么是边界条件处理得一塌糊涂。

其实滑动窗口的核心逻辑非常统一，它本质上是在维护一个动态的区间。我把常见的几种实战套路拆解了一下，大家可以对照着自己的代码逻辑看看有没有踩坑。

常见的两种核心模式

• 固定窗口大小： 这种最简单，窗口的长度 $K$ 是死板的。你只需要先拉满第一个窗口，然后开始往右移动，每移动一步，就把最左边的元素踢出去，把新进来的元素加进来。
• 变长窗口大小： 这是面试的高频考点。窗口的边界是不确定的，通常需要维护一个 left 和 right 指针。逻辑是：right 不断向右扩张以寻找可行解，一旦窗口不再满足题目条件（比如窗口内的字符种类超过了限制），就必须收缩 left 指针，直到窗口重新变得“合法”。

一个保姆级的通用模板

不管是求最大还是最小，写 Java 时建议直接套这个逻辑框架，能规避掉 80% 的边界溢出问题：

public int slidingWindowTemplate(int[] nums, int target) {
    int left = 0, right = 0;
    int windowSize = 0;
    int ans = 0;
    // 这里根据题目要求定义状态，比如当前窗口内的元素和、计数器等
    int currentWindowData = 0; 

    while (right < nums.length) {
        // 1. 【进窗】：将 nums[right] 加入窗口，更新窗口状态
        right++;
        currentWindowData += nums[right - 1]; 

        // 2. 【收缩】：判断当前窗口是否需要收缩（比如窗口太大了，或者不符合条件了）
        while (/* 窗口不符合条件的情况 */) {
            // 3. 【出窗】：将 nums[left] 移出窗口，更新窗口状态
            currentWindowData -= nums[left];
            left++;
            // 更新窗口大小或状态
        }

        // 4. 【更新结果】：在窗口合法的情况下，更新最终答案
        ans = Math.max(ans, right - left);
    }
    return ans;
}

实战中的几个坑

在做 LeetCode 里的相关题目时，一定要注意 right 指针移动后的状态更新时机。有些题目要求的是“子数组”，有些要求的是“子串”，在处理字符串时，记得要配合 HashMap 或者 int[128] 这种频率数组来记录窗口内的字符分布。

另外，关于 ans 的更新位置，如果是求“最大长度”，通常放在 while 收缩循环之后；如果是求“最小长度”，则要在 while 循环内部更新。这种细节如果不搞清楚，代码写出来逻辑就是反的。