我认为它更多的是技术而不是算法。这是一种可以在各种算法中使用的技术。
我认为通过以下示例可以最好地理解该技术。假设我们有这个数组：
[ 5, 7, 1, 4, 3, 6, 2, 9, 2 ]
我们如何找到五个连续元素的最大和？好吧，我们先来看一下，5, 7, 1, 4, 3总和为20。然后，我们来看下五个连续的元素集7, 1, 4, 3, 6。这些的总和是21。这比我们以前的总和还多7, 1, 4, 3, 6是目前为止我们迄今为止取得的最好成绩。
让我们看看是否可以改善。1, 4, 3, 6, 2？不，总和为16。4, 3, 6, 2, 9？总计为24，所以现在这是我们得到的最佳顺序。现在我们进入下一个序列3, 6, 2, 9, 2。总而言之22，这并没有超过我们目前最好的24。我们已经到了尽头，所以我们完成了。
在代码中实现此功能的蛮力如下：
const getMaxSumOfFiveContiguousElements = (arr) => {
let maxSum = -Infinity;
let currSum;
for (let i = 0; i <= arr.length - 5; i++) {
currSum = 0;
for (let j = i; j <= i + 5; j++) {
currSum += arr[j];
}
maxSum = Math.max(maxSum, currSum);
}
return maxSum;
};
时间的复杂度是多少？是O(n*k)。外循环正在遍历所有n - k + 1项目，但是当n大于时k，我们可以忽略该k + 1零件而仅将其称为n项目。然后，内循环正在遍历所有k项目，因此我们有了O(n*k)。尝试像这样可视化它：
我们可以将其简化为O(n)吗？让我们回到这个数组：
[ 5, 7, 1, 4, 3, 6, 2, 9, 2 ]
首先我们得到的总和5, 7, 1, 4, 3。接下来，我们需要的总和7, 1, 4, 3, 6。像这样可视化它，在每个包含五个元素的组周围都有一个“窗口”。
第一个窗口和第二个窗口有什么区别？好吧，第二个窗口摆脱5了左侧的位置，但6在右侧添加了一个。因此，由于我们知道第一个窗口的总和是20，要获得第二个窗口的总和，我们将其20减去，减去5，然后加上6得到21。实际上，我们不必遍历第二个窗口中的每个元素并将它们加起来（7 + 1 + 4 + 3 + 6）。那将涉及重复和不必要的工作。
此处的滑动窗口方法最终是两个操作，而不是五个操作，因为k是5。这并不是一个很大的改进，但是您可以想象，对于更大k（或更大n）的系统确实有帮助。
以下是使用滑动窗口技术的代码工作方式：
const getLargestSumOfFiveConsecutiveElements = (arr) => {
let currSum = getSum(arr, 0, 4);
let largestSum = currSum;
for (let i = 1; i <= arr.length - 5; i++) {
currSum -= arr[i - 1];
currSum += arr[i + 4];
largestSum = Math.max(largestSum, currSum);
}
return largestSum;
};
const getSum = (arr, start, end) => {
let sum = 0;
for (let i = start; i <= end; i++) {
sum += arr[i];
}
return sum;
};
这就是滑动窗口技术的要点。在其他问题中，您可能要做的事情比获取窗口内元素的总和还要复杂。否则，窗口本身的大小可能会有所变化，而不是我们在此处看到的固定大小（五个）。但是，滑动窗口技术的这一基本应用应该为您提供一个基础，您可以以此为基础。