目录
一、代码逐行解释（滑动窗口解法：最短子数组长度）
原代码完整拆解
原代码存在的 BUG & 缺陷
二、标准优化版滑动窗口（双指针）
优化思路
三、优化点对比说明
四、逻辑流程演示（举例）
五、补充：二分前缀和解法（进阶 O (nlogn)）
一、代码逐行解释（滑动窗口解法：最短子数组长度）
题目：LeetCode 209 长度最小的子数组 给定正整数数组nums和目标值target，找出总和 ≥ target 的连续子数组的最小长度，不存在返回 0。
原代码完整拆解
class Solution { public int minSubArrayLen(int target, int[] nums) { // 记录最小窗口长度，初始为最大值（代表没找到合法窗口） int min = Integer.MAX_VALUE; // 当前窗口 [left, right] 的元素和 int sum = 0; int left = 0; // 窗口左边界 int right = 0;// 窗口右边界 int length = nums.length; sum = nums[0]; // 先把第一个元素加入窗口 // 第一个元素直接大于target，最短长度就是1，直接返回 if(sum>target){ return 1; } // 外层循环：右指针最多走到倒数第二个元素 while (right<length-1){ // 内层1：窗口和不足target，不断右移右指针扩大窗口 while (sum<target&&right<length-1){ right++; sum += nums[right]; } // 内层2：窗口和满足条件，不断右移左指针缩小窗口，更新最小长度 while (sum>=target){ if(min>right - left+1){ min = right - left +1; } sum -= nums[left]; left++; } } // 如果min没更新过，说明无合法子数组返回0，否则返回最小长度 return min == Integer.MAX_VALUE?0:min; } }原代码存在的 BUG & 缺陷
- 边界初始化缺陷
- 数组为空、数组长度 = 1 时会报错
nums[0]数组越界； - 提前写死
sum = nums[0]，破坏滑动窗口统一初始化逻辑。
- 数组为空、数组长度 = 1 时会报错
- 外层循环限制错误
right < length -1导致右指针无法走到数组最后一位，最后一个元素永远无法纳入窗口，测试用例极易出错。 - 冗余特判
if(sum>target) return 1滑动窗口内部逻辑完全可以覆盖该场景，属于多余代码。 - 逻辑耦合、可读性差三层嵌套循环结构臃肿，标准滑动窗口只需要一层外层循环控制右指针。
- 变量命名尚可，但流程不标准
二、标准优化版滑动窗口（双指针）
优化思路
- 统一初始化：
sum=0，left=0，右指针从头遍历到尾，消除数组越界； - 去掉多余特判，一套逻辑覆盖所有场景；
- 单层外层循环控制右指针，满足和≥target 时收缩左边界；
- 增加数组判空，鲁棒性更强；
- 简化长度更新代码；
- 时间复杂度 O (n)，每个元素仅被左右指针各访问一次。
class Solution { public int minSubArrayLen(int target, int[] nums) { // 边界：空数组直接返回0 if (nums == null || nums.length == 0) { return 0; } int n = nums.length; int minLen = Integer.MAX_VALUE; int sum = 0; int left = 0; // 右指针从头到尾遍历，一层循环即可 for (int right = 0; right < n; right++) { sum += nums[right]; // 扩大右边界 // 当窗口和满足条件，持续收缩左边界，更新最小长度 while (sum >= target) { minLen = Math.min(minLen, right - left + 1); sum -= nums[left]; left++; } } // 未找到合法子数组返回0 return minLen == Integer.MAX_VALUE ? 0 : minLen; } }三、优化点对比说明
| 问题 | 优化方案 |
|---|---|
| 访问 nums [0] 越界 | sum 初始 0，循环内逐个加 nums [right]，兼容空 / 长度 1 数组 |
| right 走不到末尾 | for 循环 right < n，完整遍历全部元素 |
| 多余 if 特判单个元素 | while 收缩窗口自动处理单元素满足 target 场景 |
| 三层循环嵌套臃肿 | 外层单层 for，内层仅收缩窗口的 while，逻辑清晰 |
| 手动比较更新 min | 使用Math.min简化代码 |
| 无空数组防护 | 开头增加 nums 判空，线上不会 NPE / 数组越界 |
四、逻辑流程演示（举例）
target=7，nums=[2,3,1,2,4,3]
- right 不断右移累加 sum，直到 sum≥7
- right=3 sum=8，进入收缩循环：窗口 [0,3] 长度 4，min=4；sum-=2=6，left=1 退出收缩
- right=4 sum=10，收缩：
- [1,4] 长度 4 → min 不变；sum-3=7 left=2
- [2,4] 长度 3 → min=3；sum-1=6 left=3 退出
- right=5 sum=9，收缩：
- [3,5] 长度 3 → min 不变；sum-2=7 left=4
- [4,5] 长度 2 → min=2；sum-4=3 left=5 退出 最终返回 2，正确答案。
五、补充：二分前缀和解法（进阶 O (nlogn)）
如果题目允许，还可以用前缀和 + 二分查找，适合数据量极大场景：
class Solution { public int minSubArrayLen(int target, int[] nums) { int n = nums.length; int[] preSum = new int[n + 1]; for (int i = 0; i < n; i++) { preSum[i + 1] = preSum[i] + nums[i]; } int min = Integer.MAX_VALUE; for (int i = 1; i <= n; i++) { int aim = preSum[i] - target; // 二分找最大j满足preSum[j] <= aim int l = 0, r = i; while (l < r) { int mid = l + r >> 1; if (preSum[mid] <= aim) l = mid + 1; else r = mid; } if (l > 0) { min = Math.min(min, i - l + 1); } } return min == Integer.MAX_VALUE ? 0 : min; } }日常刷题优先滑动窗口 O (n)，效率更高、代码更简洁。
