滑动窗口算法实战：串联所有单词与最小覆盖子串

这段代码里，count 变量非常关键，它记录了当前窗口内满足频次要求的单词数量。只有当 count 等于单词总数 m 时，才说明找到了一个合法的子串。注意 left 和 right 的移动都是基于 len 的，这是区别于普通滑动窗口的地方。

16. 最小覆盖子串

这是一个更通用的滑动窗口模型，要求在字符串 s 中找到包含字符串 t 所有字符的最短子串。

核心思路

这里的核心在于如何高效判断当前窗口是否已经包含了 t 的所有字符及其所需数量。我们可以维护两个数据结构：

1. 目标哈希表：统计 t 中每个字符的需求量。
2. 窗口哈希表：动态记录当前窗口内各字符的出现次数。

为了进一步优化性能，我们可以用定长数组替代哈希表（因为字符集通常是 ASCII），减少哈希冲突和内存开销。同时，引入一个 count 变量来记录当前窗口中已经满足需求的字符种类数，避免每次循环都遍历整个哈希表来判断是否满足条件。

代码实现

下面是经过优化的版本，直接使用数组统计频次，逻辑更加紧凑：

class Solution {
public:
    string minWindow(string s, string t) {
        int hash1[128] = {0}; // 统计字符串 t 中每一个字符的频次
        int kinds = 0; // 统计有效字符有多少种
        for(auto ch : t) 
            if(hash1[ch]++ == 0) kinds++;
        
        int hash2[128] = {0}; // 统计窗口内每个字符的频次
        int minlen = INT_MAX, begin = -1;
        
        for(int left = 0, right = 0, count = 0; right < s.size(); right++) {
            char in = s[right];
            if(++hash2[in] == hash1[in]) count++; // 进窗口 + 维护 count
            
            while(count == kinds) { // 判断条件
                if(right - left + 1 < minlen) {
                    minlen = right - left + 1;
                    begin = left;
                }
                char out = s[left++];
                if(hash2[out]-- == hash1[out]) count--; // 出窗口 + 维护 count
            }
        }
        return begin == -1 ? "" : s.substr(begin, minlen);
    }
};

在这个实现中，kinds 代表 t 中不同字符的种类数。当 count 达到 kinds 时，说明窗口内每种字符的数量都至少达到了 t 的要求。此时我们尝试收缩左边界，看能否在保持满足条件的前提下缩短窗口。一旦 count 小于 kinds，说明窗口不再合法，继续向右扩展右边界。

这种写法比传统的'每次检查哈希表'要快得多，因为它避免了重复遍历。在实际工程中，如果字符集较大（如 Unicode），再考虑回退到 unordered_map，但在大多数算法题场景下，ASCII 数组是最优解。

这两个题目虽然细节不同，但本质都是利用滑动窗口维护一个满足特定条件的区间。关键在于根据题意调整窗口的扩张与收缩规则，以及选择合适的数据结构来辅助判断。希望这些思路能帮你更好地应对类似的字符串挑战。