前言

大家好，我是小彭。

今天分享到一种栈的衍生数据结构 —— 单调栈（Monotonic Stack）。栈（Stack）是一种满足后进先出（LIFO）逻辑的数据结构，而单调栈实际上就是在栈的基础上增加单调的性质（单调递增或单调递减）。那么，单调栈是用来解决什么问题的呢？

学习路线图：

1. 单调栈的典型问题

单调栈是一种特别适合解决 “下一个更大元素” 问题的数据结构。

举个例子，给定一个整数数组，要求输出数组中元素 iii 后面下一个比它更大的元素，这就是下一个更大元素问题。这个问题也可以形象化地思考：站在墙上向后看，问视线范围内所能看到的下一个更高的墙。例如，站在墙 [3] 上看，下一个更高的墙就是墙 [4] 。

形象化思考

这个问题的暴力解法很容易想到：就是遍历元素 iii 后面的所有元素，直到找到下一个比 iii 更大的元素为止，时间复杂度是 O(n)O(n)O(n)，空间复杂度是 O(1)O(1)O(1)。单次查询确实没有优化空间了，那多次查询呢？如果要求输出数组中每个元素的下一个更大元素，那么暴力解法需要的时间复杂度是 O(n2)O(n^2)O(n2) 。有没有更高效的算法呢？

2. 解题思路

我们先转变一下思路：

在暴力解法中，我们每处理一个元素就要去求它的 “下一个更大元素”。现在我们不这么做，我们每处理一个元素时，由于不清楚它的解，所以先将它缓存到某种数据结构中。后续如果能确定它的解，再将其从缓存中取出来。 这个思路可以作为 “以空间换时间” 优化时间复杂度的通用思路。

回到这个例子上：

• 
  
• 在处理元素 [3] 时，由于不清楚它的解，只能先将 [3] 放到缓存中，继续处理下一个元素；
  
• 在处理元素 [1] 时，我们观察缓存发现它比缓存中所有元素都小，只能先将它放到缓存中，继续处理下一个元素；
  
• 在处理元素 [2] 时，我们观察缓存中的 [1] 比当前元素小，说明当前元素就是 [1] 的解。此时我们可以把 [1] 从缓存中弹出，记录结果。再将 [2] 放到缓存中，继续处理下一个元素；
  
• 在处理元素 [1] 时，我们观察缓存发现它比缓存中所有元素都小，只能先将它放到缓存中，继续处理下一个元素；
  
• 在处理元素 [4] 时，我们观察缓存中的 [3] [2] [1] 都比当前元素小，说明当前元素就是它们的解。此时我们可以把它们从缓存中弹出，记录结果。再将 [4] 放到缓存中，继续处理下一个元素；
  
• 在处理元素 [1] 时，我们观察缓存发现它比缓存中所有元素都小，只能先将它放到缓存中，继续处理下一个元素；
  
• 遍历结束，从缓存中弹出过的元素都是有解的，保留在缓存中的元素都是无解的。
  

分析到这里，我们发现问题已经发生转变，问题变成了：“如何寻找在缓存中小于当前元素的数”。 现在，我们把注意力集中在这个缓存上，思考一下用什么数据结构、用什么算法可以更高效地解决问题。由于这个缓存是我们额外增加的，所以我们有足够的操作空间。

先说结论：

• 
  
• 方法 1 - 暴力： 遍历整个缓存中所有元素，最坏情况（递减序列）下所有数据都进入缓存中，单次操作的时间复杂度是 O(N)O(N)O(N)，整体时间复杂度是 O(N2)O(N^2)O(N2)；
  
• 方法 2 - 二叉堆： 不需要遍历整个缓存，只需要对比缓存的最小值，直到缓存的最小值都大于当前元素。最坏情况（递减序列）下所有数据都进入堆中，单次操作的时间复杂度是 O(lgN)O(lgN)O(lgN)，整体时间复杂度是 O(N⋅lgN)O(N·lgN)O(N⋅lgN)；
  
• 方法 3 - 单调栈： 我们发现元素进入缓存的顺序正好是有序的，且后进入缓存的元素会先弹出做对比，符合 “后进先出” 逻辑，所以这个缓存数据结构用栈就可以实现。因为每个元素最多只会入栈和出栈一次，所以整体的计算规模还是与数据规模成正比的，整体时间复杂度是 O(n)O(n)O(n)。
  

下面，我们先从优先队列说起。

3. 优先队列解法

寻找最值的问题第一反应要想到二叉堆。

我们可以维护一个小顶堆，每处理一个元素时，先观察堆顶的元素：

• 
  
• 如果堆顶元素小于当前元素，则说明已经确定了堆顶元素的解，我们将其弹出并记录结果；
  
• 如果堆顶元素不小于当前元素，则说明小顶堆内所有元素都是不小于当前元素的，停止观察。
  

观察结束后，将当前元素加入小顶堆，堆会自动进行堆排序，堆顶就是整个缓存的最小值。此时，继续在后续元素上重复这个过程。

题解

fun nextGreaterElements(nums: IntArray): IntArray {

    // 结果数组 

    val result = IntArray(nums.size) { -1 }

    // 小顶堆

    val heap = PriorityQueue<Int> { first, second ->

        nums[first] - nums[second]

    }

    // 从前往后查询

    for (index in 0 until nums.size) {

        // while：当前元素比堆顶元素大，说明找到下一个更大元素

        while (!heap.isEmpty() && nums[index] > nums[heap.peek()]) {

            result[heap.poll()] = nums[index]

        }

        // 当前元素入堆

        heap.offer(index)

    }

    return result

}

我们来分析优先队列解法的复杂度：

• 
  
• 时间复杂度： 最坏情况下（递减序列），所有元素都被添加到优先队列里，优先队列的单次操作时间复杂度是 O(lgN)O(lgN)O(lgN)，所以整体时间复杂度是 O(N⋅lgN)O(N·lgN)O(N⋅lgN)；
  
• 空间复杂度： 使用了额外的优先队列，所以整体的空间复杂度是 O(N)O(N)O(N)。
  

优先队列解法的时间复杂度从 O(N2)O(N^2)O(N2) 优化到 O(N⋅lgN)O(N·lgN)O(N⋅lgN)，还不错，那还有优化空间吗？

4. 单调栈解法

我们继续分析发现，元素进入缓存的顺序正好是逆序的，最后加入缓存的元素正好就是缓存的最小值。此时，我们不需要用二叉堆来寻找最小值，只需要获取最后一个进入缓存的元素就能轻松获得最小值。这符合 “后进先出” 逻辑，所以这个缓存数据结构用栈就可以实现。

这个问题也可以形象化地思考：把数字想象成有 “重量” 的杠铃片，每增加一个杠铃片，会把中间小的杠铃片压扁，当前的大杠铃片就是这些被压扁杠铃片的 “下一个更大元素”。

形象化思考

解题模板

// 从前往后遍历

fun nextGreaterElements(nums: IntArray): IntArray {

    // 结果数组 

    val result = IntArray(nums.size) { -1 }

    // 单调栈

    val stack = ArrayDeque<Int>()

    // 从前往后遍历

    for (index in 0 until nums.size) {

        // while：当前元素比栈顶元素大，说明找到下一个更大元素

        while (!stack.isEmpty() && nums[index] > nums[stack.peek()]) {

            result[stack.pop()] = nums[index]

        }

        // 当前元素入队

        stack.push(index)

    }

    return result

}

理解了单点栈的解题模板后，我们来分析它的复杂度：

• 
  
• 时间复杂度： 虽然代码中有嵌套循环，但它的时间复杂度并不是 O(N2)O(N^2)O(N2)，而是 O(N)O(N)O(N)。因为每个元素最多只会入栈和出栈一次，所以整体的计算规模还是与数据规模成正比的，整体时间复杂度是 O(N)O(N)O(N)；
  
• 空间复杂度： 最坏情况下（递减序列）所有元素被添加到栈中，所以空间复杂度是 O(N)O(N)O(N)。
  

这道题也可以用从后往前遍历的写法，也是参考资料中提到的解法。 但是，我觉得正向思维更容易理解，也更符合人脑的思考方式，所以还是比较推荐小彭的模板（王婆卖瓜）。

解题模板（从后往前遍历）

// 从后往前遍历

fun nextGreaterElement(nums: IntArray): IntArray {

    // 结果数组

    val result = IntArray(nums.size) { -1 }

    // 单调栈

    val stack = ArrayDeque<Int>()

    // 从后往前查询

    for (index in nums.size - 1 downTo 0) {

        // while：栈顶元素比当前元素小，说明栈顶元素不再是下一个更大元素，后续不再考虑它

        while (!stack.isEmpty() && stack.peek() <= nums[index]) {

            stack.pop()

        }

        // 输出到结果数组

        result[index] = stack.peek() ?: -1

        // 当前元素入队

        stack.push(nums[index])

    }

    return result

}

5. 典型例题 · 下一个更大元素 I

理解以上概念后，就已经具备解决单调栈常见问题的必要知识了。我们来看一道 LeetCode 上的典型例题：LeetCode 496.

LeetCode 例题

第一节的示例是求 “在当前数组中寻找下一个更大元素” ，而这道题里是求 “数组 1 元素在数组 2 中相同元素的下一个更大元素” ，还是同一个问题吗？其实啊，这是题目抛出的烟雾弹。注意看细节信息：

• 
  
• 两个没有重复元素的数组 nums1和 nums2 ；
  
• nums1 是 nums2 的子集。
  

那么，我们完全可以先计算出 nums2 中每个元素的下一个更大元素，并把结果记录到一个散列表中，再让 nums1 中的每个元素去散列表查询结果即可。

题解

class Solution {

    fun nextGreaterElement(nums1: IntArray, nums2: IntArray): IntArray {

        // 临时记录

        val map = HashMap<Int, Int>()

        // 单调栈

        val stack = ArrayDeque<Int>()

        // 从前往后查询

        for (index in 0 until nums2.size) {

            // while：当前元素比栈顶元素大，说明找到下一个更大元素

            while (!stack.isEmpty() && nums2[index] > stack.peek()) {

                // 输出到临时记录中

                map[stack.pop()] = nums2[index]

            }

            // 当前元素入队

            stack.push(nums2[index])

        }


        return IntArray(nums1.size) {

            map[nums1[it]] ?: -1

        }

    }

}

6. 典型例题 · 下一个更大元素 II（环形数组）

第一节的示例还有一道变型题，对应于 LeetCode 上的另一道典型题目：503. 下一个更大元素 II

LeetCode 例题

两道题的核心考点都是 “下一个更大元素”，区别只在于把 “普通数组” 变为 “环形数组 / 循环数组”，当元素遍历到数组末位后依然找不到目标元素，则会循环到数组首位继续寻找。这样的话，除了所有数据中最大的元素，其它每个元素都必然存在下一个更大元素。

其实，计算机中并不存在物理上的循环数组，在遇到类似的问题时都可以用假数据长度和取余的思路处理。如果你是前端工程师，那么你应该有印象：我们在实现无限循环轮播的控件时，有一个小技巧就是给控件 设置一个非常大的数据长度 ，长到永远不可能轮播结束，例如 Integer.MAX_VALUE。每次轮播后索引会加一，但在取数据时会对数据长度取余，这样就实现了循环轮播了。

无限轮播伪代码

class LooperView {


    private val data = listOf("1", "2", "3")		


    // 假数据长度

    fun getSize() = Integer.MAX_VALUE


    // 使用取余转化为 data 上的下标

    fun getItem(index : Int) = data[index % data.size]

}

回到这道题，我们的思路也更清晰了。我们不需要无限查询，所以自然不需要设置 Integer.MAX_VALUE 这么大的假数据，只需要 设置 2 倍的数据长度 ，就能实现循环查询（3 倍、4倍也可以，但没必要），例如：

题解

class Solution {

    fun nextGreaterElements(nums: IntArray): IntArray {

        // 结果数组 

        val result = IntArray(nums.size) { -1 }

        // 单调栈

        val stack = ArrayDeque<Int>()

        // 数组长度

        val size = nums.size

        // 从前往后遍历

        for (index in 0 until nums.size * 2) {

            // while：当前元素比栈顶元素大，说明找到下一个更大元素

            while (!stack.isEmpty() && nums[index % size] > nums[stack.peek() % size]) {

                result[stack.pop() % size] = nums[index % size]

            }

            // 当前元素入队

            stack.push(index)

        }

        return result

    }

}

7. 总结

到这里，相信你已经掌握了 “下一个更大元素” 问题的解题模板了。除了典型例题之外，大部分题目会将 “下一个更大元素” 的语义隐藏在题目细节中，需要找出题目的抽象模型或转变思路才能找到，这是难的地方。

小彭在 20 年的文章里说过单调栈是一个相对冷门的数据结构，包括参考资料和网上的其他资料也普遍持有这个观点。 单调栈不能覆盖太大的问题域，应用价值不及其他数据结构。 —— 2 年前的文章

2 年后重新思考，我不再持有此观点。我现在认为：单调栈的关键是 “单调性”，而栈只是为了配合问题对操作顺序的要求而搭配的数据结构。 我们学习单调栈，应该当作学习单调性的思想在栈这种数据结构上的应用，而不是学习一种新的数据结构。对此，你怎么看？

下一篇文章，我们来学习单调性的思想在队列上数据结构上的应用 —— 单调队列。

更多同类型题目：