单调队列是专为滑动窗口最大值设计的O(n)轻量级工具：存下标、维护单调递减、队首恒为当前窗口最大值下标，通过入队剔弱尾、出队清过期头实现高效更新。

单调队列不是“高级技巧”，而是专为滑动窗口最大值这类问题设计的轻量级工具——它用空间换时间，把每个元素最多入队、出队一次，把暴力 O(nk) 降为稳定 O(n)，真正支撑起实时计算场景。

核心逻辑：只留“有用的人”

想象你在窗口里站了一排人，按能力从左到右严格递减。新来一个人，如果他比队尾还强，那队尾永远没机会当第一，直接请走；如果他较弱，就排在后面等机会。同时，最左边的人如果走出窗口范围，也得及时清退。队首始终是当前窗口里最强的那个。

关键点：

• 队列存的是下标（不是数值），方便判断是否过期
• 维护单调递减：保证队首永远是最大值的下标
• 每次操作只影响队首或队尾，没有中间遍历

实战四步写法（Python 模板）

不依赖第三方库，手写一个极简单调队列类，再套进主流程：

// 单调递减队列（求最大值）

class MonotonicQueue:

  def __init__(self):

    self.q = []  # 存下标

  def push(self, i, nums):

    while self.q and nums[self.q[-1]] <= nums[i]:

      self.q.pop()

    self.q.append(i)

  def pop(self, i, k):

    if self.q and self.q[0] == i - k:

      self.q.pop(0)

  def max(self, nums):

    return nums[self.q[0]]

// 主函数：滑动窗口最大值

def maxSlidingWindow(nums, k):

  mq = MonotonicQueue()

  res = []

  for i in range(len(nums)):

    mq.push(i, nums)

    if i >= k - 1:

      res.append(mq.max(nums))

      if i >= k - 1:

        mq.pop(i, k)  # 清掉即将滑出的左边界下标

  return res

边界与细节处理要点

实际部署时，这几个地方最容易出错：

• 窗口未填满时不记录结果：i 从 0 开始，只有 i ≥ k−1 才形成完整窗口，才开始 append 结果
• 过期判断用下标算，不用值比：检查 q[0] == i − k，而不是 nums[q[0]] == nums[i−k]，避免重复值干扰
• pop 时机要对齐：应在记录完当前窗口最大值后，立刻清理下一个窗口将失效的左端下标（即 i−k 这个位置）
• 空输入防护：nums 为空或 k ≤ 0 时直接返回 []，避免索引错误

为什么不用优先队列？

优先队列（堆）也能找最大值，但它无法按时间顺序淘汰旧元素——你只知道最大值是谁，但不知道它是不是已经滑出窗口了。除非给每个元素打上时间戳并延迟删除（即懒删除），否则就得频繁重建堆，反而破坏 O(n) 性能。单调队列天然支持“先进先出 + 单调筛选”，结构更干净，常数更低，更适合流式数据实时更新。