本文介绍一种基于哈希映射的线性时间算法，用于在无法遍历全部群组的前提下，快速找出所有成员均来自给定人员子集的群组，避免重复调用低效的 `containsall` 操作。
在实际系统（如社交网络、班级关系管理或权限分组）中，我们常面临一类典型问题：已知一组人员（如 [P1, P3, P2, P4]），以及两个受限访问接口——getGroups(person) 返回该人所属的所有群组，getPersons(group) 返回该群组内的全部成员；但无法枚举所有群组或所有人员。目标是高效找出所有“被完全覆盖”的群组：即群组内每个成员都落在输入人员列表中。
原始方法（对每个人员遍历其所属群组，并对每个群组调用 personsTracked.containsAll(group.getPersons())）存在严重性能瓶颈：containsAll 在未排序列表上平均时间复杂度为 O(m×n)（m 为群组大小，n 为输入人员数），嵌套循环后整体可达 O(k·g·n)（k 为总人员-群组关联数，g 为平均群组大小），极易成为性能瓶颈。
✅ 优化核心思想：计数替代全量校验
不逐个比对群组成员是否都在输入集合中，而是采用两阶段计数策略：
- 预处理输入人员集合：将查询人员列表转为 HashSet，实现 O(1) 成员查找；
-
按群组维度统计覆盖度：
- 使用 Map 记录每个群组在当前输入人员中实际出现的成员数（初始为 0）；
- 使用 Map（或复用同一 Map）预先记录每个群组的总人数（可懒加载或预缓存）；
- 单次遍历所有“关联边”：对每个输入人员 p，调用 getGroups(p) 获取其所属群组列表；对每个群组 g，执行 countMap.merge(g, 1, Integer::sum)；
- 筛选完全匹配群组：遍历 countMap，若 countMap.get(g) == totalSizeMap.get(g)，则 g 是目标群组。
该算法时间复杂度为 O(K)，其中 K 是输入人员与其所属群组的总关联数（即所有 getGroups(p) 返回结果的长度之和），空间复杂度为 O(G’)（G’ 为至少有一个成员在输入列表中的群组数量）。
