LeetCode:621. Task Scheduler

本文探讨了LeetCode上的任务调度器问题,通过分析任务执行的冷却间隔,提出了一种优化策略,利用排序思想来减少CPU完成所有任务所需的最短时间。通过实例说明,展示了不同任务执行顺序对效率的影响。

LeetCode:621. Task Scheduler

Given a char array representing tasks CPU need to do. It contains capital letters A to Z where different letters represent different tasks. Tasks could be done without original order. Each task could be done in one interval. For each interval, CPU could finish one task or just be idle.

However, there is a non-negative cooling interval n that means between two same tasks, there must be at least n intervals that CPU are doing different tasks or just be idle.

You need to return the least number of intervals the CPU will take to finish all the given tasks.

Example:

Input: tasks = ["A","A","A","B","B","B"], n = 2
Output: 8
Explanation: A -> B -> idle -> A -> B -> idle -> A -> B.

给定一个字符串数组tasks,里面的每个元素代表一个任务,还有一个间隔n表示CPU在执行这些任务的时候,两个相同任务之间的最小间隔,如果在某个时间片没有任务可以执行则CPU进入idle状态,直到满足了最小间隔之后再执行下一个任务。

思路一:排序

首先计算每种任务的个数,用一个map保存。然后根据个数降序排列这些任务,并从个数最多的任务开始执行。一开始的思路是遍历每种任务依次执行,后来发现这样不一定最优,然后考虑每次循环n+1次,从每种任务中依次取出一个任务执行。例如tasks = [“A”,“A”,“A”,“B”,“C”,“D”],n = 2,如果我们按照A->B->C->D->A->idle->idle->A的顺序执行,需要8步,而按照A->B->C->A->D->idle->A的顺序,只需要7步。

Python 代码实现

class Solution:
    def leastInterval(self, tasks: List[str], n: int) -> int:
        mapTask = [0]*26
        for task in tasks:
            mapTask[ord(task) - ord('A')]+=1
        mapTask = sorted(mapTask)
        print(mapTask)
        time = 0
        while (mapTask[25] > 0):
            i = 0
            while (i <= n):
                if (mapTask[25] == 0):
                    break
                if (i < 26 and mapTask[25 - i] > 0):
                    mapTask[25 - i]-=1
                # 即使任务个数为0,time和i也要加1,对应了idle状态。
                time+=1
                i+=1
            mapTask = sorted(mapTask)        
        return time    

可以看到这里先初始化了一个mapTask数组,里面保存26个字母代表的任务个数,再升序排列一下。然后从最多的任务种类开始执行,每次循环n+1次。


THE END.

### 贪心算法在 LeetCode 上的应用 贪心算法是一种通过局部最优选择来达到全局最优解的方法。其核心思想是在每一步都做出当前状态下最好的选择,从而希望最终能够得到整体的最优解[^1]。 以下是基于 Python 的几个经典贪心算法题目及其解决方案: --- #### 题目 1: **LeetCode 455. Assign Cookies** 给定两个数组 `g` 和 `s`,分别表示孩子的胃口值和饼干大小。每个孩子最多只能吃一块饼干,求最大满足的孩子数量。 ##### 解法 先对两个数组进行排序,然后从小到大分配饼干给尽可能多的孩子。 ```python def findContentChildren(g, s): g.sort() s.sort() i, j = 0, 0 count = 0 while i < len(g) and j < len(s): if s[j] >= g[i]: count += 1 i += 1 j += 1 return count ``` 此方法利用了贪心策略,在每次循环中优先考虑最小需求的孩子并匹配最合适的饼干[^3]。 --- #### 题目 2: **LeetCode 135. Candy** 有 n 个小孩站在一条直线上,每个小孩有一个评分值。分发糖果的要求是:如果某个小孩的评分高于相邻的小孩,则该小孩获得更多的糖果;至少每人一颗糖果。 ##### 解法 两次遍历数组,一次从前向后,另一次从后向前,确保左右两侧的关系都被满足。 ```python def candy(ratings): n = len(ratings) candies = [1] * n for i in range(1, n): if ratings[i] > ratings[i - 1]: candies[i] = candies[i - 1] + 1 for i in range(n - 2, -1, -1): if ratings[i] > ratings[i + 1]: candies[i] = max(candies[i], candies[i + 1] + 1) return sum(candies) ``` 这种方法通过两轮扫描实现了局部最优条件下的全局最优解。 --- #### 题目 3: **LeetCode 621. Task Scheduler** 给定一组任务字符以及冷却时间 `n`,计算完成所有任务所需的最少单位时间数。 ##### 解法 统计频率最高的任务数目,并根据这些任务之间的间隔安排其他任务。 ```python from collections import Counter def leastInterval(tasks, n): task_counts = list(Counter(tasks).values()) max_freq = max(task_counts) max_count = task_counts.count(max_freq) intervals = (max_freq - 1) * (n + 1) + max_count return max(len(tasks), intervals) ``` 上述代码的关键在于理解如何合理填充高频任务之间的时间间隙。 --- #### 总结 解决贪心类问题时,通常需要明确以下几个方面: - 是否可以通过逐步优化子结构解决问题? - 如何定义“局部最优”,它是否能导向“全局最优”? 此外,清晰表达逻辑流程有助于构建完整的解决方案[^2]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值