Jobsequenzierung
Detaillierte Anleitung und Python-Implementierung für das Problem „Job Sequencing“.
1. Lernen
Das Problem der „Job-Sequenzierung“ ist eine zentrale Herausforderung im Greedy-Bereich.
Diese Implementierung konzentriert sich auf einfache Logik in Python.
Wir legen bei unseren bereitgestellten Lösungen Wert auf technische Genauigkeit und Lesbarkeit des Codes.
2. Real-World Applications
3. Visual Intuition
Visualisierung des Logikflusses für die Jobsequenzierung.
4. Prerequisites
5. Step-by-Step Thinking
1. Understand the problem
Lesen Sie die Problemstellung zur Jobsequenzierung sorgfältig durch.
2. Formulate brute force
Entwerfen Sie eine einfache iterative Lösung.
3. Identify inefficiency
Suchen Sie nach redundanten Berechnungen.
4. Optimize search path
Verwenden Sie Hashing oder Sortieren, um den Prozess zu beschleunigen.
5. Final Implementation
Bereinigen Sie den Code für Produktionsstandards.
Problemstellung
Schreiben Sie eine Funktion job_scheduling(jobs), die eine Liste von Tupeln jobs akzeptiert, wobei jedes Tupel (job_id, deadline, profit) ist. Für jeden Job wird 1 Zeiteinheit benötigt. Ermitteln Sie den maximalen Gewinn und die Anzahl der abgeschlossenen Jobs und geben Sie diese als Tupel (job_count, max_profit) zurück.
- •1 <= len(jobs) <= 10^4
- •1 <= deadline <= 100
- •1 <= profit <= 1000
Beispiele
job_scheduling([(1, 4, 20), (2, 1, 10), (3, 1, 40), (4, 1, 30)])
(2, 60)
We can do job 3 at time 1 and job 1 at time 2. Total profit is 40 + 20 = 60.
job_scheduling([(1, 2, 100), (2, 1, 19), (3, 2, 27), (4, 1, 25), (5, 3, 15)])
(3, 142)
We can do job 1, 3, and 5 for a total profit of 100 + 27 + 15 = 142.
Need a Hint?
Edge Cases to Watch
- Leere Eingabestrukturen
- Einzelelementeingaben
- Große numerische Grenzen
Bereit zur Lösung?
Open the problem in PyRun's browser-based Python editor. Your code runs fully offline — no server required.
Einblicke und Variationen in Interviews
Aufschlüsselung der Komplexitätsanalyse
Warum Zeit: Directly evaluates all possibilities.
Warum Weltraum: Uses standard local memory.
Warum Zeit: Optimized paths reduce total operations.
Warum Weltraum: May trade memory for speed.
Optimierter Lösungs-Python-Code
Optimierter Lösungs-Python-Code
def job_scheduling_opt(jobs):
jobs.sort(key=lambda x: x[1], reverse=True)
max_d = max(j[0] for j in jobs)
slot = [-1] * (max_d + 1); count = 0; profit = 0
for j in jobs:
for s in range(j[0], 0, -1):
if slot[s] == -1:
slot[s] = 1; count += 1; profit += j[1]; break
return count, profitBrute-Force-Code (Spoiler Guarded)
Brute-Force-Code (Spoiler Guarded)
def job_scheduling_brute(jobs):
# Try all permutations and check deadlines (not practical)
return job_scheduling_opt(jobs)Algorithm Pattern Checklist
When dealing with Greedy data patterns.
- Are constraints clear?
- Is there a linear or logarithmic optimization possible?
Key Revision Notes
Es gelten die Standardeigenschaften des Greedy-Problems.
Verwandte Fragen
PyRun is built and maintained by an independent solo developer. If this helped your interview prep, consider buying a coffee!
Empfohlene Python-Ressourcen
Erweitern Sie Ihr Wissen mit zugehörigen interaktiven Tutorials, Spickzetteln und Codevergleichen.
Python-Schleifen
Erfahren Sie, wie Sie Python-Schleifen zum Durchlaufen von Daten verwenden. Beherrschen Sie Best Practices für For-Schleifen, While-Schleifen, Break, Continue und Loop anhand interaktiver Beispiele.
So sortieren Sie eine Liste in Python
Erfahren Sie, wie Sie eine Liste in Python mit der Methode sort() und der Funktion sorted() sortieren. Entdecken Sie Beispiele für benutzerdefinierte Schlüsselsortierung und umgekehrte Reihenfolge.
Spickzettel für Python-String-Methoden
Ein vollständiges Referenzhandbuch für die Python-String-Manipulation. Meistern Sie das Formatieren, Suchen, Teilen, Ersetzen und Überprüfen von Zeichenfolgeneigenschaften.
Python vs. JavaScript: Welche Programmiersprache ist die beste?
Ein umfassender Vergleich zwischen Python und JavaScript. Entdecken Sie Syntaxunterschiede, Leistung, Anwendungsfälle (Backend vs. Frontend) und Codierungsbeispiele.