Temps minimum pour terminer les travaux
Guide détaillé et implémentation de Python pour le problème « Temps minimum pour terminer les travaux ».
1. Apprendre
Le problème du « délai minimum pour terminer les travaux » est un défi clé dans la section Greedy.
Cette implémentation se concentre sur la logique de niveau simple dans Python.
Nous accordons la priorité à la précision technique et à la lisibilité du code dans les solutions que nous proposons.
2. Real-World Applications
3. Visual Intuition
Visualisation du flux logique pour le délai minimum de fin des tâches.
4. Prerequisites
5. Step-by-Step Thinking
1. Understand the problem
Lisez attentivement l'énoncé du problème relatif au Temps minimum pour terminer les travaux.
2. Formulate brute force
Rédigez une solution itérative simple.
3. Identify inefficiency
Recherchez les calculs redondants.
4. Optimize search path
Utilisez le hachage ou le tri pour accélérer le processus.
5. Final Implementation
Nettoyer le code pour les normes de production.
Énoncé du problème
Écrivez une fonction min_time_jobs(jobs, k, t) qui trouve le temps minimum pour terminer tous les travaux. Le tableau jobs représente le temps nécessaire pour terminer chaque tâche. Il y a k assignés, et chaque assigné prend t unités de temps pour terminer 1 unité de travail. Les tâches ne peuvent être attribuées que sous forme de sous-segments contigus aux destinataires.
- •1 <= len(jobs) <= 10^5
- •1 <= k <= len(jobs)
- •1 <= t <= 1000
- •1 <= jobs[i] <= 10^4
Exemples
min_time_jobs([10, 7, 8, 12, 8, 5, 9], 4, 5)
100
Optimal contiguous assignment: [10, 7], [8, 12], [8, 5], [9]. Max job units assigned is 20 (8+12). Time = 20 * 5 = 100.
min_time_jobs([4, 5, 10], 2, 1)
10
Optimal contiguous assignment: [4, 5], [10]. Max job units assigned is 10. Time = 10 * 1 = 10.
Need a Hint?
Edge Cases to Watch
- Structures d'entrée vides
- Entrées à élément unique
- Grandes limites numériques
Prêt à résoudre ?
Open the problem in PyRun's browser-based Python editor. Your code runs fully offline — no server required.
Aperçus et variations des entretiens
Répartition de l'analyse de complexité
Pourquoi le temps: Directly evaluates all possibilities.
Pourquoi l'espace: Uses standard local memory.
Pourquoi le temps: Optimized paths reduce total operations.
Pourquoi l'espace: May trade memory for speed.
Code Python de solution optimisée
Code Python de solution optimisée
def min_time_opt(jobs, k):
def can_finish(limit):
workers = [0] * k
def solve(i):
if i == len(jobs): return True
for j in range(k):
if workers[j] + jobs[i] <= limit:
workers[j] += jobs[i]
if solve(i + 1): return True
workers[j] -= jobs[i]
if workers[j] == 0: break
return False
return solve(0)
jobs.sort(reverse=True)
l, r = max(jobs), sum(jobs); res = r
while l <= r:
m = (l + r) // 2
if can_finish(m): res = m; r = m - 1
else: l = m + 1
return resCode de force brute (spoiler gardé)
Code de force brute (spoiler gardé)
def min_time_brute(jobs, k):
res = float('inf')
def solve(i, workers):
nonlocal res
if i == len(jobs): res = min(res, max(workers)); return
for j in range(k):
workers[j] += jobs[i]; solve(i + 1, workers); workers[j] -= jobs[i]
solve(0, [0]*k); return resAlgorithm Pattern Checklist
When dealing with Greedy data patterns.
- Are constraints clear?
- Is there a linear or logarithmic optimization possible?
Key Revision Notes
Les propriétés standard du problème gourmand s’appliquent.
Questions connexes
PyRun is built and maintained by an independent solo developer. If this helped your interview prep, consider buying a coffee!
Ressources Python recommandées
Développez vos connaissances avec des didacticiels interactifs, des aide-mémoire et des comparaisons de codes associés.
Générateurs Python
Apprenez à utiliser les générateurs Python et les instructions rendement pour traiter d'énormes ensembles de données avec une empreinte mémoire minimale. Expressions du générateur principal.
Comment convertir une chaîne en Int en Python
Apprenez à convertir une chaîne en entier en Python à l'aide de la fonction int(). Gérez les erreurs en toute sécurité et convertissez les nombres binaires, octaux ou hexadécimaux.
Aide-mémoire sur le formatage Python DateTime
Apprenez à analyser et formater les dates et les heures en Python à l'aide de datetime, strftime et strptime.
Décorateurs Python et modèle de conception de décorateur : les principales différences
Comparez les décorateurs Python et le modèle de conception de décorateur classique. Comprenez les différences entre l'encapsulation de fonctions au moment de la définition et la composition d'objets dynamiques d'exécution avec du code exécutable.