Sequenciamento de Trabalho
Guia detalhado e implementação de Python para o problema de 'Sequenciamento de tarefas'.
1. Aprenda
O problema do 'Sequenciamento de Trabalhos' é um desafio chave na seção Ganancioso.
Esta implementação concentra-se na lógica de nível fácil em Python.
Priorizamos a precisão técnica e a legibilidade do código em nossas soluções fornecidas.
2. Real-World Applications
3. Visual Intuition
Visualizando o fluxo lógico para sequenciamento de tarefas.
4. Prerequisites
5. Step-by-Step Thinking
1. Understand the problem
Leia atentamente a definição do problema para Sequenciamento de Tarefas.
2. Formulate brute force
Elabore uma solução iterativa simples.
3. Identify inefficiency
Procure cálculos redundantes.
4. Optimize search path
Use hashing ou classificação para acelerar o processo.
5. Final Implementation
Limpe o código para padrões de produção.
Declaração do problema
Escreva uma função job_scheduling(jobs) que receba uma lista de tuplas jobs onde cada tupla é (job_id, deadline, profit). Cada trabalho leva 1 unidade de tempo para ser concluído. Encontre o lucro máximo e o número de trabalhos concluídos e retorne-os como uma tupla (job_count, max_profit).
- •1 <= len(jobs) <= 10^4
- •1 <= deadline <= 100
- •1 <= profit <= 1000
Exemplos
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
- Estruturas de entrada vazias
- Entradas de elemento único
- Grandes limites numéricos
Pronto para resolver?
Open the problem in PyRun's browser-based Python editor. Your code runs fully offline — no server required.
Insights e variações da entrevista
Análise de complexidade
Por que tempo: Directly evaluates all possibilities.
Por que espaço: Uses standard local memory.
Por que tempo: Optimized paths reduce total operations.
Por que espaço: May trade memory for speed.
Código Python da solução otimizada
Código Python da solução otimizada
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, profitCódigo de força bruta (protegido por spoiler)
Código de força bruta (protegido por spoiler)
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
Aplicam-se propriedades padrão do problema Greedy.
Perguntas relacionadas
PyRun is built and maintained by an independent solo developer. If this helped your interview prep, consider buying a coffee!
Recursos Python recomendados
Expanda seu conhecimento com tutoriais interativos relacionados, folhas de dicas e comparações de código.
Loops Python
Aprenda como usar loops Python para iterar dados. Domine as práticas recomendadas para loops for, while loops, break, continue e loop com exemplos interativos.
Como classificar uma lista em Python
Aprenda como classificar uma lista em Python usando o método sort() e a função sorted(). Descubra exemplos de classificação de chaves personalizadas e ordem reversa.
Folha de dicas dos métodos de string Python
Um guia de referência completo para manipulação de strings em Python. Domine a formatação, pesquisa, divisão, substituição e verificação de propriedades de string.
Python vs JavaScript: qual linguagem de programação é a melhor?
Uma comparação abrangente entre Python e JavaScript. Explore diferenças de sintaxe, desempenho, casos de uso (backend versus frontend) e exemplos de codificação.