问题描述
给你一个任务数组 tasks ,其中 tasks[i] = [ a c t u a l i actual_i actuali, m i n i m u m i minimum_i minimumi] :
a c t u a l i actual_i actuali 是完成第 i 个任务 需要耗费 的实际能量。
m i n i m u m i minimum_i minimumi 是开始第 i 个任务前需要达到的最低能量。
比方说,如果任务为 [10, 12] 且你当前的能量为 11 ,那么你不能开始这个任务。如果你当前的能量为 13 ,你可以完成这个任务,且完成它后剩余能量为 3 。你可以按照 任意顺序 完成任务。
请你返回完成所有任务的 最少 初始能量。
示例 1:
输入:tasks = [[1,2],[2,4],[4,8]]
输出:8
解释:
一开始有 8 能量,我们按照如下顺序完成任务:
- 完成第 3 个任务,剩余能量为 8 - 4 = 4 。
- 完成第 2 个任务,剩余能量为 4 - 2 = 2 。
- 完成第 1 个任务,剩余能量为 2 - 1 = 1 。
注意到尽管我们有能量剩余,但是如果一开始只有 7 能量是不能完成所有任务的,因为我们无法开始第 3 个任务。
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/minimum-initial-energy-to-finish-tasks
算法推导
设有n个任务
(
a
0
,
m
0
)
(
a
1
,
m
1
)
.
.
.
(
a
n
−
1
,
m
n
−
1
)
(a_0,m_0)\ (a_1,m_1)\ ...\ (a_{n-1},m_{n-1})
(a0,m0) (a1,m1) ... (an−1,mn−1),总能量为
E
E
E,根据题意,若能顺利完成任务,需要满足以下不等式:
E
≥
m
0
\quad \quad \quad \quad \quad \quad \quad \quad \quad \quad E \geq m_0
E≥m0
E − a 0 ≥ m 1 \quad \quad \quad \quad \quad \quad \quad \quad E - a_0 \geq m_1 E−a0≥m1
. . . . . . \quad \quad \quad \quad \quad \quad \quad \quad \quad \quad\quad...... ......
E − a 0 − a 1 − . . . − a n − 2 ≥ m n − 1 E - a_0 - a_1 - ...-a_{n-2} \geq m_{n-1} E−a0−a1−...−an−2≥mn−1
移项,将
E
E
E放在不等式左边:
E
≥
m
0
E
≥
a
0
+
m
1
⋯
E
≥
a
0
+
a
1
+
⋯
+
a
n
−
2
+
m
n
−
1
\begin{aligned} & E \geq m_0\\ & E \geq a_0+m_1\\ & \cdots\\ & E \geq a_0+a_1+\cdots+a_{n-2}+m_{n-1} \end{aligned}
E≥m0E≥a0+m1⋯E≥a0+a1+⋯+an−2+mn−1
因此,
E
E
E的最小值即为上述不等式右端的最大值,它只取决于任务的顺序。
考虑局部最优解,任意交换两个相邻任务
(
a
i
,
m
i
)
(
a
i
+
1
,
m
i
+
1
)
(a_i,m_i)\ (a_{i+1},m_{i+1})
(ai,mi) (ai+1,mi+1)的顺序,交换后上述不等式中有两项发生变化,分别是交换前的:
E
≥
a
0
+
a
1
+
⋯
+
a
i
−
1
+
m
i
=
f
(
i
)
E
≥
a
0
+
a
1
+
⋯
+
a
i
−
1
+
a
i
+
m
i
+
1
=
f
(
i
+
1
)
\begin{aligned} & E \geq a_0 + a_1 + \cdots+a_{i-1}+m_i = f(i)\\ & E \geq a_0 + a_1 + \cdots + a_{i-1} + a{i} + m_{i+1}=f(i+1) \end{aligned}
E≥a0+a1+⋯+ai−1+mi=f(i)E≥a0+a1+⋯+ai−1+ai+mi+1=f(i+1)
和交换后的:
E
≥
a
0
+
a
1
+
⋯
+
a
i
−
1
+
m
i
+
1
=
f
′
(
i
)
E
≥
a
0
+
a
1
+
⋯
+
a
i
−
1
+
a
i
+
1
+
m
i
=
f
′
(
i
+
1
)
\begin{aligned} & E \geq a_0+a_1+\cdots+a_{i-1}+m_{i+1} = f'(i)\\ & E \geq a_0+a_1+\cdots+a_{i-1}+a_{i+1}+m_i = f'(i+1) \end{aligned}
E≥a0+a1+⋯+ai−1+mi+1=f′(i)E≥a0+a1+⋯+ai−1+ai+1+mi=f′(i+1)
假设交换后结果不会比交换前更好,则有
m
a
x
(
f
(
i
)
,
f
(
i
+
1
)
)
≤
m
a
x
(
f
′
(
i
)
,
f
′
(
i
+
1
)
)
max(f(i),f(i+1))\leq max(f'(i),f'(i+1))
max(f(i),f(i+1))≤max(f′(i),f′(i+1))
又因为
f
(
i
)
<
f
′
(
i
+
1
)
f
′
(
i
)
<
f
(
i
+
1
)
f(i)<f'(i+1)\ f'(i)<f(i+1)
f(i)<f′(i+1) f′(i)<f(i+1)恒成立,故不等式等价于
f
(
i
+
1
)
≤
f
′
(
i
+
1
)
f(i+1) \leq f'(i+1)
f(i+1)≤f′(i+1)
代入具体值可得
a
i
−
m
i
≤
a
i
+
1
−
m
i
+
1
a_i-m_i \leq a_{i+1}-m_{i+1}
ai−mi≤ai+1−mi+1
综上所述,若任务序列中相邻任务满足
a
i
−
m
i
≤
a
i
+
1
−
m
i
+
1
a_i-m_i \leq a_{i+1}-m_{i+1}
ai−mi≤ai+1−mi+1这一条件时,序列达到了局部最优,此时若交换任意两个任务的次序,得到的结果都不会好于不交换,因此可以认为局部最优就是全局最优。
程序代码
class Solution {
public:
int minimumEffort(vector<vector<int>>& tasks) {
auto cmp = [&](const auto &a,const auto &b){
return a[0]-a[1] < b[0]-b[1];
};
sort(tasks.begin(),tasks.end(),cmp);
int sum = 0, ans = tasks[0][1];
for(int i = 0; i < tasks.size()-1; i++){
sum += tasks[i][0];
ans = max(ans, sum+tasks[i+1][1]);
}
return ans;
}
};
时间复杂度 O ( n l o g n ) O(nlogn) O(nlogn),空间复杂度 O ( l o g n ) O(logn) O(logn)。