给你一个整数数组 jobs ,其中 jobs[i] 是完成第 i 项工作要花费的时间。
请你将这些工作分配给 k 位工人。所有工作都应该分配给工人,且每项工作只能分配给一位工人。工人的 工作时间 是完成分配给他们的所有工作花费时间的总和。请你设计一套最佳的工作分配方案,使工人的 最大工作时间 得以 最小化 。
返回分配方案中尽可能 最小 的 最大工作时间 。
示例 1:
输入:jobs = [3,2,3], k = 3
输出:3
解释:给每位工人分配一项工作,最大工作时间是 3 。
示例 2:
输入:jobs = [1,2,4,7,8], k = 2
输出:11
解释:按下述方式分配工作:
1 号工人:1、2、8(工作时间 = 1 + 2 + 8 = 11)
2 号工人:4、7(工作时间 = 4 + 7 = 11)
最大工作时间是 11 。
思路:
动态规划 + 状态压缩
思路及算法
按照朴素的思路,我们按顺序给每一个工人安排工作,注意到当我们给第 ii 个工人分配工作的时候,能够选择的分配方案仅和前 i-1i−1 个人被分配的工作有关。因此我们考虑使用动态规划解决本题,只需要记录已经被分配了工作的工人数量,以及已经被分配的工作是哪些即可。
因为工作数量较少,我们可以使用状态压缩的方式来表示已经被分配的工作是哪些。具体地,假设有 nn 个工作需要被分配,我们就使用一个 nn 位的二进制整数来表示哪些工作已经被分配,哪些工作尚未被分配,如果该二进制整数的第 ii 位为 11,那么第 ii 个工作已经被分配,否则第 ii 个工作尚未被分配。如有 33 个工作需要被分配,那么 5=(101)_25=(101)
2
即代表 第 00 和第 22 个工作已经被分配,第 11 个工作还未被分配。
这样我们可以写出状态方程:f[i][j]f[i][j] 表示给前 ii 个人分配工作,工作的分配情况为 jj 时,完成所有工作的最短时间。注意这里的 jj 是一个二进制整数,表示了工作的分配情况。实际上我们也可以将 jj 看作一个集合,包含了已经被分配的工作。
那么我们可以写出状态转移方程:
f[i][j] = \min_{j’\in j}{ \max(f[i-1][\complement_{j}j’], \textit{sum}[j’])}
f[i][j]=
j
′
∈j
min
{max(f[i−1][∁
j
j
′
],sum[j
′
])}
式中 \textit{sum}[j’]sum[j
′
] 表示集合 j’j
′
中的工作的总工作量,\complement_{j}j’∁
j
j
′
表示集合 jj 中子集 j’j
′
的补集。状态转移方程的含义为,我们枚举 jj 的每一个子集 j’j
′
,让其作为分配给工人 ii 的工作,这样我们需要给前 i-1i−1 个人分配 \complement_{j}j’∁
j
j
′
的工作。
在实际代码中,我们首先预处理出 \textit{sum}sum 数组,然后初始化 f[0][j]=sum[j]f[0][j]=sum[j],最终答案即为 f[k-1][2^n-1]f[k−1][2
n
−1](表示给全部 kk 个工人分配全部 nn 个工作,完成所有工作的最短时间)。
java代码:
class Solution {
public int minimumTimeRequired(int[] jobs, int k) {
int n = jobs.length;
int[] sum = new int[1 << n];
for (int i = 1; i < (1 << n); i++) {
int x = Integer.numberOfTrailingZeros(i), y = i - (1 << x);
sum[i] = sum[y] + jobs[x];
}
int[][] dp = new int[k][1 << n];
for (int i = 0; i < (1 << n); i++) {
dp[0][i] = sum[i];
}
for (int i = 1; i < k; i++) {
for (int j = 0; j < (1 << n); j++) {
int minn = Integer.MAX_VALUE;
for (int x = j; x != 0; x = (x - 1) & j) {
minn = Math.min(minn, Math.max(dp[i - 1][j - x], sum[x]));
}
dp[i][j] = minn;
}
}
return dp[k - 1][(1 << n) - 1];
}
}