回溯算法；批处理作业调度；排列树；时间复杂度O(n!)；内有简单思路；

 #include <iostream> using namespace std; #define MAX 999999 //排列树问题,规模O(n!),通过剪枝实现回溯算法,减小解空间树规模 class Flowshop { private: int firstTime;//机器1最后完成时间 int secondTime;//机器2最后完成时间 int totalTime;//记录递归过程中的机器2时间和 int bestTime;//最佳调度下的机器2时间和 int *first;//记录每个任务在机器1完成需要的时间 int *second;//记录每个任务在机器2完成需要的时间 int *x;//记录递归过程中的解 int *bestX;//记录最佳调度下的解 int num;//任务的数量 public: //构造函数 Flowshop(int num) { firstTime=0;//机器1最后完成时间0 secondTime=0;//机器2最后完成时间0 totalTime=0;//初始化递归过程的调度时间和为0 bestTime=MAX;//初始化最佳时间无穷大 this->num=num; first=new int[num+1]; second=new int[num+1]; bestX=new int[num+1]; x=new int[num+1]; for(int i=1;i<=num;i++) { x[i]=i; } } //调用回溯算法 void bestFlowshop() { flowshop(1); } //回溯核心算法 void flowshop(int i) { if(i>num) { if(totalTime<bestTime) { bestTime=totalTime; for(int j=1;j<=num;j++) { bestX[j]=x[j]; } } return; } //排列树的回溯算法框架 for(int k=i;k<=num;k++) { swap(i,k); firstTime+=first[x[i]]; int temp=secondTime; if(firstTime>=temp) { secondTime=firstTime+second[x[i]]; totalTime+=secondTime; flowshop(i+1); totalTime-=secondTime; secondTime=temp; } else { secondTime=temp+second[x[i]]; totalTime+=secondTime; flowshop(i+1); totalTime-=secondTime; secondTime=temp; } firstTime-=first[x[i]]; swap(i,k); } } //交换函数 void swap(int i,int j) { int temp=x[i]; x[i]=x[j]; x[j]=temp; } //输入数据 void input() { int i=1; while(i<=num) { cout<<"输入第"<<i<<"个任务的机器1时间"<<endl; cin>>first[i]; cout<<"输入第"<<i<<"个任务的机器2时间"<<endl; cin>>second[i]; ++i; } } //打印结果 void display() { int i=1; while(i<=num) { cout<<"第"<<i<<"个任务:"<<bestX[i]<<endl; ++i; } cout<<"最优调度时间和:"<<bestTime<<endl; } }; void main() { Flowshop test(3);//三个任务 test.input();//输入三个任务的时间 test.bestFlowshop();//调用回溯算法找到最优调度解 test.display();//打印结果 }

 

 

排列树的回溯算法框架首先需要掌握，即巧妙的利用x[i]进行swap()操作，能够保证子问题不会再次扫描到父亲层以及之上的结点。

 

排列树比较重要的是要理解恢复现场操作，从子问题回溯归来的时候，需要将所有相关的变量恢复到进入子问题之前，这样才能不影响其他的选择下的子问题计算。 

 

解决问题的思路还是总结一下： 问题求什么？  如果要我们动手做这件事，我们怎么去做？   然后抽象成数学模型。

 

举例此题： 我们要求每个任务在机器2上完成的时间的和，每个任务都要完成，而且要求和最小。 

 

要解决这个问题，我们就要想怎么安排这些任务的顺序才能使和最小。 但是，我们没有办法一眼就看出来，只有从第一个任务位置开始，给它随便安排一个任务，累加一下时间和，然后再随便放置一个任务到第二个位置，累加一下时间和，一直到所有任务都放置完全，这时候的时间和如果比之前算出来的都小，那么这种分配顺序就是我们想要的。    

 

所以很容易就想到了这是一种排列树的结构，有n!个叶结点，即有n!种解，每种解对应一个调度时间和，从中挑一个最小的。

那么，这时候我们就可以利用回溯算法框架来写出这个问题的算法，每一个任务位置都有几种任务可以放置上去，放置上去以后计算一些时间方面的问题，然后解决下一个任务位置，一直到所有任务位置填满，看一下时间和是不是更优秀一些。

 

但是，这样做还是不够的，因为回溯算法的特点就是利用了剪枝函数来缩小解空间树的大小。  很明显，如果我们把所有任务都这么安排一遍，第一个位置有n种，第二个位置有n-1种，第三个位置有n-2种.....第n个位置有n-(n-1)=1种, 所以最终有n!种结果，从这里边去挑一个最优的就变成了穷举法了，n!是很可怕的量级。

 

在这个问题里，剪枝函数是一个显式的约束函数，如果当前结点处选入某任务，totalTIme>=bestTime，那么这个任务就不能选入，也就没必要继续递归它的子树了，所以剪去。  如果加入后totalTime<bestTime,那么这条路径依旧有潜力发展为最小调度和，所以进入递归.