作为项目经理,你规划了一份需求的技能清单 req_skills
,并打算从备选人员名单 people
中选出些人组成一个「必要团队」( 编号为 i
的备选人员 people[i]
含有一份该备选人员掌握的技能列表)。
所谓「必要团队」,就是在这个团队中,对于所需求的技能列表 req_skills
中列出的每项技能,团队中至少有一名成员已经掌握。
我们可以用每个人的编号来表示团队中的成员:例如,团队 team = [0, 1, 3]
表示掌握技能分别为 people[0]
,people[1]
,和 people[3]
的备选人员。
请你返回 任一 规模最小的必要团队,团队成员用人员编号表示。你可以按任意顺序返回答案,本题保证答案存在。
示例 1:
输入:req_skills = ["java","nodejs","reactjs"], people = [["java"],["nodejs"],["nodejs","reactjs"]]
输出:[0,2]
示例 2:
输入:req_skills = ["algorithms","math","java","reactjs","csharp","aws"], people = [["algorithms","math","java"],["algorithms","math","reactjs"],["java","csharp","aws"],["reactjs","csharp"],["csharp","math"],["aws","java"]]
输出:[1,2]
提示:
1 <= req_skills.length <= 16
1 <= people.length <= 60
1 <= people[i].length, req_skills[i].length, people[i][j].length <= 16
req_skills
和people[i]
中的元素分别各不相同req_skills[i][j], people[i][j][k]
都由小写英文字母组成- 本题保证「必要团队」一定存在
解题思路
首先不难想到暴力解法,如果总共需要16
种技能,总的人数是60
的话,那么我们每种技能就有60
个人可以选,总的计算量就是
6
0
16
60^{16}
6016,显然不合适。
我们分析一下这个问题,我们只关心哪些技能已经拥有了?当前需要考虑的成员是谁?那么这么做的时间复杂度就是
2
16
∗
60
2^{16}*60
216∗60(因为总共有16
种技能,每个技能选和不选是两种情况,所以总共
2
16
2^{16}
216中可能),时间复杂度是可行的。
那么我们可以定义函数
f
(
i
)
f(i)
f(i)表示我们对于技能列表i
最少需要的人数,那么这个i
我们总共就有1 << 16
状态。假设我们从第k
个状态到第i
个状态,那么也就是i
状态中的一些技能k
状态中没有,那么此时k
状态所需要的人len(k)
,对于len(k)+1<len(i)
的话,那么我们就要更新i
状态对应的人。
class Solution:
def smallestSufficientTeam(self, req_skills: List[str], people: List[List[str]]) -> List[int]:
key = {v: i for i, v in enumerate(req_skills)}
dp = {0: []}
for i, p in enumerate(people):
his_skill = 0
for skill in p:
if skill in key:
his_skill |= 1 << key[skill]
for skill_set, need in list(dp.items()):
with_him = skill_set | his_skill
if with_him == skill_set: continue
if with_him not in dp or len(dp[with_him]) > len(need) + 1:
dp[with_him] = need + [i]
return dp[(1 << len(req_skills)) - 1]
由于是NP
问题,所以我们直接暴力dfs
也是可以的。
from functools import lru_cache
class Solution:
def smallestSufficientTeam(self, req_skills: List[str], people: List[List[str]]) -> List[int]:
key = {skill: i for i, skill in enumerate(req_skills)}
people_skill = [0 for _ in range(len(people))]
skill_people = [[] for _ in range(len(req_skills))]
for i, p in enumerate(people):
for skill in p:
if skill in key:
people_skill[i] |= 1 << key[skill]
skill_people[key[skill]].append(i)
def first_set_bit(n: int) -> int:
return int(math.log2(n & -n)) #low bit
@lru_cache()
def dfs(skills_wanted: int) -> List[int]:
if skills_wanted == 0:
return []
smallest_team_size = float('inf')
res = []
target_skill = first_set_bit(skills_wanted)
for p in skill_people[target_skill]:
cand_skills_wanted = skills_wanted
cand_skills_wanted &= ~people_skill[p]
cand = [p] + dfs(cand_skills_wanted)
if len(cand) < smallest_team_size:
smallest_team_size = len(cand)
res = cand
return res
return dfs((1 << len(req_skills)) - 1)
在上面的代码中添加了非常重要的优化,就是我们将会相关技能的人存到了一个list
中(也就是skill_people
),那么我们缺什么技能只需遍历skill_people
找到会相关技能的人即可,而不用将所有的人都遍历一遍。但是这个算法的时间复杂度和动态规划版本不一样,这个算法的时间复杂度是
O
(
∏
i
=
0
16
k
i
)
O(\prod_{i=0}^{16} k_i)
O(∏i=016ki),其中
k
i
k_i
ki表示每个技能会的人数。然后递归部分存在大量重复,可以通过记忆化搜索去除,我这里偷懒了,使用了python
中的lru_cache
解决,所以最后的时间复杂度是要远小于
O
(
∏
i
=
0
16
k
i
)
O(\prod_{i=0}^{16} k_i)
O(∏i=016ki)的。
reference:
https://leetcode.com/problems/smallest-sufficient-team/discuss/334572/Python-DP-Solution
我将该问题的其他语言版本添加到了我的GitHub Leetcode
如有问题,希望大家指出!!!