[Leetcode学习-java]Task Scheduler(任务调度)

问题:

难度:medium

说明:

给出一个任务数组,由 A ~ Z 字符组成,每个字母代表一个任务,CPU 1 单位时间内处理一个任务,然后两个相同任务之间,会有 N 个单位时间阻隔。

问题链接:https://leetcode.com/problems/task-scheduler

输入范围:

 

  • The number of tasks is in the range [1, 10000].
  • The integer n is in the range [0, 100].

 

输入案例:

Example 1:
Input: tasks = ["A","A","A","B","B","B"], n = 2
Output: 8
Explanation: 
A -> B -> idle -> A -> B -> idle -> A -> B
There is at least 2 units of time between any two same tasks.

Example 2:
Input: tasks = ["A","A","A","B","B","B"], n = 0
Output: 6
Explanation: On this case any permutation of size 6 would work since n = 0.
["A","A","A","B","B","B"]
["A","B","A","B","A","B"]
["B","B","B","A","A","A"]
...
And so on.

Example 3:
Input: tasks = ["A","A","A","A","A","A","B","C","D","E","F","G"], n = 2
Output: 16
Explanation: 
One possible solution is
A -> B -> C -> A -> D -> E -> A -> F -> G -> A -> idle -> idle -> A -> idle -> idle -> A

我的代码:

就像坐座位一样,把数组里面出现次数最多的元素进行统计,然后就会出现一个座位槽的数量:

比如输入 [A,A,A,B,B,B] , N = 2 有: A - - A - - A - - - - - -(无限) 这样的排列,因为 A 是数组最多元素之一,但是 B也和它一样多,那么入座是这样 A B - A B - A B ,总共 8 个座位。

对,就是坐座位的意思,那么意会就可以了。

class Solution {
    private static int[] num = new int[26];
    
    public int leastInterval(char[] tasks, int n) {
        Arrays.fill(num,0);
        for(char c : tasks) num[c - 'A'] ++; // 先统计所有元素数量
        
        // 找出最大的一个元素,并且统计和它一样大的元素数量
        int max = num[25];
        int maxc = 0;
        int maxIndex = 0;
        for(int i = 25;i -- > 0;) {
            if(max < num[i]) {
                max = num[i];
                maxc = 0;
                maxIndex = i;
            } else if(max == num[i]) maxc ++;
        }
        
        // 然后就是 总数 - 最大元素数量 - 等大数量 - 座位数
        int d =  tasks.length - num[maxIndex] - maxc - (num[maxIndex] - 1) * n;
            d = d > 0 ? d : 0;

        // 此外还需要注意 所有元素只有一个 和 相隔数 N < 等大数量,那就可以完全分配不用插入空座位
        return num[maxIndex] > 1 && n > maxc ? (num[maxIndex] - 1) * n + num[maxIndex] + d + maxc : tasks.length;
    }
}

 

 

 

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值