最佳调度问题的回溯算法

实验七 最佳调度问题的回溯算法

1. 实验目的

• 理解最佳调度问题的定义和要求。
• 学习回溯算法的基本原理和应用。
• 熟悉使用回溯算法解决最佳调度问题的步骤和思路。
• 实践编写回溯算法的代码，解决最佳调度问题。
• 熟练运用剪枝技巧优化回溯算法，提高算法效率。

2. 实验要求

设有 n 个任务由 k 个可并行工作的机器来完成，完成任务 i 需要时间为 。试设计一个算法找出完成这 n 个任务的最佳调度，使完成全部任务的时间最早。（要求给出调度方案）。

程序输入：

从 test 系列文件获取数据。

第一行为任务数 n 和机器个数 k。

第二行为完成任务 i 需要的时间 t i ，包含 n 个数据，以空格间隔。

例如：

3 2

2 3 4

表示有 3 个任务，2 个机器。完成 3 个任务的时间分别为 2, 3, 4。

程序输出：

输出三个测试案例所有任务完成的总时间，及调度方案。

例如：针对上述数据，耗费的总时间为 5，调度方案为机器 1(任务 1，任务 2)，机器 2(任务 3)。

3. 实验内容

3.1 读取文件

# 从文件读取数据
with open('test1.txt', 'r') as file:
    data = file.readline().strip().split()
    n, k = int(data[0]), int(data[1])  # 任务数和机器数
    times = list(map(int, file.readline().strip().split()))  # 每个任务的完成时间
    

3.2 回溯函数

    # 定义回溯函数
    def backtrack(schedule, next_task):
        nonlocal best_time, best_schedule  # 使用非本地变量来修改外部函数中的变量

        if next_task == n:  # 如果所有任务都已经分配完成
            completion_times = [0] * k  # 用于记录每台机器的完成时间
            for i in range(n):
                machine = schedule[i]  # 获取当前任务分配的机器
                completion_times[machine] += times[i]  # 更新该机器的完成时间
            total_time = max(completion_times)  # 计算总完成时间
            if total_time < best_time:  # 如果总完成时间比当前最佳完成时间短
                best_time = total_time  # 更新最佳完成时间
                best_schedule = schedule[:]  # 更新最佳调度方案
            return

        for machine in range(k):  # 遍历每台机器
            schedule[next_task] = machine  # 将下一个任务分配给当前机器
            backtrack(schedule, next_task + 1)  # 递归进行下一个任务的分配

该回溯算法存在一个问题：该算法效率过低。
因此，采用剪枝（Pruning）方法，对搜索树进行修剪的技术，帮助减少搜索空间，提高回溯算法的效率。

3.3 剪枝函数

可以从以下三个方面考虑，使得回溯法的效率更高

1.如果当前机器在下一步操作之后已经超过了最小完成时间，则跳过该机器

            if machine_times[machine] + times[next_task] >= best_time:  # 剪枝：如果当前机器已经超过了最小完成时间，则跳过该机器
                continue

2.如果两台机器在分配同一个任务之后具有相同的完成时间，以为上一台机器已经完成了这样的操作，所以当前机器跳过此步骤

if machine > 0 and machine_times[machine] == machine_times[machine - 1]:  # 剪枝：如果两台机器在分配同一个任务之后具有相同的完成时间，则跳过
                continue

3.在将一个任务分配给一台机器之后，更新当前机器的完成时间，如果这个时间已经超过了之前的最短完成时间bestTime，则直接跳过，没有必要再进行下一层递归

schedule[next_task] = machine  # 将下一个任务分配给当前机器
new_machine_times = machine_times[:]  # 创建机器完成时间的副本
new_machine_times[machine] += times[next_task]  # 更新当前机器的完成时间
if max(new_machine_times) < best_time:  # 剪枝：如果当前机器已经超过了最小完成时间，则跳过
	backtrack(schedule, next_task + 1, new_machine_times)  # 递归进行下一个任务的分配

3.4 回溯法的完整实现

# 时间调度函数
def schedule_tasks(n, k, times):
    best_time = float('inf')  # 初始化最佳完成时间为无穷大
    best_schedule = []  # 初始化最佳调度方案为空列表

    # 定义回溯函数
    def backtrack(schedule, next_task, machine_times):
        nonlocal best_time, best_schedule  # 使用非本地变量来修改外部函数中的变量

        if next_task == n:  # 如果所有任务都已经分配完成
            if max(machine_times) < best_time:  # 剪枝：如果当前机器已经超过了最小完成时间，则跳过
                best_time = max(machine_times)  # 更新最佳完成时间
                best_schedule = schedule[:]  # 更新最佳调度方案
            return

        for machine in range(k):  # 遍历每台机器
            if machine_times[machine] + times[next_task] >= best_time:  # 剪枝：如果当前机器已经超过了最小完成时间，则跳过该机器
                continue
            if machine > 0 and machine_times[machine] == machine_times[machine - 1]:  # 剪枝：如果两台机器在分配同一个任务之后具有相同的完成时间，则跳过
                continue
            schedule[next_task] = machine  # 将下一个任务分配给当前机器
            new_machine_times = machine_times[:]  # 创建机器完成时间的副本
            new_machine_times[machine] += times[next_task]  # 更新当前机器的完成时间
            if max(new_machine_times) < best_time:  # 剪枝：如果当前机器已经超过了最小完成时间，则跳过
                backtrack(schedule, next_task + 1, new_machine_times)  # 递归进行下一个任务的分配

    initial_schedule = [0] * n  # 初始化任务分配方案
    initial_machine_times = [0] * k  # 初始化机器完成时间列表
    times.sort()  # 对任务的完成时间进行排序
    backtrack(initial_schedule, 0, initial_machine_times)  # 调用回溯函数开始搜索最佳调度方案

    return best_time, best_schedule  # 返回最佳完成时间和调度方案

3.5 输出结果

# 输出结果
print(f"最佳完成时间为：{best_time}")  # 打印最佳完成时间
print("调度方案为：")  # 打印调度方案
for i in range(k):
    tasks_on_machine = [str(j+1) for j in range(n) if best_schedule[j] == i]
    print(f"机器 {i+1} : 任务 {' '.join(tasks_on_machine)}")  # 打印每台机器上的任务

4 实验结果

4.1 test1.txt

4.2 test2.txt

4.3 test3.txt