java实现贪心算法中的多机调度

合集下载

贪心法 多机调度问题

贪心法 多机调度问题

//多机调度问题/*贪心法求解多级调度问题的贪心策略师最长处理时间的作业优先,即把处理时间最长的作业分配给最先空闲的机器,这样就可以保证处理时间长的作业优先处理,从而在整体上获得尽可能短的时间。

按照最长处理时间作业优先的贪心测落,当m>n,时,只要将机器ide [0,ti)时间去见分配给作业j即可,当m<n时,首先将n个作业从大到小排序,然后依次顺序将作业分配给空闲的处理机算法伪代码将数组t[n]从大到小排序,对应的作业序号存储在数组p[n]中;将数组d[m]初始化为零3:for(i0;i<=m;i++)3.1:s[i]={p[i]}:将m个作业分配给m个机器3.2 d[i]=t[i];for(i=m+1;i<=n;i++)4.1 j=数组d[m]中最小值对应的下标;//j为最先空闲的机器序号4.2 s[j]=s[j]+{p[i]};//将作业分配给最先空闲的的机器j4.3 d[j]=d[j]+d[t];//机器j将在d[j]后空闲*/#include<iostream>using namespace std;void lowsort(int *t,int *p,int n)//将数组t[n]按从小到大的顺序排序,相应的任务编号数组p[n]也要随之改变{int index;for(int i=0;i<n;i++){index=i;for(int j=i+1;j<n;j++){if(t[index]<t[j])index=j;}if(index!=i){int temp;temp=t[index];t[index]=t[i];t[i]=temp;temp=p[i];p[i]=p[index];p[index]=temp;}}int find(int *d,int m){int min=d[0];int k;for(int i=0;i<m;i++){if(d[i]<min){min=d[i];k=i;}}return k;}void ajust(int *t,int *d,int *p,int *s,int n,int m){lowsort(t,p,n);for(int i=0;i<m;i++){d[m]=0;}for(i=0;i<m;i++){s[i]=p[i];cout<<"机器"<<i+1<<"做了任务"<<p[i]<<endl;d[i]=t[i];}for(i=m;i<n;i++){int j=find(d,m);//查找数组d[m]中最小值对应的下标s[j]=s[j]+p[i];cout<<"机器"<<j+1<<"做了任务"<<p[i]<<endl;d[j]=d[j]+t[i];}}void main()int n,m;cout<<"输入任务数量"<<endl;cin>>n;cout<<"输入机器个数"<<endl;cin>>m;int *t=new int [n];int *s=new int [n];int *d=new int [m];int *p=new int[n];cout<<"输入任务编号"<<endl;for(int k=0;k<n;k++)cin>>p[k];cout<<"每件任务所花费的时间"<<endl;for(int i=0;i<n;i++)cin>>t[i];ajust(t,d,p,s,n,m);}。

组合优化算法在生产调度中的应用研究

组合优化算法在生产调度中的应用研究

组合优化算法在生产调度中的应用研究一、介绍组合优化算法是一种高效解决组合优化问题的方法,在生产调度领域有着广泛的应用。

生产调度是指制造业中的资源规划和任务安排,其目的是使得生产过程最大化效益,最大程度地满足客户需求,降低成本。

本文将探讨组合优化算法在生产调度中的应用研究。

二、生产调度问题简介生产调度问题是一种NP困难问题,特点是需要通过排列和组合来确定最佳排程方案。

排程主要涉及机器,工人,任务以及时间约束等,决策者需要在生产过程中做出一系列决策,以平衡资源利用和订单执行情况。

由于生产调度问题的复杂性,传统的优化方法往往会面临问题规模过大、计算复杂度高的挑战。

三、组合优化算法的原理及分类组合优化算法是一类以组合问题为研究对象的智能优化算法集合。

常用的组合优化算法包括贪心算法、遗传算法、模拟退火算法、蚁群算法等。

这些算法根据问题的特点和需求,采用不同的策略和模型进行求解。

其中,遗传算法和模拟退火算法是目前应用较为广泛的两种组合优化算法。

四、组合优化算法在生产调度中的应用1. 贪心算法在生产调度中的应用贪心算法是一种简单而常用的组合优化算法。

在生产调度中,贪心算法可以根据任务的优先级,选择最佳的资源进行调度。

例如,在多台机器上进行任务调度时,贪心算法可以优先选择资源利用率高的机器,以确保生产效率的最大化。

2. 遗传算法在生产调度中的应用遗传算法是一种模拟自然界进化过程的优化算法,通过模拟优良个体的遗传与交叉来不断搜索最优解。

在生产调度中,遗传算法可以通过编码任务和资源等信息,将生产调度问题转化为遗传算法的求解问题。

通过遗传算法的迭代演化过程,不断优化调度方案,以达到最佳的生产调度效果。

3. 模拟退火算法在生产调度中的应用模拟退火算法是一种模拟金属退火过程的优化算法,通过随机搜索的方式寻找全局最优解。

在生产调度中,模拟退火算法可以通过构建目标函数和邻域搜索策略,寻找最优的调度方案。

通过不断降低温度和自我调整,模拟退火算法逐渐接近最优解,以达到最佳的生产调度效果。

算法之多机调度问题

算法之多机调度问题
d[i]=t[i];
}
for(i=m+1;i<=n;i++)
{
for(int k=1;k<m;k++)
{
int o=d[k];
if (o>d[k+1])
{
o=d[k+1];
j=k+1;
}
}
s[j]|=(1<<(p[i]-1));
d[j]=d[j]+t[i];
}
}
void Output(int *p,int n,int *s,int *d,int m) //阅读并理解这个函数
Dsc_Order_By_t(t,p,n); //对作业根据运行时间t进行降序排列
Processing(p,t,n,s,d,m); //用最长运行时间优先算法处理作业
Output(p,n,s,d,m); //输出结果
_getch();
return 0;
}
运行结果图:
t[]={0,2,14,4,16,6,5,3}, //对应作业时间,t[0]不用
s[]={0,0,0,0}, //机器处理的作业集合,如:s[1]存放机器处理过的作业号,s[0]不用
d[]={0,0,0,0}; //机器处理作业的总时间,如:d[2]存放机器处理过的作业的总时间,d[0]不用
int n=sizeof(p)/sizeof(int)-1,m=sizeof(s)/sizeof(int)-1; //n--作业总数,m--机器台数
算法之多机调度问题
用贪心法解决多机调度问题
(1)问题的描述
设有n个独立的作业{1, 2,…, n},由m台相同的机器{M1, M2,…, Mm}进行加工处理,作业i所需的处理时间为ti(1≤i≤n),每个作业均可在任何一台机器上加工处理,但不可间断、拆分。多机调度问题要求给出一种作业调度方案,使所给的n个作业在尽可能短的时间内由m台机器加工处理完成。

贪心算法---例题5.多机调度问题

贪心算法---例题5.多机调度问题
int m = Job.size(); sort(Job.begin(), Job.end(), cmp); for(const auto x:Job) {
cout<<"("<<x.first<<","<<x.second<<")"<<endl; } int timeTotal = 0; vector<int> timeOfMachine(n, 0); int pos = 0; //表示Job数组的下标 while(m--) {
int minPosition = min_element(timeOfMachine.begin(), timeOfMachine.end()) - timeOfMachine.begin(); timeOfMachine[minPosition] += Job[pos].second; cout<<"将作业"<<Job[pos].first<<"分配给机器"<<minPosition+1<<",用时"<<Job[pos].second; cout<<"机器"<<minPosition+1<<"目前总用时为"<<timeOfMachine[minPosition]<<endl; pos++; } return *max_element(timeOfMachine.begin(), timeOfMachine.end()); } int main() { cout<<"一共m个作业,请输入m: "; int m; cin>>m; cout<<"请输入每个作业的时间: "<<endl; vector<pair<int, int>> Job; int time; for(int i=0; i<m; i++) { cin>>time; Job.push_back(pair<int, int>(i+1, time)); } cout<<"指定n台机器,请输入n: "<<endl; int n; cin>>n; int timeTotal = JobSort(Job, n); cout<<"总用时为: "<<timeTotal<<endl; system("pause"); return 0; }

航空行业的航空航班调度探讨航空航班调度的算法和优化方法

航空行业的航空航班调度探讨航空航班调度的算法和优化方法

航空行业的航空航班调度探讨航空航班调度的算法和优化方法航空行业的航空航班调度:探讨航班调度的算法和优化方法航空行业作为现代交通运输的一个重要组成部分,航空航班的调度对于保证航空安全、提高运输效率以及满足乘客需求至关重要。

本文将探讨航空航班调度的算法和优化方法,以期增强航空公司和航空管理部门的决策能力,优化航班调度方案。

一、航空航班调度算法航空航班调度算法是基于航班信息和约束条件的数学模型,旨在合理安排航班起飞和降落的时间、地点以及航班间隔等参数,以确保航线运行顺畅。

以下是常见的航空航班调度算法:1. 贪心算法贪心算法是一种简单且高效的算法,根据当前情况做出最优决策。

在航班调度中,贪心算法可以根据航班的到达时间、起飞时间和停留时间等因素,依次安排航班的起飞和降落。

2. 遗传算法遗传算法是一种基于进化原理的搜索算法,通过模拟自然选择、交叉和变异等操作,优化问题的解。

在航班调度中,遗传算法可以通过迭代选择、交叉和变异等操作,寻找最优的航班调度方案。

3. 线性规划算法线性规划算法是一种数学优化方法,通过建立线性模型,并在约束条件下求解最优解。

在航班调度中,线性规划算法可以通过建立航班起降时间的线性模型,并优化模型中的目标函数,求解最优的航班调度方案。

二、航空航班调度优化方法除了算法之外,航空航班调度还可以采用一些优化方法,进一步提高航班调度的效率和质量。

1. 机器学习方法机器学习方法可以通过对航班历史数据的分析和建模,预测航班延误和需求变化趋势,从而优化航班调度方案。

例如,可以利用机器学习算法预测航班延误概率,并在调度中加入相应的缓冲时间,以减少延误风险。

2. 多目标优化方法航空航班调度通常涉及多个目标,如最大化航班利润、最小化延误时间等。

多目标优化方法可以通过建立多目标规划模型,并使用相关算法,找到满足多个目标的航班调度方案。

3. 协同决策方法航空航班调度涉及到多个利益相关方,如航空公司、机场、空管部门等。

多机调度问题贪心算法c语言

多机调度问题贪心算法c语言

多机调度问题贪心算法c语言一、引言多机调度问题是指将一组作业分配给多台机器,使得完成所有作业的时间最短。

在实际生产中,多机调度问题是一个常见的优化问题。

贪心算法是解决多机调度问题的一种有效方法。

本文将介绍贪心算法在C语言中的应用。

二、问题描述假设有n个作业需要分配给m台机器进行加工处理,每个作业需要的时间不同,每台机器的处理速度也不同。

现在需要设计一个算法,将这些作业分配给这些机器进行加工处理,并使得完成所有作业所需时间最短。

三、贪心算法思路贪心算法是一种基于局部最优解来构造全局最优解的思想。

对于多机调度问题,我们可以采用以下贪心策略:1. 将所有作业按照所需时间从大到小排序;2. 将第一个作业分配给第一台机器;3. 对于剩余的作业,选择当前处理时间最短的那台机器进行分配;4. 重复步骤3直到所有作业都被分配完毕。

四、C语言实现下面是C语言实现多机调度问题贪心算法的代码:#include <stdio.h>#include <stdlib.h>#define MAX_JOB 1000#define MAX_MACHINE 1000int cmp(const void *a, const void *b) {return *(int *)b - *(int *)a;}int main() {int n, m, job[MAX_JOB], machine[MAX_MACHINE] = {0}; scanf("%d%d", &n, &m);for (int i = 0; i < n; i++) {scanf("%d", &job[i]);}qsort(job, n, sizeof(int), cmp);for (int i = 0; i < n; i++) {int min_time = machine[0], min_index = 0;for (int j = 1; j < m; j++) {if (machine[j] < min_time) { min_time = machine[j]; min_index = j;}}machine[min_index] += job[i]; }int max_time = machine[0];for (int i = 1; i < m; i++) {if (machine[i] > max_time) { max_time = machine[i];}}printf("%d\n", max_time);return 0;}五、代码解析1. 宏定义和头文件引入:```#define MAX_JOB 1000#define MAX_MACHINE 1000#include <stdio.h>#include <stdlib.h>```定义了最大作业数和最大机器数,并引入了标准输入输出库和标准库。

贪心算法—多机调度

贪心算法—多机调度

贪心算法-多机调度一、问题描述设有n个独立的作业,由m台机器进行加工处理,作业i所需的处理时间为t(i)。

约定,任何作业可以在任何机器上加工处理,但未完成前不允许中断处理。

任何作业不能拆分成更小的子作业。

多机调度问题要求给出一种作业调度方案,使n个作业在尽可能短的时间内完成。

二、算法分析1当n<=m时,将机器i的【0~t(i)】时间分配给作业i即可。

2当n>m时,首先将n个作业按照时间从大到小排列。

然后照此顺序将作业分配给空闲的处理机即可。

3创建3个类:JobNode类,MachineNode类, MinHeap类分别用于作业信息,机器信息,对机器类型的堆处理三、代码#include<iostream>using namespace std;#define Max 15template <class Type>class MinHeap{public:MinHeap(int ms);~MinHeap();void Insert(const Type& x);void DeleteMin(Type& x);protected:void FilterDown();//自顶向下构造堆void FilterUp();//自底向上构造堆private:Type *heap;int length;};////////////////////////////////////////template <class Type>MinHeap<Type>::MinHeap(int m){heap=new Type[m+1];length=0;}////////////////////////////////////////template <class Type>void MinHeap<Type>::Insert(const Type& x) {heap[++length]=x;FilterUp();}////////////////////////////////////////template <class Type> template <class Type>void MinHeap<Type>::FilterUp(){//自底向上进行调整int i=length,j=i/2;//父节点的编号Type temp=heap[i];while(i>1){if(temp>=heap[j])break;//找到了相应的位置else{heap[i]=heap[j];i=j;j=i/2;}}heap[i]=temp;}////////////////////////////////////////template <class Type>void MinHeap<Type>::DeleteMin(Type &x){x=heap[1];heap[1]=heap[length];length--;FilterDown();}////////////////////////////////////////template <class Type>void MinHeap<Type>::FilterDown(){int i=1,j=i*2;Type temp=heap[i];while(j<=length){if(j<length && heap[j]>heap[j+1])j++;//如果左右子树都存在,找出最小者,用j标记if(temp<heap[j])break;//找到了相应的位置else{heap[i]=heap[j];i=j;j=2*i;}}heap[i]=temp;}////////////////////////////////////////template <class Type>MinHeap<Type>::~MinHeap(){delete[] heap;}////////////////////////////////////////class JobNode{friend void Greedy(JobNode *,int ,int);friend void main(void);public:operator int() const {return time;}int ID,time;};class MachineNode{friend void Greedy(JobNode *,int ,int); public:operator int() const {return avail;}int ID,avail;};void Sort(JobNode a[],int n){int i,j,k;JobNode tmp;for(i=1;i<n;i++){k=i;for(j=i+1;j<=n;j++){if(a[j].time<a[k].time) k=j;}if(k!=i){tmp=a[i];a[i]=a[k];a[k]=tmp;}}}void Greedy(JobNode a[],int n,int m){if(n<=m){cout<<"为每个作业分配一台机器."<<endl;return;}Sort(a,n);MinHeap<MachineNode>H(m);MachineNode x;for(int i=1;i<=m;i++){x.avail=0;x.ID=i;H.Insert(x);}for(i=n;i>=1;i--){H.DeleteMin(x);cout<<"\n将机器"<<x.ID<<"从"<<x.avail<<"到"<<(x.avail+a[i].time)<<"的时间段分配给作业"<<a[i].ID<<endl;x.avail+=a[i].time;H.Insert(x);}}void main(){int i;int job_cnt; //作业的数目float machine_cnt;//机器数目int Time_of_all=0;JobNode a[Max];//作业所需要的时间// MachineNode b[Max];cout<<"==========多机调度问题===========\n";cout<<"输入机器个数:";cin>>machine_cnt;cout<<"输入作业个数(小于15):";cin>>job_cnt;for(i=1;i<=job_cnt;i++){cout<<"\n请输入第"<<i<<"个作业处理时间:";cin>>a[i].time;a[i].ID=i;}Greedy(a,job_cnt,machine_cnt);}四、结果截图五.实验总结多机调度问题是生活中比较典型的例子,根据经验我们很好确定贪心算法的贪心标准,但是落实到编程,还是有点不够得心应手,还需要加强自己的编程能力。

多机调度问题的贪心算法实现(使用C语言)

多机调度问题的贪心算法实现(使用C语言)

多机调度问题的贪心算法实现(使用C语言)标题:多机调度问题的贪心算法实现(使用C语言)简介:多机调度问题是一个经典的组合优化问题,旨在将一组待处理的任务分配给多台计算机,使得任务完成时间最小化。

贪心算法是一种常用的解决该问题的方法,本文将介绍如何使用C语言实现贪心算法来解决多机调度问题。

引言:随着计算机技术的不断进步,我们面临的任务越来越多,如何有效地将任务分配给多台计算机成为一个重要的问题。

多机调度问题涉及到任务的分配、计算机资源的利用率以及任务完成时间的优化。

本文将通过贪心算法来解决这一问题,贪心算法通过每次选择局部最优解,最终得到一个全局最优解。

1. 多机调度问题的贪心算法概述1.1 贪心算法的基本思想1.2 多机调度问题的贪心策略选择1.3 贪心算法实现的步骤2. 多机调度问题的输入与输出2.1 输入:任务集合和计算机集合2.2 输出:任务分配结果和任务完成时间3. 多机调度问题的贪心算法实现3.1 任务排序3.2 计算机选择3.3 任务分配3.4 计算任务完成时间4. 多机调度问题的贪心算法代码实现(使用C语言) 4.1 数据结构定义4.2 输入模块4.3 贪心算法实现函数4.4 输出模块5. 算法性能分析和改进5.1 算法的时间复杂度分析5.2 算法的空间复杂度分析5.3 改进思路:局部搜索算法的引入6. 总结与展望6.1 对多机调度问题贪心算法的观点和理解6.2 对未来算法改进的展望结论:本文详细介绍了如何使用C语言实现贪心算法来解决多机调度问题。

贪心算法通过选择局部最优解,使得任务完成时间最小化。

此外,我们还讨论了算法的性能分析和改进方向,展望了未来对算法的进一步优化。

通过本文的学习,读者能够更加全面深刻地理解多机调度问题及贪心算法的应用。

参考文献:[1] 文献1[2] 文献2[3] 文献3。

基于贪心算法的智能RGV的动态调度策略

基于贪心算法的智能RGV的动态调度策略

基于贪心算法的智能RGV的动态调度策略【摘要】本文基于贪心算法,针对智能RGV的动态调度进行研究。

在介绍了研究背景、研究目的和研究意义。

在首先对RGV系统进行了概述,接着介绍了动态调度算法的基本原理,然后深入探讨了贪心算法在RGV动态调度中的应用,并给出了实验设计与结果分析,最后讨论了优化方案。

结论部分总结了基于贪心算法的智能RGV动态调度策略,并展望了未来研究方向。

本研究对提高生产效率、降低成本具有积极意义。

【关键词】关键词:贪心算法、智能RGV、动态调度、优化方案、实验设计、结果分析、未来研究方向、算法原理、RGV系统概述、研究背景、研究目的、研究意义、总结。

1. 引言1.1 研究背景随着制造业的发展和自动化水平的提高,智能化生产已经成为行业的趋势。

自动化生产线的关键部分是机器人,而自动化生产线中的一个重要环节是对机器人进行动态调度。

根据生产线上任务的实际情况,动态调度可以有效提高生产效率,降低生产成本,缩短生产周期,提高生产线的灵活性。

在自动化生产线中,RGV智能调度系统是一个重要的组成部分。

RGV是一种具有定位、运输和动态调度功能的设备,它可以根据生产线上的任务需求,灵活地调度机器人的工作。

如何设计一种有效的RGV动态调度策略成为了工程师们研究和探讨的问题。

传统的RGV动态调度算法往往存在着效率低、响应速度慢等问题。

贪心算法是一种常用的优化算法,其简单直观的特点使得其在动态调度领域有很大的应用前景。

基于贪心算法的智能RGV动态调度策略成为了研究的热点之一。

通过研究和探索,我们可以为制造业的智能化生产提供更加有效和有效的解决方案。

1.2 研究目的研究目的是为了探索基于贪心算法的智能RGV动态调度策略在生产制造领域的应用,旨在提高生产效率和优化物流流程。

通过对RGV系统进行分析和优化,进一步提升生产线的整体运行效率,减少生产成本和周期,提高生产线的适应能力和灵活性。

通过研究动态调度算法的基本原理和贪心算法在RGV动态调度中的应用,可以为制造业提供更加智能化的生产调度方案,从而使制造过程更加高效、可靠和智能化。

多机调度问题

多机调度问题
例如:(2,6,3,5,4,14,16)
M1:2,6,3 M2:5,4 M3:14,16
设7个独立作业{1,2,3,4,5,6,7}由3台机器 M1,M2和M3加工处理。各作业所需的 处理时间分别为{2,14,4,16,6,5,3}。 将作业按从小到大依次分配给空闲的机器:
1 2 0 7 3 2 1 0 4 12 3 4 7 6 4 5 5 6 2 14 6 16 23
设7个独立作业{1,2,3,4,5,6,7}由3台机器 M1,M2和M3加工处理。各作业所需的 处理时间分别为{2,14,4,16,6,5,3}。 将作业按次序平均分配给每台机器:
机器 M1 M2 M3 作业 1,2,3 4,5 6,7 时间 2+14+4=20 16+6=22 5+3=8
优点:比较简单,容易想到 缺点:没有考虑时间代价,机器所运行的作业完 全由作业的次序决定,当运行时间比较大的作业 集中在一起时,会把它们分配给同一个机器,这 样所用的时间比较长,效率比较低
分n<=m( 作业数小于机器数),n>m(作业数大于 机器数)求解。 当n<=m时,将n个作业分配给m台机器中的前n 台就可以了。 当 n>m 时,需要选择算法来确定最优顺序将作 业分配给空闲的处理机,使得处理时间最短。
三种解决方案: 1、将作业按次序平均分配给每台机器; 2、把作业按处理时间从小到大排序,然 后依次分配给空闲的机器; 3、把作业按处理时间从大到小排序,然 后依次分配给空闲的机器(Greedy算法)
设7个独立作业{1,2,3,4,5,6,7}由3台机器 M1,M2和M3加工处理。各作业所需 的处理时间分别为{2,14,4,16,6,5,3}。
4 16 2 14 5 6 6 5 3 4 7 3 1 2

基于贪心策略的资源约束多项目调度方法

基于贪心策略的资源约束多项目调度方法
铷l
匐 出
基于贪心策略的资源约束 多项 目调度方法
A me h df r c e u ig mut p o e t t e o rec n tansb s do r e ysr tg t o h d l l- rj cswi r s u c o s r it a e ng e d tae y os n i h
进 行 的所 有活动 的 集合标 记 为 , , 。考虑 到 不 同项 目 的重要 程度不 同及对 并行 项 目的总工期 和单个 项 目
如在 制造业 中经常 出现一个 活动需 要人操 作设备 对
材料 进行 加工 ,人 、设 备 、材 料这 3种资 源缺一 不
可 。此时 ,如果假设 项 目的每个 活动 只需 要单个 资
的迭 代算 法。 邓林义 基 于这两 点假设 , 用图论 中 采 拓扑 优化 的方法求 解该 问题 。 但这 两点假 设通 常和实 际情 况不 符 ,尤其 是在 制造 业 中, 于这两 点假设 往往不 能解决 实 际问题 。 基
除 了共 享资源外 互 相独 立 ,因 此对有 限共 享资源 的
的可行性。
关键 词 :贪心策略 ;资源约束 ;项 目调度 ;多项目
中图分类号:C 3 94 文献标识码:A 文章编号:1 0 - 14 2 0 ) 6 0 2 0 9 0 ( 0 9 0 — 1 — 4 0 3 0
0 引言
资源 约束下 的 多项 目调 度问题 是一类重 要的 问
下 多项 目调 度 问题分析 的基 础上 ,建立 了 以多项 目
总工期 及各个 项 目工 期 的加权和 最短为 目标 的数 学 模型 ,并 设计 了基于 贪心 策略 的多项 目调 度算法 。
题[。 目前 ,国 内外 很 多学者都 对 该 问题进 行 了研 1 1 究 , 这些研 究一般 都基 于 以下 两点 假设 :1 但 )活动 资源是 不可 剥夺 的 ,即活 动一旦 开始就 不能 间断直

实验三 贪心算法

实验三 贪心算法

实验三贪心算法一、实验目的与要求1、熟悉多机调度问题的算法;2、初步掌握贪心算法;二、实验题要求给出一种作业调度方案,使所给的n个作业在尽可能短的时间内由m台机器加工处理完成。

约定,每个作业均可在任何一台机器上加工处理,但未完工前不允许中断处理。

作业不能拆分成更小的子作业。

三、实验提示1、把作业按加工所用的时间从大到小排序2、如果作业数目比机器的数目少或相等,则直接把作业分配下去3、如果作业数目比机器的数目多,则每台机器上先分配一个作业,如下的作业分配时,是选那个表头上s最小的链表加入新作业。

# include <iostream># include <iomanip>using namespace std;typedef struct Job //作业{int ID;int time;}Job;typedef struct JobNode //作业链表的节点{int ID;int time;JobNode *next;}JobNode,*pJobNode;typedef struct Header //链表的表头{int s; //处理机上的时间;JobNode *next;}Header,pHeader;int main(){void QuickSort(Job *job,int left,int right); //将job时间排序void outSort(Job *job,int n); //输出排序void display(Header *M,int m); //输出每个每台机器处理的工作序号数int SelectMin(Header *M,int m); //分配作业时选取机器函数;void solve(Header *head,Job*job,int n,int m); //作业分配函数;int m,n;cout<<"\t\t《多机调度问题》\n";cout<<"请输入机器台数m:";cin>>m;Header *head=new Header [m]; //动态构建数组结构体,用于记录机器的作业时间;cout<<"请输入作业个数n:";cin>>n;Job *job=new Job [n]; //动态构建作业的数组结构体;cout<<"\n请按序号输入每个作业调度所需时间time:";for(int i=0;i<n;i++){cin>>job[i].time;job[i].ID=i;}QuickSort(job,0,n-1); //作业排序outSort(job,n); //输出排序solve(head,job,n,m); //作业分配display(head,m); //输出分配cout<<endl<<endl;return 0;}int SelectMin(Header* M,int m) //选择s最小的机器序号k;{int k=0;for(int i=1;i<m;i++){if(M[i].s<M[k].s)k=i; //k记录S最小的序号;}return k;}void QuickSort(Job *job,int left,int right) //小到大,排序{int middle=0,i=left,j=right;Job itemp;middle=job[(left+right)/2].time;do{while((job[i].time>middle)&&(i<right))i++;while((job[j].time<middle)&&(j>left))j--;if(i<=j){itemp=job[j];job[j]=job[i];job[i]=itemp;i++;j--;}}while(i<=j);if(left<j)QuickSort(job,left,j);if(right>i)QuickSort(job,i,right);}void display(Header *M,int m) //作业分配输出函数;{JobNode *p;for(int i=0;i<m;i++){cout<<"\n第"<<i<<"台机器上处理的工作序号:";if(M[i].next==0)continue;p=M[i].next;do{cout<<p->ID<<' ';p=p->next;}while(p!=0);}}void outSort(Job *job,int n) //作业时间由大到小排序后输出函数;{cout<<"\n按工作时间由大到小为:\n时间:\t";for(int i=0;i<n;i++)cout<<setw(4)<<job[i].time;cout<<"\n序号:\t";for( i=0;i<n;i++)cout<<setw(4)<<job[i].ID;}void solve(Header *head,Job*job,int n,int m) //作业分配函数;{int k;for(int i=0;i<m&&i<n;i++){JobNode *jobnode=new JobNode;jobnode->time=job[i].time;jobnode->ID=job[i].ID;jobnode->next=0;head[i].s=jobnode->time;head[i].next=jobnode;}if(i<=m) //n<m的情况续处理;{for(i;i<m;i++){head[i].s=0;head[i].next=0;}}if(n>m){for(i;i<n;i++){JobNode *p;JobNode *jobnode=new JobNode;jobnode->time=job[i].time;jobnode->ID=job[i].ID;jobnode->next=0;k=SelectMin(head,m);p=head[k].next;head[k].s+=jobnode->time;while(p->next!=0)p=p->next;p->next=jobnode;}}}运行结果:提高题一:用贪心算法求解最小生成树一、实验要求与目的1、熟悉贪心算法的基本原理与适用范围。

贪心算法求解多机调度问题

贪心算法求解多机调度问题

多机调度问题一、 问题描述设有n个独立的作业{1,2,…,n},由m台相同的机器进行加工处理。

作业i所需的处理时间为t i。

现约定,任何作业可以在任何一台机器上加工处理,但未完工前不允许中断处理,任何作业不能拆分成更小的子作业。

要求给出一种作业调度方案,使所给的n个作业在尽可能短的时间内由m台机器加工处理完成。

二、 问题分析这是一个NP完全问题,到目前为止还没有有效的解法。

本报告根据教材指导及实践经验,采用贪心算法进行分析求解,并进行简单评估。

使用贪心算法,能避免许多复杂的子问题分析,便于直观地剖析主要问题。

在选择贪心算法的基础上,进一步地,我们采用最长处理时间作业优先的贪心选择策略,以求设计出解多机调度问题的较好的近似算法。

预期效果:根据最长处理时间作业优先的原则,理应能够得出直观下比较高效的输出结果。

三、算法设计与分析1.算法输入和输出输入:作业数n,机器数m,作业i对应的处理时间t i(t i在测试时用一个一维数组time表示)输出:总耗费时间2.算法说明最长处理时间作业优先的贪心算法,顾名思义,就是将目前还未被处理的且需要处理时间最长的作业,分配给最先空闲的机器,直到分配完所有的作业为止。

3.算法描述(1)(处理1):当n≤m时,只要将机器i的[0,t i]时间区间分配给作业i即可。

(2)(处理2):当n>m时:i.先将耗时最长的m个作业依次分配给m个机器ii.沿着时间轴,寻找最先得到空闲的机器。

将还未被处理且需要处理时间最长的那个作业分配给此机器iii.重复上一步直到所有作业都被处理完毕4.算法分析当n≤m时,算法需要O(1)时间。

当n>m时,算法需要O(nlogn)时间。

四、算法流程图输入是否n≤m处理1 处理2输出图4-1 多机调度算法流程图五、测试数据及其结果分析1.测试数据当输入n=7, m=3, time={2,14,4,16,6,5,3}时(教材示例),经历处理2,输出结果为17 当输入n=7, m=3, time={4,5,13,9,4,11,2}时,经历处理2,输出结果为20当输入n=18, m=3, time={1,1,2,2,3,3,4,4,5,5,6,6,7,7,8,8,9,9}时,经历处理2,输出结果为33当输入n=3, m=3, time={2,3,5}时,经历处理1,输出结果为52.结果分析观察可知,贪心算法解此问题,比直观感受要更高效。

分支限界法求解批作业处理调度问题的实验总结(一)

分支限界法求解批作业处理调度问题的实验总结(一)

分支限界法求解批作业处理调度问题的实验总结(一)前言本文将介绍分支限界法在求解批作业处理调度问题中的实验结果,并总结这种方法在实践中的应用效果。

批作业处理调度问题是一个经典的优化问题,通过引入分支限界法求解,可以有效提高求解效率。

正文问题描述批作业处理调度问题是将一批作业分配给多台处理机,使得总完成时间最短。

每个作业有一个处理时间,各个处理机的处理速度可能不同,且每个处理机同时只能处理一项作业。

问题的目标就是找到一个合适的作业分配方案,使得总完成时间最小。

分支限界法原理分支限界法是一种优化算法,通过不断剪枝和界限约束,逐步地搜索最优解。

在批作业处理调度问题中,分支限界法的基本思想是将问题划分为子问题,并通过计算每个子问题的上界,动态地选择优先搜索的分支。

本次实验选取了一批作业和多台处理机,随机生成了作业的处理时间和处理机的处理速度。

利用分支限界法和贪心算法分别求解了批作业处理调度问题,并比较了两者的求解效果。

实验结果实验结果显示,分支限界法在求解批作业处理调度问题时表现出了较高的效率和准确性。

与贪心算法相比,分支限界法能够找到更优的作业分配方案,并且所需的计算时间相对较短。

实际应用分支限界法在实际生产中广泛应用于调度问题的求解。

无论是生产线的作业调度、机器设备的任务分配,还是人员的排班安排,都可以通过分支限界法来优化求解。

其高效的搜索方式和较好的求解结果使其成为一种实用的求解方案。

结尾通过本次实验,我们验证了分支限界法在求解批作业处理调度问题中的有效性。

分支限界法不仅能够在较短的时间内找到较优的解决方案,而且还可以应用于各种实际的调度问题。

希望通过本文的介绍,能够增加对分支限界法的了解和认识,并促进其在实际应用中的推广和应用。

为了求解批作业处理调度问题,我们使用了分支限界法和贪心算法两种方法进行对比。

首先,我们随机生成了一批作业和多台处理机。

每个作业的处理时间和每台处理机的处理速度也随机生成。

这样可以模拟实际情况中作业的不同耗时和处理机的不同处理能力。

贪心算法:任务调度问题

贪心算法:任务调度问题

数据结构课程设计报告贪心算法:任务调度问题专业计算机科学与技术(软件工程)学生姓名陈亮班级BM计算机091学号**********指导教师吴素芹起止日期2011.1.10-2011.1.14***********目录1简介 (1)2算法说明 (2)3测试结果 (2)4分析与探讨 (8)5小结 (11)参考文献 (11)附录 (12)附录1 源程序清单 (12)贪心算法1 简介贪心算法通过一系列的选择来得到一个问题的解。

它所做的每一个选择都是当前状态下某种意义的最好选择,即贪心选择。

希望通过每次所做的贪心选择导致最终结果是问题的一个最优解。

这种启发式的策略并不总奏效,然而许多情况下确能达到预期的目的。

下面来看一个找硬币的例子。

假设有四种面值的硬币:一分、两分、五分和一角。

现在要找给某顾客四角八分钱。

这时,一般都会拿出四个一角、一个五分、一个两分和一个一分的硬币递给顾客。

这种找硬币的方法与其他的方法相比,它所给出的硬币个数是最少的。

在这里,就是下意思的使用了贪心算法(即尽可能地先考虑大币值的硬币)。

贪心算法并不是从整体最优加以考虑,它所做出的选择只是局部最优选择。

一些问题中,使用贪心算法得到的最后结果并不是整体的最优解,这时算法得到的是一次最优解(Suboptimal Solution)。

在上述的问题中,使用贪心算法得到的结果恰好就是问题整体的最优解。

对于一个具体的问题,怎么知道是否可用贪心算法来解此问题,以及能否得到问题的一个最优解呢?这个问题很难给予肯定的回答。

但是,许多可以用贪心算法求解的问题中一般具有两个重要的性质:贪心选择性质和最优子结构性质。

所谓贪心选择性质是指所求问题的整体最优解可以通过一系列局部最优的选择即贪心选择来达到,这是贪心算法可行的第一个基本要素。

对于一个具体问题,要确定它是否具有贪心选择性质,必须证明每一步所做的贪心选择最终将会得到问题的一个整体最优解。

首先考察问题的一个整体最优解,并证明可修改这个最优解,使其以贪心选择开始。

java贪心算法几个经典例子

java贪心算法几个经典例子

java贪心算法几个经典例子
1. 零钱兑换问题
给定面额为1、5、10、25的硬币,以及一个需要兑换的金额,问最少需要多少硬币才能兑换成功。

解法:每次选择面额最大的硬币兑换,直到兑换完毕为止。

2. 分糖果问题
有m个糖果,要分给n个孩子,每个孩子至少分到一个糖果,且每个孩子分到的糖果数应尽量相近,求最小的糖果差。

解法:将m个糖果按照大小排序,依次将糖果分给n个孩子,每次将糖果分给最少的孩子。

3. 区间覆盖问题
给定多个区间,问最少需要选多少个区间才能覆盖全集。

解法:每次选择与当前未被覆盖的部分交集最大的区间添加到答案中,直到所有部分被覆盖完毕为止。

4. 任务调度问题
有n个任务需要完成,每个任务需要占用不同的时间,同时每个任务都有一个
最后期限,问如何调度任务才能最大程度地避免超时。

解法:将所有任务按照最后期限排序,依次将任务安排到最后期限之前的最近空闲时间点,尽量将任务时间安排得紧凑。

贪心算法(一)——区间调度问题

贪心算法(一)——区间调度问题

贪⼼算法(⼀)——区间调度问题什么是贪⼼算法呢?贪⼼算法可以认为是动态规划算法的⼀个特例,相⽐动态规划,使⽤贪⼼算法需要满⾜更多的条件(贪⼼选择性质),但是效率⽐动态规划要⾼。

⽐如说⼀个算法问题使⽤暴⼒解法需要指数级时间,如果能使⽤动态规划消除重叠⼦问题,就可以降到多项式级别的时间,如果满⾜贪⼼选择性质,那么可以进⼀步降低时间复杂度,达到线性级别的。

贪⼼算法需要满⾜:贪⼼选择性选择的贪⼼策略必须⽆后效性,即某个状态以前的过程不会影响以后的状态看,只与当前状态有关。

适⽤条件:局部最优解能⽣成全局最优解。

最优⼦结构什么是贪⼼选择性质呢,简单说就是:每⼀步都做出⼀个局部最优的选择,最终的结果就是全局最优。

注意哦,这是⼀种特殊性质,其实只有⼀⼩部分问题拥有这个性质。

⽐如你⾯前放着 100 张⼈民币,你只能拿⼗张,怎么才能拿最多的⾯额?显然每次选择剩下钞票中⾯值最⼤的⼀张,最后你的选择⼀定是最优的。

然⽽,⼤部分问题都明显不具有贪⼼选择性质。

⽐如打⽃地主,对⼿出对⼉三,按照贪⼼策略,你应该出尽可能⼩的牌刚好压制住对⽅,但现实情况我们甚⾄可能会出王炸。

这种情况就不能⽤贪⼼算法,⽽得使⽤动态规划解决,参见前⽂ 。

⼀、问题概述⾔归正传,本⽂解决⼀个很经典的贪⼼算法问题 Interval Scheduling(区间调度问题)。

给你很多形如[start,end]的闭区间,请你设计⼀个算法,算出这些区间中最多有⼏个互不相交的区间。

int intervalScheduling(int[][] ints) {}举个例⼦,intvs=[[1,3],[2,4],[3,6]],这些区间最多有两个区间互不相交,即[[1,3],[3,6]],你的算法应该返回 2。

注意边界相同并不算相交。

这个问题在⽣活中的应⽤⼴泛,⽐如你今天有好⼏个活动,每个活动都可以⽤区间[start,end]表⽰开始和结束的时间,请问你今天****最多能参加⼏个活动呢?⼆、贪⼼解法这个问题有许多看起来不错的解决思路,实际上都不能得到正确答案。

假设有4个作业j1、j2、j3和j4,到达时间分别为0、1、1和3,运行时间分别为3、3、2和

假设有4个作业j1、j2、j3和j4,到达时间分别为0、1、1和3,运行时间分别为3、3、2和

假设有4个作业j1、j2、j3和j4,到达时间分别为0、1、1和3,运行时间分别为3、3、2和
本文主要介绍四个作业j1、j2、j3和j4的短程调度,根据其到达时
间和运行时间来分析贪婪算法,提出调度问题的解决方案。

一、四个作业j1、j2、j3和j4的短程调度
1. 四个作业的详细参数
以上四个作业的基本参数情况如下表所示:
| 作业 | 到达时间(t) | 运行时间(cpu) |
| :-----: | :-----------: | :------------: |
| j1 | 0 | 3 |
| j2 | 1 | 3 |
| j3 | 1 | 2 |
| j4 | 3 | 2 |
2. 贪婪算法的实施
在贪婪算法的实施,将作业按照到达时间以及运行时间一次进行排序,按照“到达时间先小后大,同到达时间即运行时间先小后大”的原则,
选择到达时间最短且花费cpu时间最短的作业,依次进行调度或运行,即j1,j3,j2,j4.
三、贪婪算法的总结
通过以上分析,可以得出用贪婪算法解决作业调度问题的总结:
1. 对于多个作业问题,可以根据作业的到达时间和运行时间,按照时间的先后顺序进行排序,依次选出最少用时的作业进行调度;
2. 对于每个作业问题,可以采用贪婪算法进行,以期达到最小的花费总时数,即时间的最优利用。

综上所述,用贪婪算法解决作业调度问题非常有效,可以让我们找到最优解,而且算法本身比较容易实现,使用起来效果比较好,可以满足不断变化的条件下多作业的解决方案,特别是多作业间有关联的短程作业调度问题的求解。

算法分析期末考试集答案(套)

算法分析期末考试集答案(套)

算法分析期末考试集答案(套)《算法分析与设计》⼀、解答题 1. 机器调度问题。

问题描述:现在有n 件任务和⽆限多台的机器,任务可以在机器上得到处理。

每件任务的开始时间为s i ,完成时间为f i ,s i问题实例:若任务占⽤的时间范围是{[1,4],[2,5],[4,5],[2,6],[4,7]},则按时完成所有任务最少需要⼏台机器?(提⽰:使⽤贪⼼算法)画出⼯作在对应的机器上的分配情况。

2. 已知⾮齐次递归⽅程:f (n)bf (n 1)g(n)f (0)c =-+??=? ,其中,b 、c 是常数,g(n)是n 的某⼀个函数。

则f(n)的⾮递归表达式为:nnn i i 1f (n)cb b g(i)-==+∑。

现有Hanoi 塔问题的递归⽅程为:h(n)2h(n 1)1h(1)1=-+??=? ,求h(n)的⾮递归表达式。

解:利⽤给出的关系式,此时有:b=2, c=1, g(n)=1, 从n 递推到1,有:n 1n 1n 1i i 1n 1n 22n h(n)cbb g(i)22 (22121)----=--=+=+++++=-∑3. 单源最短路径的求解。

问题的描述:给定带权有向图(如下图所⽰)G =(V,E),其中每条边的权是⾮负实数。

另外,还给定V 中的⼀个顶点,称为源。

现在要计算从源到所有其它各顶点的最短路长度。

这⾥路的长度是指路上各边权之和。

这个问题通常称为单源最短路径问题。

解法:现采⽤Dijkstra 算法计算从源顶点1到其它顶点间最短路径。

请将此过程填⼊下表中。

4. 请写出⽤回溯法解装载问题的函数。

装载问题:有⼀批共n 个集装箱要装上2艘载重量分别为c1和c2的轮船,其中集装箱i 的重量为wi ,且121nii w c c=≤+∑。

装载问题要求确定是否有⼀个合理的装载⽅案可将这n 个集装箱装上这2艘轮船。

如果有,找出⼀种装载⽅案。

解:void backtrack (int i){// 搜索第i 层结点if (i > n) // 到达叶结点更新最优解bestx,bestw;return; r -= w[i];if (cw + w[i] <= c) {// 搜索左⼦树43 2 1 100 30 maxint10 - {1} 初始 dist[5] dist[4] dist[3] dist[2] u S 迭代x[i] = 1;cw += w[i];backtrack(i + 1);cw -= w[i]; }if (cw + r > bestw) {x[i] = 0; // 搜索右⼦树backtrack(i + 1); }r += w[i];}5. ⽤分⽀限界法解装载问题时,对算法进⾏了⼀些改进,下⾯的程序段给出了改进部分;试说明斜线部分完成什么功能,以及这样做的原因,即采⽤这样的⽅式,算法在执⾏上有什么不同。

多机调度问题贪心算法python代码

多机调度问题贪心算法python代码

多机调度问题贪心算法python代码多机调度问题是一种经典的优化问题,它的目标是在多台机器上完成一组任务,使得任务完成时间最短。

贪心算法是求解这个问题的一种有效方法。

贪心算法的基本思想是每次选择当前最优的解决方案,直到达到全局最优解。

在多机调度问题中,我们可以采用以下贪心策略来求解:1. 将所有任务按照完成时间从小到大排序。

2. 将第一个任务分配给第一台机器。

3. 对于剩余的任务,将其分配给当前完成时间最早的机器。

4. 重复步骤3直到所有任务都被分配完毕。

下面是使用Python实现多机调度问题贪心算法的代码:```pythondef schedule(tasks, m):# 按照完成时间从小到大排序tasks.sort(key=lambda x: x[1])# 初始化每台机器的完成时间为0machines = [0] * m# 分配任务for task in tasks:# 找到当前完成时间最早的机器min_time = machines[0]min_machine = 0for i in range(1, m):if machines[i] < min_time:min_time = machines[i]min_machine = i# 将任务分配给该机器并更新其完成时间machines[min_machine] += task[0]# 返回完成时间最晚的机器的完成时间return max(machines)```该代码中,tasks是一个元素为元组的列表,每个元组表示一个任务,第一个元素为任务的处理时间,第二个元素为任务的完成时间。

m表示机器的数量。

我们可以使用以下代码来测试该函数:```pythontasks = [(2, 6), (3, 7), (4, 8), (4, 9), (5, 10)]m = 3print(schedule(tasks, m))```输出结果为:```12```这表示将这些任务分配给3台机器后,完成所有任务需要的最短时间为12。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
try {
System.out.println("请输入机器个数:");
int jiqigeshu=Integer.parseInt(br.readLine());
System.out.println("请输入作业个数:");
int zuoyegeshu=Integer.parseInt(br.readLine());
Jiqi jiqi;
Zuoye zuoye;
for(int i=0;i<jiqigeshu;i++)
{
jiqi=new Jiqi(i+1);
jiqiManger.addjiqi(jiqi);
}
for(int i=0;i<zuoyegeshu;i++)
{
int haoshi;
Scanner sc=new Scanner(System.in);
}
public int getId()
{
return this.id;
}
public void addzuoye(Zuoye zuoye)
{
this.al.add(zuoye);
this.zongshaoshi+=zuoye.getHaoshi();
}
public ArrayList<Zuoye> getZuoye()
{
return this.al;
}
public int getZonghaoshi()
{
return this.zongshaoshi;
}
}
class ZuoyeManger{
ArrayList<Zuoye> zuoye=new ArrayList<Zuoye>();
public void addzuoye(Zuoye zuoye)
Start start=new Start(jiqigeshu, zuoyegeshu);//指明有几台机器以及几道作业
start.show();//显示每台机器都有哪些作业
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
{
al=jiqiManger.getjiqi(i+1).getZuoye();
System.out.print(i+1+"号机器包含的作业有:{");
for(int j=0;j<al.size();j++)
{
if(j==(al.size()-1))
System.out.println(al.get(j).getId()+"号作业}");
{
this.zuoye.add(zuoye);
}
public void paixu()
{
Object[] temp=this.zuoye.toArray();
for(int i=0;i<temp.length-1;i++)
for(int j=i+1;j<temp.length;j++)
{
if(((Zuoye)temp[i]).getHaoshi()<((Zuoye)temp[j]).getHaoshi())
public class Duojidiaodu {
public static void main(String[] args) {
// TODO Auto-generated method stub
BufferedReader br=new BufferedReader(new InputStreamReader(System.in));
{
return this.zuoye.get(index);
}
}
class Zuoye{
private int id;
private int haoshi;
public Zuoye(int id , int haoshi ) {
this.id=id;
this.haoshi=haoshi;
}
public int getHaoshi()
}finally{
if(br!=null)
try {
br.close();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}
}
class JiqiManger{
ArrayList<Jiqi> al=new ArrayList<Jiqi>();
public void addjiqi(Jiqi jiqi)
{
this.al.add(jiqi);
}
public Jiqi getjiqi(int id)
{
for(int i=0;i<this.al.size();i++)
{
if(this.al.get(i).getId()==id)
{
return this.al.get(i);
}
private void fenfa()
{
int index=0;
for(int i=0;i<this.jiqigeshu;i++)
{
jiqiManger.getjiqi(i+1).addzuoye(zuoyeManger.getZuoye(index++));
}
while(index<this.zuoyegeshu)
}ቤተ መጻሕፍቲ ባይዱ
}
return null;
}
}
class Jiqi{
private int id;
private ArrayList<Zuoye> al;
private int zongshaoshi;
public Jiqi(int id) {
this.id=id;
al=new ArrayList<Zuoye>();
package com.test;
import java.io.BufferedReader;
import java.io.IOException;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.Scanner;
else
System.out.print(al.get(j).getId()+"号作业,");
}
}
}
}
{
min=jiqiManger.getjiqi(i+1).getZonghaoshi();
minindex=i+1;
}
}
return jiqiManger.getjiqi(minindex);
}
public void show(){
ArrayList<Zuoye> al=null;
for(int i=0;i<this.jiqigeshu;i++)
{
if(this.jiqiManger.getjiqi(1)==null)
return null;
int min=jiqiManger.getjiqi(1).getZonghaoshi();
int minindex=1;
for(int i=1;i<this.jiqigeshu;i++)
{
if(jiqiManger.getjiqi(i+1).getZonghaoshi()<min)
{
Zuoye zuoye=(Zuoye)temp[i];
temp[i]=temp[j];
temp[j]=zuoye;
}
}
this.zuoye.clear();
for(int i=0;i<temp.length;i++)
this.zuoye.add(((Zuoye)temp[i]));
}
public Zuoye getZuoye(int index)
public Start(int jiqigeshu , int zuoyegeshu) {
jiqiManger=new JiqiManger();
zuoyeManger=new ZuoyeManger();
this.jiqigeshu=jiqigeshu;
this.zuoyegeshu=zuoyegeshu;
System.out.println("请输入第"+(i+1)+"号作业的时间:");
haoshi=sc.nextInt();
zuoye=new Zuoye(i+1, haoshi);
zuoyeManger.addzuoye(zuoye);
}
this.zuoyeManger.paixu();
this.fenfa();
{
if(this.getJiqi()==null)
{
System.out.println("对不起,没有机器可以分发作业!");
break;
}
this.getJiqi().addzuoye(zuoyeManger.getZuoye(index++));
相关文档
最新文档