任务调度（离散化版本）

零、前言

昨天写了一篇文章《Leetcode 要封杀中文题解了》吐槽一下 leetcode。

当然，在别人的地盘上，自然需要按别人的规则做事。
所以 leetcode 那样做也没有错。

至于未来，是否在 leetcode 写英文的题解，我还没想好。
毕竟之前写中文是给国内人看的，写英文的话，那么多题解，别人为什么看我的呢？
这个我再想想。

一、背景

在《Leetcode 第 159 场比赛回顾》文章中提到，最后一题我花费了十几分钟使用动态规划过得。

PS：建议先去看看那道题的意思与题解。
这篇文章是上篇文章的扩展，顺便分享一些高级算法。

题意很简单，给一些时间区间，每个区间有一些奖金，求挑选一些不相交的区间，使得奖金最高。

常规思路也很简单，从最大时间开始递归。
1、选择当前结束时间，然后求选择区间后，之前时间的最优值。
2、不选择当前结束时间，则时间向前稍微偏移一点点，求之前这些时间的最优值。

对于这道题，特点就是时间范围特别大。
这就导致没办法像正规的动态规划那样递归了。

二、基本思路

简单分析后，可以发现其实不需要那么大的空间来储存所有时间范围。
我们只需要把所有的结束时间点储存下来就行了，这个只有几万个。

所以我第一个方法是使用时间的下标来当做状态，这样就只有几万个状态，可以储存下来了。

状态的空间问题解决了，接下来就是递归时怎么找到子问题下标了。

我的第一个方法是通过二分查找，log(n)的复杂度找到子问题下标，从而能够解决这道问题。

三、离散化

其实，面对状态非常大的问题，还有一个高级用法，那就是离散化。
离散化后，我们就可以通过下标的偏移来找到下一个状态了。

这种思想最经典的实践就是多个矩阵的周长与面积。
而理解了离散化的原理后，我们可以发现，凡是这种少数数据范围很大时，都可以用这种方法来压缩空间。

那怎么离散化呢？
其实很简单。

1、第一步统计所有的时间点。
2、第二步从小到大给每个时间点分配一个递增编号。

这样，我们就可以通过下标索引的操作，快速找到上一个时间点。

map<LL, int> timeToIndex; //时间离线化的编号
map<int, LL> indexToTime; //编号对应的时间

for(int i=0;i<l;i++){
    timeToIndex[startTime[i]] = 0;
    timeToIndex[endTime[i]] = 0;
}
int index = 0;
for(auto& p : timeToIndex){
    p.second = ++index;
    indexToTime[index] = p.first;
}

大概代码就想上面那样，使用map还是vector根据个人爱好来实现就行了。
以前我都用vector排序，现在更喜欢使用map。

离散化之后，数据量太大的问题就不存在了。
然后就是索引得到时间、时间得到下标，然后就可以转移状态了。

四、最后

这篇文章介绍的比较抽象了。
后面有机会与时间，会详细的讲解一下离散化。

如果有机会，这道题的另外一种做法也分享给大家，有缘再见吧。

-EOF-

本文公众号：天空的代码世界
个人微信号：tiankonguse
公众号ID：tiankonguse-code