Optimization 此面试问题的最佳解决方案

谁能提供具有时间复杂性的最佳解决方案？非常感谢

确定运行预定视频流所需的带宽。
可以有10个成千上万的流，并且所有的调度数据在开始时都可用。
没有流运行时可能存在时间间隔

投入

int startTime; //start time for the stream  
int duration; //how long the stream runs  
int bandwidth; // consumed bandwidth from start to end

输出：

list[int] totalBW; // bandwidth needed at every time instant

示例：
输入（列表可能未排序）

输出

[10, 20, 30]

解释

At time 0: only the first element needs bandwidth 10 =>  [10, ...]
At time 1: first two elements need bandwidth 10 + 10 => [10, 20, ...]
At time 2: the second and third element need bandwidth 10 + 20 => [10, 20, 30]

使用python的暴力方法：

def solution(streams):
    _max = max(streams, key=lambda x: (x[0]+x[1]))
    _max_time = _max[0] + _max[1] 
    res = [0] * _max_time
        
    for s, d, bw in streams:
        for i in range(d):
            res[s+i] += bw
    return res

有没有更有效的方法

有没有更有效的方法

对

第一步是将原始数据转换为一组“at time=T，带宽变化按N”事件，按时间顺序排序，并通过合并同时发生的事件来简化

例如，如果输入为

[[0,2,10]，[1,2,10]，[2,1,20]

，则将其分为：

** [ [0,2,10] **
    At 0, bandwidth += 10 
    At 2, bandwidth += -10

** [1,2,10] **
    At 1, bandwidth += 10
    At 3, bandwidth += -10

** [2,1,20] **
    At 2, bandwidth += 20
    At 3, bandwidth += -20

…然后进行排序和简化（合并同时发生的事件-例如，

带宽+=-10，带宽+=20

成为单个

带宽+=10

）以获得：

从这里，只需从排序列表生成最终数组：

 10, 20, 30, 0

为了理解为什么这更有效，想象一下如果以更高的精度跟踪时间（例如，可能是毫秒而不是秒），而输入是

[[02000,10]，[10002000,10]，[20001000,20]

会发生什么。在我的方法中，生成最终数组将成为一个包含4次迭代的外循环和一个内部循环，可以是高度优化的

memset（）

（C）或

rep stosd

（80x86汇编）或

np.full（）

（带numpython的Python）；对于您的方法，外循环需要30000次迭代，其中内循环浪费大量时间重复线性搜索（对于外循环的大多数迭代）以找到与前一次外循环迭代相同的答案

At 0, bandwidth += 10 
At 1, bandwidth += 10
At 2, bandwidth += 10
At 3, bandwidth += -30

 10, 20, 30, 0