leetcode 扫描线专题 06-leetcode.253 meeting room ii 力扣.253 会议室 II

扫描线专题

leetcode 数组专题 06-扫描线算法（Sweep Line Algorithm）

leetcode 数组专题 06-leetcode.218 the-skyline-problem 力扣.218 天际线问题

leetcode 数组专题 06-leetcode.252 meeting room 力扣.252 会议室

leetcode 数组专题 06-leetcode.253 meeting room ii 力扣.253 会议室 II

题目

给你一个会议时间安排的数组 intervals ，每个会议时间都会包括开始和结束的时间 intervals[i] = [starti, endi] ，返回 所需会议室的最小数量 。

示例 1：

输入：intervals = [[0,30],[5,10],[15,20]]
输出：2

示例 2：

输入：intervals = [[7,10],[2,4]]
输出：1

提示：

1 <= intervals.length <= 10^4

0 <= starti < endi <= 10^6

整体思路

一般这种区间的题目，常见的有下面的解决方案：

1. 暴力
2. 排序
3. 扫描线
4. 优先队列

不过这个感觉暴力不是很实用，不排序的话时间顺序无法确定，会导致结果不正确。

v1-排序

思路

会议的开始/结束时间，分别放在 2 个数组。然后对比。

如果不使用优先队列（最小堆），而是只通过 排序 和 直接对比 来实现最小会议室数，思路可以是这样的：

1. 排序：首先按照会议的开始时间排序，然后再按结束时间排序。

2. 模拟会议室的分配：

   • 在同一时刻，检查所有已安排的会议室是否有空余的。具体来说，当一个会议开始时，检查是否有会议已经结束（通过结束时间来判断）。如果有空余的会议室，就可以复用该会议室，否则需要额外增加一个会议室。
   • 通过维护一个结束时间列表来跟踪当前所有会议的结束时间。

3. 直接比较：

   • 对于每个会议，通过扫描结束时间列表判断是否有会议结束。如果有，则将其结束时间更新为当前会议的结束时间；如果没有结束的会议，说明需要增加一个新的会议室。

代码实现：

我们不使用优先队列，直接通过两个数组来实现。

1. 排序会议的开始时间。
2. 通过一个循环遍历会议，来模拟每次会议的安排过程。

代码实现：

import java.util.*;

public class MeetingRoomsII {
    public static int minMeetingRooms(int[][] intervals) {
        if (intervals.length == 0) {
            return 0;
        }

        int n = intervals.length;

        // Step 1: Create two arrays to store the start and end times
        int[] startTimes = new int[n];
        int[] endTimes = new int[n];

        for (int i = 0; i < n; i++) {
            startTimes[i] = intervals[i][0];
            endTimes[i] = intervals[i][1];
        }

        // Step 2: Sort both start and end times
        Arrays.sort(startTimes);
        Arrays.sort(endTimes);

        int roomCount = 0;
        int endIndex = 0;

        // Step 3: Process each meeting one by one
        for (int i = 0; i < n; i++) {
            // If the current meeting starts after or when a meeting ends, reuse the room
            // 如果这一次开始时间在上一次的结束之后，则可以复用房间
            if (startTimes[i] >= endTimes[endIndex]) {
                // Reuse the room: move the endIndex to the next meeting
                endIndex++;
            } else {
                // If no room is available, we need a new one
                roomCount++;
            }
        }

        // The room count will be the number of rooms we need
        return roomCount + 1; // We need at least one room
    }
}

代码解释：

1. 排序：

   • 我们将所有的会议的开始时间和结束时间分别存入 startTimes 和 endTimes 数组，并对这两个数组进行排序。这样，我们可以确保在处理会议时，始终按顺序处理会议的开始和结束时间。

2. 直接对比：

   • 我们使用一个 endIndex 变量来跟踪当前最早结束的会议的结束时间。
   • 对于每个会议（按开始时间顺序），我们判断它是否可以复用当前已经结束的会议室：即，当前会议的开始时间是否大于等于最早结束会议的结束时间。如果可以复用，我们将 endIndex 移动到下一个结束的会议；如果不能复用，则说明需要一个新的会议室。
   • roomCount 用于记录会议室的数量。

3. 返回值：

   • 最终返回 roomCount + 1，因为我们至少需要一个会议室来安排第一个会议。

v2-扫描线

思路

使用 扫描线算法 来解决 Leetcode 253 - 会议室 II 的问题，是一种非常巧妙且高效的方法。

这个方法的核心思想是将所有的会议事件（开始和结束）转化为事件点，然后按时间顺序处理这些事件，模拟会议室的使用情况。

思路：

1. 事件拆分：对于每个会议 interval[i] = [starti, endi]，我们将其拆解为两个事件：

   • 开始事件：表示一个新的会议室被占用。
   • 结束事件：表示一个会议室被释放。

2. 排序事件：所有的事件按时间进行排序。需要注意：

   • 开始事件：在相同的时间点，会议的开始需要比结束事件优先处理。这是因为，如果两个会议同时开始和结束，我们希望优先安排新的会议，而不是释放会议室。

3. 扫描处理事件：扫描这些排序后的事件，使用一个变量来记录当前同时进行的会议室数量，并更新最大会议室数量。

   • 遇到开始事件，会议室数增加。
   • 遇到结束事件，会议室数减少。
4. 最大会议室数：扫描过程中维护一个 maxRooms 变量来记录需要的最大会议室数量。

详细步骤：

1. 将每个会议拆分成开始和结束两个事件。
2. 按照事件的时间进行排序，如果时间相同，则结束事件优先。
3. 扫描所有事件，计算同时进行的会议数量，得到最大值。

扫描线算法实现：

import java.util.*;

public class MeetingRoomsII {
    public static int minMeetingRooms(int[][] intervals) {
        if (intervals.length == 0) {
            return 0;
        }

        // Step 1: Create a list to store all events (start and end times)
        List<int[]> events = new ArrayList<>();
        for (int[] interval : intervals) {
            // Add start event
            events.add(new int[]{interval[0], 1});
            // Add end event
            events.add(new int[]{interval[1], -1});
        }

        // Step 2: Sort the events:
        // - First by time.
        // - If two events have the same time, prioritize end event (-1) over start event (1).
        events.sort((a, b) -> a[0] == b[0] ? Integer.compare(a[1], b[1]) : Integer.compare(a[0], b[0]));

        // Step 3: Scan the events and maintain the number of meeting rooms in use.
        int maxRooms = 0;
        int roomsInUse = 0;

        for (int[] event : events) {
            // Update the number of rooms in use
            roomsInUse += event[1];

            // Update the maximum number of rooms needed
            maxRooms = Math.max(maxRooms, roomsInUse);
        }

        return maxRooms;
    }
}

代码解释：

1. 事件转换：

   • 对于每个会议 interval[i] = [starti, endi]，我们生成两个事件：一个是开始事件 starti，表示需要一个会议室；另一个是结束事件 endi，表示释放一个会议室。
   • 我们用 1 表示开始事件，用 -1 表示结束事件，这样在事件排序时可以通过 -1 优先处理结束事件，确保结束会议时会议室被释放。

2. 排序事件：

   • 首先根据时间排序。如果时间相同，我们优先处理结束事件（-1），因为如果两个会议同时开始和结束，我们希望先释放会议室，再开始新的会议。

3. 扫描事件：

   • 初始化 roomsInUse 变量来记录当前正在使用的会议室数量。
   • 遍历所有排序后的事件，每次遇到开始事件（1），就增加 roomsInUse；每次遇到结束事件（-1），就减少 roomsInUse。
   • 同时，维护一个 maxRooms 变量来记录 roomsInUse 的最大值，即最大会议室数量。

时间复杂度：

• 事件拆分：我们有 N 个会议，每个会议生成两个事件，因此总共有 2N 个事件，时间复杂度是 O(N)。
• 排序：排序事件的时间复杂度是 O(2N log(2N))，也就是 O(N log N)。
• 扫描：扫描事件的时间复杂度是 O(2N)，也就是 O(N)。

因此，总的时间复杂度是 O(N log N)，主要由排序操作主导。

空间复杂度：

• 需要一个大小为 2N 的列表来存储事件，空间复杂度是 O(N)。

小结

感觉扫描线挺有趣的，下一个系列我们就来学习一下这个扫描线专题算法。

V3-优先级队列（最小堆）

思路：

最小堆可以用来模拟会议室的动态分配，我们将会议的结束时间视为会议室的 "可用时间"，利用堆来维护当前所有已分配的会议室的结束时间。

1. 排序会议的开始时间：首先，我们将所有会议按照 开始时间 排序，这样可以按顺序处理会议。

2. 使用最小堆：我们使用一个最小堆来维护所有已分配会议室的结束时间。堆顶元素表示最早结束的会议。

   • 如果当前会议的开始时间大于或等于堆顶元素的结束时间，说明当前会议可以复用堆顶的会议室。此时，弹出堆顶元素（即释放一个会议室），并将当前会议的结束时间加入堆中。
   • 如果当前会议的开始时间小于堆顶元素的结束时间，说明需要新分配一个会议室，此时将当前会议的结束时间加入堆中。
3. 堆的大小：堆的大小即为当前所需的会议室数，最终堆的大小就是我们所需的最小会议室数。

代码

import java.util.*;

public class MeetingRoomsII {
    public static int minMeetingRooms(int[][] intervals) {
        if (intervals.length == 0) {
            return 0;
        }

        // Step 1: Sort the meetings in increasing order of start time
        Arrays.sort(intervals, (a, b) -> Integer.compare(a[0], b[0]));

        // Step 2: Create a min-heap to track the end times of meetings
        PriorityQueue<Integer> minHeap = new PriorityQueue<>();

        // Step 3: Add the first meeting's end time to the heap
        minHeap.offer(intervals[0][1]);

        // Step 4: For all the remaining meetings
        for (int i = 1; i < intervals.length; i++) {
            // If the meeting can reuse the room, pop the earliest ending meeting
            if (intervals[i][0] >= minHeap.peek()) {
                minHeap.poll();
            }

            // Add the current meeting's end time to the heap
            minHeap.offer(intervals[i][1]);
        }

        // Step 5: The size of the heap is the minimum number of meeting rooms required
        return minHeap.size();
    }
}

代码解释

1. 排序会议开始时间：

   • 我们首先按照会议的 开始时间 对会议进行排序。这样可以确保我们处理会议时，总是按开始时间的顺序来安排会议室。

2. 最小堆（优先队列）：

   • 使用一个最小堆来维护已分配的会议室的结束时间。最小堆的堆顶始终是当前最早结束的会议。
   • 每当一个新会议到来时，我们检查当前会议的开始时间是否大于等于堆顶的结束时间，如果是，则可以复用一个会议室，弹出堆顶并将新会议的结束时间加入堆中。如果不能复用，则需要一个新的会议室，将新会议的结束时间加入堆中。

3. 堆的大小：

   • 最后，堆的大小即为所需的最小会议室数，因为堆的每个元素表示一个正在使用的会议室，堆的大小就是会议室的数量。

时间复杂度：

• 排序：排序会议的开始时间的时间复杂度是 O(N log N)，其中 N 是会议的数量。
• 堆操作：我们需要遍历所有会议，对于每个会议执行 poll 和 offer 操作，这两个操作的时间复杂度是 O(log N)。
• 因此，总的时间复杂度是 O(N log N)，主要由排序和堆操作主导。

空间复杂度：

• 空间复杂度为 O(N)，用于存储堆中的会议室结束时间。最坏情况下，所有会议都需要一个单独的会议室，堆的大小为 N。

本题中最小堆到底解决了什么问题？

1. 会议室的结束时间是关键

每个会议都有一个 结束时间，我们只关心是否可以复用已分配的会议室。

复用的前提是当前会议的 开始时间 要晚于或等于某个会议室的 结束时间。

• 如果当前会议的 开始时间 start[i] 大于等于某个会议室的 结束时间 end[j]，说明该会议室在当前时刻空闲，可以被复用。
• 否则，我们就需要为当前会议分配一个新的会议室。

2. 为什么使用最小堆？

最小堆 的特点是能够在 O(log N) 时间复杂度内找出堆顶元素（最小值）。

在本题中，我们使用最小堆来保持当前正在使用的会议室的结束时间，并始终保持堆顶是最早结束的会议室。

这样可以确保我们每次都能优先复用最早结束的会议室。

如何利用最小堆来解决问题？

最小堆的关键作用是帮助我们高效地跟踪并更新最早结束的会议室：

• 添加会议室：每当我们遇到一个新的会议时，我们将当前会议的结束时间加入堆中。

• 检查复用：每次处理一个新的会议时，我们检查堆顶元素（即最早结束的会议室的结束时间）：

  • 如果当前会议的开始时间大于或等于堆顶的结束时间，则说明我们可以复用这个会议室，弹出堆顶元素，并将新的会议结束时间加入堆。
  • 如果不能复用（即当前会议的开始时间小于堆顶的结束时间），则我们需要为当前会议分配一个新的会议室，将新会议的结束时间加入堆中。

4. 核心操作

• 堆顶元素的含义：堆顶元素表示当前最早结束的会议室的结束时间。

通过弹出堆顶元素，我们可以将该会议室释放出来，供下一次会议复用。

• 堆的大小：堆的大小即为当前所需要的会议室数，最终堆的大小即为最小会议室数量。

小结

这一题我们的暴力算法是不太行的通的。

整体下来就是几个主流思路：

1）排序+逻辑比较

2）排序+扫描线

3）排序+优先级队列

后面两个为我们引入了新的知识点：扫描线+优先级队列。

我们后面的专题就一起来学习一下。

开源地址

为了便于大家学习，所有实现均已开源。欢迎 fork + star~

https://github.com/houbb/leetcode