FFD 算法,即首次适应递减算法(First Fit Decreasing),是一种用于解决装箱问题(Bin Packing Problem)的近似算法。装箱问题的目标是将一系列具有不同大小的物品,尽可能高效地装入有限容量的箱子中,使得使用的箱子数量最少。
在计算机科学和运筹学领域,装箱问题(Bin Packing Problem)是一个经典且具有实际应用价值的问题。该问题旨在将不同大小的物品合理地装入有限容量的箱子中,使得使用的箱子数量最少。
装箱问题在计算机科学和运筹学中有着广泛的应用场景,例如:
- 云资源分配中的虚拟机部署
- CDN流量调度规划
- 物流运输中的货物装载优化
- 内存管理中的内存块分配
FFD 算法基础
FFD 算法的核心思想分为两个主要步骤:
- 排序阶段:首先将所有待装箱的物品按照大小从大到小进行排序。这样做的目的是优先处理较大的物品,因为较大的物品在装箱时更难找到合适的空间,先处理它们可以减少后续小物品放置时的空间浪费。
- 装箱阶段:依次考虑排序后的每个物品,将其放入第一个能够容纳它的箱子中。如果当前没有箱子能够容纳该物品,则开启一个新的箱子来放置它。
算法复杂度分析
- 时间复杂度:排序阶段通常使用高效的排序算法(如快速排序),时间复杂度为 (O(n log n)),其中 n 是物品的数量。装箱阶段需要遍历每个物品并尝试将其放入合适的箱子中,时间复杂度为 (O(n^2))。因此,FFD 算法的总体时间复杂度为 (O(n^2))。
- 空间复杂度:主要的空间开销用于存储排序后的物品列表和箱子信息,空间复杂度为 (O(n))。
go 语言实现
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
| package main
import (
"fmt"
"sort"
)
// Bin 表示一个箱子,包含箱子的容量和已放置的物品列表
type Bin struct {
capacity int
items []int
}
// NewBin 创建一个新的箱子,初始容量为指定值
func NewBin(capacity int) *Bin {
return &Bin{
capacity: capacity,
items: []int{},
}
}
// Load 获取当前总负载(已使用容量)
func (b *Bin) Load() int {
total := 0
for _, item := range b.items {
total += item
}
return total
}
// AddItem 将一个物品添加到箱子中
func (b *Bin) AddItem(item int) bool {
if b.capacity >= item {
b.items = append(b.items, item)
b.capacity -= item
return true
}
return false
}
// FirstFitDecreasing 实现 FFD 算法
func FirstFitDecreasing(items []int, binCapacity int) []*Bin {
// 对物品按照大小从大到小排序
sort.Slice(items, func(i, j int) bool {
return items[i] > items[j]
})
bins := []*Bin{NewBin(binCapacity)}
for _, item := range items {
addNewOne := false
for _, bin := range bins {
if bin.AddItem(item) {
addNewOne = true
break
}
}
if addNewOne {
newBin := NewBin(binCapacity)
newBin.AddItem(item)
bins = append(bins, newBin)
}
}
return bins
}
|
以下是调用的示例:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
| func main() {
items := []int{5, 4, 7, 2, 3}
binCapacity := 10
bins := FirstFitDecreasing(items, binCapacity)
for i, bin := range bins {
fmt.Printf("Bin %d: Items %v, Remaining Capacity %d\n", i+1, bin.items, bin.capacity)
}
}
/*
输出结果:
Bin 1: Items [7 3], Remaining Capacity 0
Bin 2: Items [5 4], Remaining Capacity 1
Bin 3: Items [2], Remaining Capacity 8
*/
|
FFD 的变种改进
装箱更平均
原理:变种需要 在保证合理箱子数量的前提下尽可能均衡各箱子的负载。
正常的 FFD 一定是追求箱子最少的,也就是没有去追求平均。
需求:现在假设箱子总数是一定的, 需求是需要判断所有的物品能否放到这些箱子中,如果能放下,我需要物品尽可能的平均。
实现:
在算法中实现 BinHeap
最小堆的核心目的是为了高效地维护和选择当前负载最小的可用箱子,从而确保物品能够尽可能均匀地分配到所有箱子中。以下是详细的解释:
1. 问题本质
当需要将多个物品分配到固定数量的箱子时,想要实现「平均分配」,关键在于每次分配时选择当前负载最小的箱子。这样做可以:
- 避免某些箱子过早被填满
- 动态平衡各箱子的负载
- 最大化利用所有箱子的剩余容量
2. 传统方法的缺陷
如果使用普通数组存储箱子,每次分配物品时需要遍历所有箱子(时间复杂度为 O(k)
,k
是箱子数量)来找到负载最小的箱子。当箱子数量较大时,这种方法的效率会显著降低。
3. 最小堆的优势
为了快速找到容量最小的箱子这里使用了最小堆,最小堆(Priority Queue)的特性是能始终在 O(1)
时间内获取当前负载最小的箱子,并在 O(log k)
时间内完成堆结构的调整。这种数据结构完美契合了「动态选择负载最小箱子」的需求。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| type BinHeap []*Bin
func (h BinHeap) Len() int { return len(h) }
func (h BinHeap) Less(i, j int) bool {
return h[i].Load() < h[j].Load() // 按当前负载排序
}
func (h BinHeap) Swap(i, j int) { h[i], h[j] = h[j], h[i] }
func (h *BinHeap) Push(x interface{}) {
*h = append(*h, x.(*Bin))
}
func (h *BinHeap) Pop() interface{} {
old := *h
n := len(old)
x := old[n-1]
*h = old[0 : n-1]
return x
}
|
下面是利用最小堆进行平衡FFD的查找算法。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
|
func CanBalanceFirstFitDecreasing(items []int, binCapacity int, binCount int) (bool, []*Bin) {
// 预处理检查
totalVolume := 0
for _, item := range items {
if item > binCapacity { // 存在无法放入单个箱子的物品
return false, nil
}
totalVolume += item
}
if totalVolume > binCapacity*binCount { // 总体积超过总容量
return false, nil
}
// 初始化箱子
bins := make([]*Bin, binCount)
for i := 0; i < binCount; i++ {
bins[i] = &Bin{capacity: binCapacity}
}
// 降序排序物品
sort.Slice(items, func(i, j int) bool {
return items[i] > items[j]
})
// 使用最小堆管理箱子负载
h := make(BinHeap, binCount)
copy(h, bins)
heap.Init(&h)
// 分配物品
for _, item := range items {
// 临时存储弹出的箱子
var temp []*Bin
found := false
// 尝试找到可以放入的负载最小箱子
for h.Len() > 0 {
bin := heap.Pop(&h).(*Bin)
if bin.AddItem(item) {
temp = append(temp, bin)
found = true
break
}
temp = append(temp, bin)
}
// 把临时存储的箱子重新放回堆
for _, b := range temp {
heap.Push(&h, b)
}
if !found {
return false, nil // 无法放入任何箱子
}
}
return true, bins
}
|
执行效果:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
| func main() {
// 改进的 FFD 算法
testCases := []struct {
items []int
binCapacity int
binCount int
}{
{[]int{2, 3, 7}, 10, 5}, // 可分配
{[]int{9, 7, 2, 5, 3}, 10, 4}, // 可分配
{[]int{8, 8, 8, 8}, 10, 3}, // 不可分配(总体积超限)
{[]int{5, 5, 5, 5, 5, 5}, 10, 3}, // 完美分配
}
for _, tc := range testCases {
possible, bins := CanBalanceFirstFitDecreasing(tc.items, tc.binCapacity, tc.binCount)
fmt.Printf("物品:%v\n箱子容量:%d 数量:%d\n",
tc.items, tc.binCapacity, tc.binCount)
if possible {
fmt.Println("可以分配,分配结果:")
for i, bin := range bins {
fmt.Printf(" 箱子%d: 负载=%d (剩余%d) 物品=%v\n",
i+1, bin.Load(), bin.capacity, bin.items)
}
} else {
fmt.Println("无法完成分配")
}
fmt.Println("-------------------")
}
}
// 执行的结果
物品:[7 3 2]
箱子容量:10 数量:5
可以分配,分配结果:
箱子1: 负载=7 (剩余3) 物品=[7]
箱子2: 负载=2 (剩余8) 物品=[2]
箱子3: 负载=0 (剩余10) 物品=[]
箱子4: 负载=0 (剩余10) 物品=[]
箱子5: 负载=3 (剩余7) 物品=[3]
-------------------
物品:[9 7 5 3 2]
箱子容量:10 数量:4
可以分配,分配结果:
箱子1: 负载=9 (剩余1) 物品=[9]
箱子2: 负载=5 (剩余5) 物品=[5]
箱子3: 负载=5 (剩余5) 物品=[3 2]
箱子4: 负载=7 (剩余3) 物品=[7]
-------------------
物品:[8 8 8 8]
箱子容量:10 数量:3
无法完成分配
-------------------
物品:[5 5 5 5 5 5]
箱子容量:10 数量:3
可以分配,分配结果:
箱子1: 负载=10 (剩余0) 物品=[5 5]
箱子2: 负载=10 (剩余0) 物品=[5 5]
箱子3: 负载=10 (剩余0) 物品=[5 5]
-------------------
|
条件装箱
需求:
在原有装箱算法基础上,新增以下需求:
- 强制亲和性:特定物品必须放入指定箱子
- 偏好亲和性:优先但非强制放入指定箱子
- 组合约束:多个物品需要放入同一箱子
- 冲突约束:某些物品不能共处一箱
其实这样的需求就和 K8S 的调度算法有异曲同工之妙,类似的,还有 CDN 对线上接入流量的分配算法等,其本质都是基于 FFD
1. 问题的本质
当需要多个条件都满足的复杂情况下,这是一个多条件择优的问题,想要实现该算法,必须按照优先级原则一一实现过滤方法。
算法本身是没有什么复杂度。
2. 传统方法的缺陷
选择箱子的策略单一,但实际上
实现:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
| // EnhancedItem 增强型物品定义
type EnhancedItem struct {
ID int
Volume int
Affinity map[int]int // 亲和
Conflicts map[int]bool // 冲突
}
func (i EnhancedItem) String() string {
return fmt.Sprintf("物品%d(体积%d)", i.ID, i.Volume)
}
type EnhancedBin struct {
capacity int
items []EnhancedItem
itemSet map[int]bool
tags map[string]interface{}
}
func NewEnhancedBin(capacity int, tags map[string]interface{}) *EnhancedBin {
return &EnhancedBin{
capacity: capacity,
tags: tags,
itemSet: make(map[int]bool),
}
}
// Load 计算当前负载
func (b *EnhancedBin) Load() int {
total := 0
for _, item := range b.items {
total += item.Volume
}
return total
}
// SafeAdd 安全添加物品方法
func (b *EnhancedBin) SafeAdd(item EnhancedItem) bool {
if item.Volume > b.capacity {
return false
}
for conflictID := range item.Conflicts {
if b.itemSet[conflictID] {
return false
}
}
if b.itemSet[item.ID] {
return false // 关键修复:防止重复添加
}
b.items = append(b.items, item)
b.capacity -= item.Volume
b.itemSet[item.ID] = true
return true
}
// EnhancedBinHeap 最小堆实现
type EnhancedBinHeap []*EnhancedBin
func (h EnhancedBinHeap) Len() int { return len(h) }
func (h EnhancedBinHeap) Less(i, j int) bool { return h[i].Load() < h[j].Load() }
func (h EnhancedBinHeap) Swap(i, j int) { h[i], h[j] = h[j], h[i] }
func (h *EnhancedBinHeap) Push(x interface{}) {
*h = append(*h, x.(*EnhancedBin))
}
func (h *EnhancedBinHeap) Pop() interface{} {
old := *h
n := len(old)
x := old[n-1]
*h = old[0 : n-1]
return x
}
|
带亲和性的装箱算法
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
| // AffinityPacking 带亲和性的装箱算法
func AffinityPacking(items []EnhancedItem, bins []*EnhancedBin, binCapacity int, allowNewBins bool) ([]*EnhancedBin, error) {
sort.Slice(items, func(i, j int) bool {
return items[i].Volume > items[j].Volume
})
for _, item := range items {
if placed := tryForceAffinity(item, bins); placed {
continue
}
if placed := tryPreferredAffinity(item, bins); placed {
continue
}
candidates := filterConflictBins(item, bins)
if target := selectOptimalBin(item, candidates); target != nil {
target.SafeAdd(item)
continue
}
if allowNewBins {
newBin := NewEnhancedBin(binCapacity, nil)
newBin.SafeAdd(item)
bins = append(bins, newBin)
continue
}
return nil, fmt.Errorf("无法分配 %v", item)
}
return bins, nil
}
|
辅助函数
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
| // 强制分配
func tryForceAffinity(item EnhancedItem, bins []*EnhancedBin) bool {
for binID, priority := range item.Affinity {
if priority >= 0 {
continue
}
if binID < len(bins) && bins[binID].SafeAdd(item) {
return true
}
}
return false
}
// 亲和性分配
func tryPreferredAffinity(item EnhancedItem, bins []*EnhancedBin) bool {
type candidate struct {
bin *EnhancedBin
priority int
}
var candidates []candidate
for binID, p := range item.Affinity {
if p > 0 && binID < len(bins) {
candidates = append(candidates, candidate{
bin: bins[binID],
priority: p,
})
}
}
// 按优先级降序排序
sort.Slice(candidates, func(i, j int) bool {
return candidates[i].priority > candidates[j].priority
})
for _, c := range candidates {
if c.bin.SafeAdd(item) {
return true
}
}
return false
}
// 冲突分配
func filterConflictBins(item EnhancedItem, bins []*EnhancedBin) []*EnhancedBin {
var valid []*EnhancedBin
for _, bin := range bins {
hasConflict := false
for conflictID := range item.Conflicts {
if bin.itemSet[conflictID] {
hasConflict = true
break
}
}
if !hasConflict {
valid = append(valid, bin)
}
}
return valid
}
// 选择一个箱子
func selectOptimalBin(item EnhancedItem, candidates []*EnhancedBin) *EnhancedBin {
if len(candidates) == 0 {
return nil
}
h := make(EnhancedBinHeap, len(candidates))
copy(h, candidates)
heap.Init(&h)
var temp []*EnhancedBin
defer func() {
for _, b := range temp {
heap.Push(&h, b)
}
}()
for h.Len() > 0 {
bin := heap.Pop(&h).(*EnhancedBin)
if bin.SafeAdd(item) {
return bin
}
temp = append(temp, bin)
}
return nil
}
|
代码执行
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
| func main() {
// 测试用例
bins := []*EnhancedBin{
NewEnhancedBin(10, map[string]interface{}{"type": "special"}),
NewEnhancedBin(10, nil),
NewEnhancedBin(10, nil),
}
items := []EnhancedItem{
{
ID: 1,
Volume: 8,
Affinity: map[int]int{0: -1}, // 必须放入0号箱
},
{
ID: 2,
Volume: 5,
Affinity: map[int]int{1: 5}, // 优先放入1号箱
},
{
ID: 3,
Volume: 4,
Conflicts: map[int]bool{2: true}, // 与物品2冲突
},
{
ID: 4,
Volume: 2,
Affinity: nil, // 无所谓
},
}
result, err := AffinityPacking(items, bins, 10, false)
if err != nil {
panic(err)
}
fmt.Println("装箱结果:")
for i, bin := range result {
fmt.Printf("箱子%d [标签:%v]:\n", i, bin.tags)
fmt.Printf(" 负载: %d/%d\n", bin.Load(), bin.Load()+bin.capacity)
fmt.Printf(" 物品: %v\n", lo.Map(bin.items, func(item EnhancedItem, index int) string {
return fmt.Sprintf("{%s}", item.String())
}))
fmt.Println("-------------------")
}
}
// 执行结果
装箱结果:
箱子0 [标签:map[type:special]]:
负载: 8/10
物品: [{物品1(体积8)}]
-------------------
箱子1 [标签:map[]]:
负载: 5/10
物品: [{物品2(体积5)}]
-------------------
箱子2 [标签:map[]]:
负载: 6/10
物品: [{物品3(体积4)} {物品4(体积2)}]
-------------------
|