leetcode每日一题

539. 最小时间差

示例 1：

输入：timePoints = [“23:59”,“00:00”]
输出：1

示例 2：

输入：timePoints = [“00:00”,“23:59”,“00:00”]
输出：0

class Solution {public int findMinDifference(List<String> time) {int len = time.size();List<Integer> list = new ArrayList<>();for(int i = 0;i < time.size();i++){String temp = time.get(i).substring(0,2) + time.get(i).substring(3,5);list.add(Integer.parseInt(temp));if(Integer.parseInt(temp) < 1200){list.add(Integer.parseInt(temp)+2400);}}Collections.sort(list);int res = Integer.MAX_VALUE;for(int i = 0;i < list.size()-1;i++){int hour = list.get(i+1)/100 - list.get(i)/100;int cha = list.get(i+1) - list.get(i);res= Math.min(res,cha - hour * 40);}return res;}
}

小tip：

这道题能被暴力排序通过是没想到的，只是想测试测一下，结果ac了。。吃惊，大大的吃惊。。。

结果有点差强人意，但还算可以。。

官方题解

根据题意，一共有 24 \times 60=144024×60=1440 种不同的时间。由鸽巢原理可知，如果 \textit{timePoints}timePoints 的长度超过 14401440，那么必然会有两个相同的时间，此时可以直接返回 00。

class Solution {public int findMinDifference(List<String> timePoints) {int n = timePoints.size();if (n > 1440) {return 0;}Collections.sort(timePoints);int ans = Integer.MAX_VALUE;int t0Minutes = getMinutes(timePoints.get(0));int preMinutes = t0Minutes;for (int i = 1; i < n; ++i) {int minutes = getMinutes(timePoints.get(i));ans = Math.min(ans, minutes - preMinutes); // 相邻时间的时间差preMinutes = minutes;}ans = Math.min(ans, t0Minutes + 1440 - preMinutes); // 首尾时间的时间差return ans;}public int getMinutes(String t) {return ((t.charAt(0) - '0') * 10 + (t.charAt(1) - '0')) * 60 + (t.charAt(3) - '0') * 10 + (t.charAt(4) - '0');}
}

巧妙的点：

雀巢原理，超过总和直接返回0

直接计算首尾的计算分钟差

自构造函数，将String格式直接转换成分钟数然后进行向加减

雀巢原理（抽屉原理）

抽屉算法，又叫雀巢原理

网上的抽屉算法很好理解，也很普通，没什么好的学习

举例：

桌上有十个苹果，要把这十个苹果放到九个抽屉里，无论怎样放，我们会发现至少会有一个抽屉里面至少放两个苹果。这一现象就是我们所说的“抽屉原理”。

Quorum机制

苹果抽屉理论只是对它的理解， Quorum 是一种集合 , l 中任意取集合S,R ，S,R 都存在交集。当然，本文并不打算多讲它的数学定义方面的理解，这里只是提供个信息，看不懂也没事联系到前面的分布式读写模型就能很容易理解这个了。

运用Quorum机制来解决读写模型中读写的负载均衡。其实，关键的是更新多少个数据副本后，使得读取时总能读到有效数据？回想我们的的红苹果，假设总共有 N 个数据副本，其中 k 个已经更新，N-k 个未更新的，那么我们任意读取 N-k+1 个数据的时候就必定至少有1个是属于更新了的k个里面的，也就是 Quorum 的交集，我们只需比较读取的 N-k+1 中版本最高的那个数据返回给用户就可以得到最新更新的数据了。

那么对于写模型呢？我也只需要完成 k个副本的更新后，就可以告诉用户操作完成而不需要 Write All 了，当然告诉完用户完成操作后，系统内部还是会慢慢的把剩余的副本更新，这对于用户是透明的。可以看到，我们把 Write 身上的部分负载转移到了Read上，Read读取多个副本，使得Write不会过于劳累，不好的是弱化了分布式系统中的数据一致性。至于转移多少负载比较合适，这个需要根据分布式系统的具体需求中对数据一致性的要求。不过，CAP 理论告诉我们没有完美的方案。

原理应用

为保证在各个节点副本数据一致性，以前一般采用加锁的方法。然而加锁是悲观的方法，对性能影响比较大。

N表示数据所具有的副本数。

R表示完成读操作所需要读取的最小副本数，即一次读操作所需参与的最小节点数目。

W表示完成写操作所需要写入的最小副本数，即一次写操作所需要参与的最小节点数目。

该策略中，只需要保证R + W>N，就可以保证强一致性。如果R + W ≤ N，这时读取和写入操作是不重叠的，系统只能保证最终一致性，而副本达到一致的时间则依赖于系统异步更新的实现方式，不一致性的时间段也就等于从更新开始到所有的节点都异步完成更新之间的时间。

假设N=5，如果R=1，那么W必须是5. 所以就是写入所有的节点是全部节点，那么读取任何一个节点就可以最新的数据。有点就是像读写锁了。

如果R=5，那么W只要是1就可以了。那么写的效率就非常高。读取的效率比较低。

如果R=N/2+1， W=N/2，读写之间为达到某个平衡。是不错的策略。

兼顾了性能和可用性，Dynamo系统的默认设置就是这种。