Łączny czas / suma trudności i masz ile zajmuje jedna jednostka pracy. Żadnego fancy algorytmu nie trzeba o ile zakładamy że trudność i czas są liniowo powiązane

Patrzcie jaki zwyrodnialec - story pointy na godziny chce przeliczać ( ͡° ͜ʖ ͡°)

A może po prostu od razu wyceniać w jednostkach czasu? Albo przyjąć 1 punkt trudności = 1 godzina?

1. Sumujesz wszystkie trudności z wszystkich tasków.
   

2. Obliczasz współczynnik godzin na stopień trudności (chyba nie muszę pisać jakie działanie tutaj zastosować?).
   

3. Mnożysz stopień trudności przez współczynnik i masz wynik w godzinach ¯\_(ツ)_/¯

Wygląda mi to na typowy problem plecakowy lub któryś z jego wariantów:

• https://en.wikipedia.org/wiki/Knapsack_problem#Multi-objective_knapsack_problem
  

• https://en.wikipedia.org/wiki/Bin_packing_problem
  

Jeśli poziom trudności zawsze jest tak samo przeliczany na czas (np. trudność 1 zawsze oznacza 1 godzinę), to można go zignorować i od razu mówić o czasie. Czyli twój problem brzmi: "mam X kontenerów o pojemności Y (tutaj: 8h), do którego mam wrzucić przedmioty różnej wielkości (tutaj: o różnym czasie trwania) tak, aby maksymalnie zapełnić kontenery".

Ja osobiście bym zrobił prosty, zachłanny algorytm "wpakuj największy pasujący task aż zabraknie miejsca", ale skoro planujesz użyć Pythona, to na pewno znajdziesz miliard bibliotek z lepszymi algorytmami.

@EXCV31 Eeee… nie rozumiem. Chodzi o problem plecakowy, czy jak?

@EXCV31 https://en.wikipedia.org/wiki/Subset_sum_problem ? Przepraszam, ale nie do końca rozumiem problem. Co to dokładnie znaczy „podzieli te taski tak, aby ich sumaryczny czas wynosił 8.00h”? Jak rozdzielę monety o łącznej wartości 100 zł pomiędzy iluś ludzi, to ich łączna wartość dalej będzie wynosiła 100 zł.

def knapsack(tasks, difficulty_levels):

n = len(tasks)<br />

dp = [[0] * (n + 1) for _ in range(9)]  # Tablica przechowująca wyniki<br />

# Obliczanie optymalnego rozwiązania<br />

for i in range(1, n + 1):<br />

    task_time = tasks[i - 1]<br />

    difficulty = difficulty_levels[i - 1]<br />

    for j in range(1, 9):<br />

        if difficulty <= j:<br />

            dp[j][i] = max(dp[j][i - 1], dp[j - difficulty][i - 1] + task_time)<br />

        else:<br />

            dp[j][i] = dp[j][i - 1]<br />

# Odtworzenie rozwiązania<br />

selected_tasks = []<br />

j = 8<br />

for i in range(n, 0, -1):<br />

    if dp[j][i] != dp[j][i - 1]:<br />

        selected_tasks.append(i)<br />

        j -= difficulty_levels[i - 1]<br />

return selected_tasks<br />

Przykładowe dane

tasks = [1, 1, 1, 1, 4]

difficulty_levels = [1, 1, 1, 1, 5]

selected_tasks = knapsack(tasks, difficulty_levels)

total_time = sum(tasks[i - 1] for i in selected_tasks)

Wyświetlenie wyniku

for task_index in selected_tasks:

print(f"Task{task_index}: Zajął {tasks[task_index - 1]}h")<br />

print(f"\nSUMA: {total_time:.2f}h")