本文介绍一种基于贪心轮询策略的python实现方法，用于将多个具有不同每分钟执行次数的任务，在60秒内尽可能均匀地交错调度，确保相同任务的执行时间点间距最大化、整体分布均衡。
本文介绍一种基于贪心轮询策略的python实现方法，用于将多个具有不同每分钟执行次数的任务，在60秒内尽可能均匀地交错调度，确保相同任务的执行时间点间距最大化、整体分布均衡。
在自动化运维或定时作业调度场景中，我们常需在固定时间窗口（如60秒）内，按指定频次执行若干 Bash 脚本。例如：test0.sh 每分钟运行 3 次，test1.sh 运行 2 次——理想调度序列应为 ['test0.sh', 'test1.sh', 'test0.sh', 'test1.sh', 'test0.sh']，而非简单拼接产生的 ['test0.sh', 'test0.sh', 'test0.sh', 'test1.sh', 'test1.sh']。后者会导致任务堆积、资源争用，违背“均匀分布”的核心目标。
关键在于：不是按任务重复展开，而是按时间槽轮询分配。推荐使用贪心轮询（Greedy Round-Robin）策略——每次优先选择当前剩余次数最多、且与上一次调度间隔最久的任务，但为简化实现并保证公平性，一个高效可行的做法是：
✅ 维护各任务的剩余执行次数；
✅ 每轮遍历所有任务，对仍有余量的任务各分配一次执行（即“一轮最多每个任务触发一次”）；
✅ 重复该过程，直到所有任务次数耗尽。
以下是优化后的完整实现：
import subprocess
import time
import yaml
# 1. 加载配置
with open("tasks.yaml") as f:
config = yaml.safe_load(f)
tasks = config.get("every_minute", [])
# 2. 构建任务-剩余次数映射
task_counts = {t["path"]: t["times_per_min"] for t in tasks}
# 3. 贪心轮询生成均匀序列
TASKS = []
while any(count > 0 for count in task_counts.values()):
# 每轮：对所有仍有余量的任务各取一次（保持顺序稳定，避免偏斜）
for path in list(task_counts.keys()): # 遍历副本，防止运行时修改影响
if task_counts[path] > 0:
TASKS.append(path)
task_counts[path] -= 1
# 4. 执行调度（每60秒均分间隔）
if TASKS:
interval = 60.0 / len(TASKS)
PROCESSES = []
for task_path in TASKS:
try:
proc = subprocess.Popen([task_path])
PROCESSES.append(proc)
print(f"✓ Scheduled {task_path} at {time.strftime('%H:%M:%S')}")
except Exception as e:
print(f"✗ Failed to run {task_path}: {e}")
time.sleep(interval)
# 可选：等待全部子进程结束（根据实际需求决定）
# for p in PROCESSES:
# p.wait()
⚠️ 注意事项：
- 该算法本质是「最大剩余次数优先 + 轮询填充」，在多项任务频次互质或差异较大时仍能保持良好均匀性；若需理论最优（最小最大间隔偏差），可升级为基于最小公倍数（LCM）的时间槽分配或使用 EDF（最早截止期优先）变体，但复杂度显著上升；
-
time.sleep()在高精度场景下存在系统调度误差，如需亚秒级严格对齐，建议结合time.monotonic()做动态补偿； - 实际生产中应增加超时控制、失败重试、日志记录及资源隔离（如
subprocess.run(..., timeout=30)）； - 若某任务
times_per_min为 0 或负数，需提前校验过滤，避免逻辑异常。
总结：通过放弃静态展开、改用动态轮询构建执行序列，我们以极简代码实现了任务的跨周期均匀分布。它不依赖任务数量或频次的具体数值，具备良好的扩展性与鲁棒性，是轻量级定时调度系统的理想基础方案。
