python实现最优服务次序问题：设有n个顾客同时等待一项服务。顾客i需要的服务时间为ti,1≤i≤n。共有s处可以提供此服务。应如何安排n个顾客的服务次序才能使平均等待时间达到最小。平均等待时间是n个顾客等待服务时间的总和除以n。

在Python中，解决这个问题通常会采用一种叫做"贪心算法"或者"优先队列"的策略，特别是当服务站点是有限的，并且我们希望找到每个顾客等待时间最短的解决方案时。这种问题也被称为“服务台调度”或“任务调度”。

以下是基本步骤：

1. **初始化**：创建一个包含所有顾客（`i`）及其所需服务时间(`ti`)的列表。创建一个空的优先级队列（例如`heapq`库中的`PriorityQueue`），用于存储剩余顾客。

2. **构建队列**：对于每个顾客，计算其到达服务站后的即时等待时间（即其他服务点上正在排队的顾客数量*他们的服务时间）。将这个值加上顾客自己的服务时间作为键（key），顾客本身作为值（value）放入队列。

3. **服务排序**：从优先队列中取出等待时间最短的顾客（也就是当前队首元素），服务这个顾客。然后更新队列，移除已服务的顾客，并根据新的等待时间添加回队列。

4. **循环和服务**：重复步骤3，直到队列为空，所有的顾客都被服务过。

5. **计算平均等待时间**：最后，计算平均等待时间，即所有顾客的服务时间之和除以顾客总数n。

import heapq

def min_avg_waiting_time(customers, service_count):
    # 初始化数据结构
    customers = [(customer_service + sum(customers[:i]) for i, customer_service in enumerate(customers))]
    heap = [-service_time for _, service_time in customers]  # 使用负数便于堆排序
    heapq.heapify(heap)

    total_wait_time = 0
    served_customers = 0

    while served_customers < len(customers):
        # 提取服务时间最短的顾客
        service_time = -heap[0]
        total_wait_time += service_time
        served_customers += 1

        # 更新队列
        next_customers = [customer for i, customer in enumerate(customers) if customer[0] == service_time]
        for customer in next_customers:
            customers.remove(customer)
            heapq.heappush(heap, -customer[1])

    return total_wait_time / served_customers

# 示例
customers = [3, 1, 2, 4]
service_count = 2
avg_wait_time = min_avg_waiting_time(customers, service_count)
print(f"平均等待时间: {avg_wait_time}")