实时任务分配是0 1背包问题（n个任务分配到m个背包中，每个物品价值相等），为了获得理论最优的任务分配方法（穷举法，时间复杂度
，即非多项式复杂度，为n的指数），NP-Hard，前面文章说了，PTAS算法可在运行时多项式时间复杂度以认为给定 
误差精度（即偏离程度）接近理论最优（其实原理就是预处理阶段提前用穷举法计算好了放在一个查找表里，运行时和这个表里进行查找匹配即可）
PTAS方法虽然好，但是操作麻烦。因此采用一些启发式算法，虽然不一定能获得理论最优分配的成功度，即不一定能达到最优，但是它们是很可能能达到最优的，而且这些方法时间复杂度也低，而且不占内存，而且实现简单。
启发式算法（heuristic algorithm)是相对于最优化算法提出的。一个问题的最优算法求得该问题每个实例的最优解。启发式算法可以这样定义：一个基于直观或经验构造的算法，在可接受的花费（指计算时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度一般不能被预计。
实时任务分配启发式分配方法一般有First-Fit，Next-Fit，Best-Fit，Worst-Fit。这些算法就是凭借经验构造的，比如觉得任务按照大到小的顺序，总先分配在第一个核，应该能获得接近最优的分配策略。这就是FF算法。
其中FF的可调度性最高，WF均衡性最好，但是可调度性最差。
WF最坏情况下，任务集利用率只要超过1，就不可调度了，即一定可调度的上界是U<1。比如，4个核，无穷多个任务{0.011，0.011，0.011，......，0.011，0.99}，该任务集总利用率趋近于1，这个任务集在任意多核的处理器上分配会失败，因为WF先把0.011这样的任务占据了每个核，导致0.99无论分配哪个核都会失败了。而如果是FF就不会这样了。
