MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Reduce（规约）"，和他们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。他极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。

图1 MapReduce逻辑图

对MapReduce模型进行简化，直观地，我们认为现有的集群里，有一台Master结点，用以发送指令，并完成Reduce过程；有N台Slaves结点，用以完成Map阶段的工作，并将结果以键值对的方式通过网络传递给Master结点。理想状况下，忽略数据的分布情况、数据的传输时间，以及IO的时间消耗（这些问题往往是设计并行程序时的关键问题）。

MapReduce中有一个问题为负载平衡问题，即reduce阶段必须在所有map结点完成后开始，如果map结点的任务负载不平衡，那么负载小的map结点很快就会将结果计算完毕，而进入等待，而负载大的map结点将继续运行。而Reduce阶段将会在最后一个map结点运行结束后开始，因此严重的负载不均问题将导致极大的计算资源的浪费。

简化地，我们不考虑map结点、reduce结点运行出错等细节问题，而只针对负载均衡问题本身：若任务以指令为单位，某任务A共有M条指令，每条指令在map结点上运行消耗K秒，reduce阶段总共消耗R秒，那么理论上，运用MapReduce模型完成A任务最少的时间开销是多少呢？

输入为一行，共4个数字，用单个空格隔开，分别代表M、N、K、R。

数据范围不会超过10⁹。

输出为一行，包含一个数字T，保留2位小数(四舍五入)。

T为完成任务A的时间开销，即完成A任务的最少需要多少分钟。

The 13th ZJNU Anniversary Contest