懒惰的松雅——湖南大学程序设计作业

C++队列——纸牌问题 C++队列——纸牌问题! 阅读详情

前言

通过之前发的一篇博客,我结识了很多大佬。我自己心里面清楚,现在我写的东西对于很多大佬来说不过是小菜一碟,但是呢,我还是希望能够继续写下去,一来巩固我自己的知识,二来见证我的成长(每个人都是一步一步走上去的嘛),最后呢,也是最重要的,能够认识很多朋友,能够有更大的交流空间,我想,这是一个优秀的程序员所必要的条件。

问题回顾

现在转入正题,我们看到题目,又是松雅,看来小明没能上大学,我们的大学伙伴变成了松雅了。我们来看看题

在这里插入图片描述
*松雅喜欢睡懒觉(巧了,我也喜欢),有一天,她必须在 hh:mm 的时间起来去跟她的合伙人讨论新开旅馆的事情。然而,她讨厌醒来,她希望在一个幸运时间设置一个闹钟以减少痛苦,这样她可以反复按“小睡一会儿”按钮,该按钮每次可延迟 x 分钟,直到 hh:mm 这个时间醒来,她想知道最少需要按多少次这个按钮。

如果一个时间的数字中包含’7’,则她认为是幸运时间,例如:13:07和17:20是幸运的,而00:48和21:34不是。

注意,设置闹钟的时间与醒来的时间不一定在同一天,输入保证对每个醒来时间都有一个幸运时间。
正常地,可以找到一个最小的非负整数 y 使得在时间 hh:mm 之前的 yx 分钟是一个幸运时间,即包含数字’7’。

  时间采用24小时制,因此在23:59之后是00:00。

【输入形式】

输入的第一行包含一个正整数 x (1 ≤ x ≤ 60)。

第二行包含两个整数,分别代表小时与分钟( hh:mm )。

【输出形式】

输出一行一个整数,表示松雅需要按“小睡一会儿”按钮的最小次数。
【样例输入1】

3
11 23
【样例输出1】

2
【样例输入2】

5
1 7
【样例输出2】

0
【样例说明】

在第一个样例中,她需要在11:23分醒来,她可以设置闹钟的幸运时间为11:17,因此她需要在11:17分和11:20按两次按钮。

在第二个样例中,01:07就是幸运时间。

思路分析

让我们来理一理思路,
首先呢,松雅喜欢幸运时间,所以她第一次醒来的时间都会是幸运时间(定了幸运时间就能起床?!对我来说是不存在的。。。)也就是含有数字7。这里有一个小细节,题上也给出了,如果最终起床的时间含有数字7,那么松雅就不会赖床,她会立即起床,也就是没有按“小睡一会儿”,输出即为“0”。

幸运时间到幸运时间到

int x,h,m;
	cin>>x>>h>>m;
	if(h%10==7||m%10==7)//因为小时和分钟的第一位都不可能为7,所以只需要判断第二位
	cout<<'0';

另外还有一个很重要的细节,即题中所给的
“注意,设置闹钟的时间与醒来的时间不一定在同一天”
这意味着在后续的运算中,我们很可能会将前一天的时间考虑进来

解决方法

这题很香的地方就在于只可能个位数会出现7,我们抓住这个特点来解题。

如果我们将小时转化成分钟,我们会发现分钟上的个位数并不会改变,每小时增加60,个位数不变,那我们大可以把小时全部转化为分钟,然后判断这个数的个位是不是7就行了。

另外还得考虑小时上的7。小时上有7的就只有7和17。也就是7:00~7:59;17:00 ~17:59,换算成分钟就是420 ~479;1020 ~1079。也就是说当分钟数到这个数段的时候我们就不用继续往下算了,这个分钟数就是幸运时间。

int sum;//记录分钟数
	sum=60*h+m;
	int count=0;//记录“小睡一会儿”次数
	 for(;;){
	 if((sum-x)<=0)//考虑上前一天
	 sum+=1440;
	 sum-=x;
	 count++;
	 if(sum%10==7||(sum>=420&&sum<=479)||(sum>=1020&&sum<=1079))
	 break;
  }

注意,这里要判断sum减去x后会不会小于0,如果小于0就说明到前一天去了,所以我们要加上一天的分钟数1440。

总结

这题应该算是比较简单,我写这个的目的呢是想强调一下编程中的细节,在编程中出了问题,如果大方向是对的,那么很可能就是细节方面的问题。如果选择忽略细节的话,那么你自己无法保证以后会不会再次遇到同样的问题,最后还是得花时间解决,有时候一个很庞大的程序,正是因为一些小小的细节造成了整个程序的崩盘,而想找到那个出错的细节是很费时间的,所以我认为,在编程之前就应当仔细思考这些小细节方面的问题,免去之后找bug的麻烦。

湖南大学CG题库-(程序设计类课程教学辅助系统作业)【《HNU官方题解全集》】[绝密]—2021-2025 前言:如果你是HUNER,你可以用它来作为你的程序设计作业参考,加以学习,相信这档【官方题解】必能让你的编程学习轻松很多;对非HUNER的朋友,也可以用它作为参考,作为拓展,作为自我提高。 说明: 此文章最终将覆盖——我在HNU-CG遇到的题,这是我做出的承诺。但,我决定弄这件事时还在2021大一上,所以我会将一级目录分成每个学期,二级目录分成每个作业编号,三级目录分为每个题目名称——这样分步完成。 对于每次CG作业,如果题目过于简单,我可能会晚一点更新——这是很正常的事情 这里的题目主要是程序设计题 阅读详情

相关推荐

STM32F103+LAN9252实战:从站代码迁移中的5个硬件坑与解决方案

本文分享了将EtherCAT从站代码从STM32F767迁移至STM32F103平台时,搭配LAN9252遇到的五个典型硬件问题及解决方案。核心挑战包括时钟源不匹配、FSMC时序配置、中断映射错误、片选资源不足以及Flash烧录异常。文章通过实战经验,强调了硬件差异对代码迁移的关键影响,并提供了具体的调试思路与配置方法。

p5l2m9n4o6q的博客 698

懒惰的松雅

【问题描述】 松雅喜欢睡懒觉,有一天,她必须在 hh:mm 的时间起来去跟她的合伙人讨论新开旅馆的事情。然而,她讨厌醒来,她希望在一个幸运时间设置一个闹钟以减少痛苦,这样她可以反复按“小睡一会儿”按钮,该按钮每次可延迟 x 分钟,直到 hh:mm 这个时间醒来,她想知道最少需要按多少次这个按钮。 如果一个时间的数字中包含'7',则她认为是幸运时间,例如:13:07和17:20是幸运的,而...

squidsss的博客 1977

AURIX™ TC49x芯片手册中文分享(二)

主要内容为第一章、功能模块的特征

xibaofenqi的博客 1563

练习三 控制结构(强化)编程题8. 懒惰的松雅

然而,她讨厌醒来,她希望在一个幸运时间设置一个闹钟以减少痛苦,这样她可以反复按“小睡一会儿”按钮,该按钮每次可延迟。如果一个时间的数字中包含'7',则她认为是幸运时间,例如:13:07和17:20是幸运的,而00:48和21:34不是。注意,设置闹钟的时间与醒来的时间不一定在同一天,输入保证对每个醒来时间都有一个幸运时间。输出一行一个整数,表示松雅需要按“小睡一会儿”按钮的最小次数。时间采用24小时制,因此在23:59之后是00:00。分钟是一个幸运时间,即包含数字'7'。取模,余数是7便含有7。

AssiduousC的博客 143

PDF与OFD电子发票解析技术实战:从格式转换到精准识别

本文深入探讨了PDF与OFD电子发票解析技术的实战应用,从格式转换到精准识别,提供了全面的解决方案。通过OFD转PDF技术、动态定位算法和多重校验机制,显著提升电子发票识别效率与准确率,助力企业财务数字化转型。

weixin_42565652的博客 165

YOLO26涨点改进 | Conv篇/小目标改进 | AAAI 2025 FBRT-YOLO 两个轻量级FCM和MKP模块, 助力无人机航拍任务VisDrone、UAVDT和AI-TOD高效涨点

本文提出FBRT-YOLO26模型,通过引入两个轻量级模块FCM和MKP优化航拍图像检测性能。FCM模块通过特征互补映射解决小目标信息丢失问题,MKP模块利用多尺度卷积核增强目标感知能力。在VisDrone等数据集上的实验表明,该方法在精度和速度上均优于现有实时检测器。文章详细介绍了模块结构、核心代码实现及YAML配置文件修改方法,为航拍图像中的小目标检测提供了高效解决方案。该模型实现了检测精度与效率的良好平衡,具有实际应用价值。

Ai缝合怪、助力小伙伴高效发论文 369

松雅喜欢玩纸牌

松雅自己拥有多间旅馆,有时候她会在她自己的旅馆里跟她的顾客玩纸牌。

m0_73591165的博客 880

2024届数字IC秋招-华为机试-数字芯片-笔试真题和答案(一)(含2022年和2023年)

此部分包含华为机试真题,方向是数字芯片,内容详细包括设计、验证、后端等,大部分题目给出参考答案。华为机试都是从题库里抽题目,所以这些题目还是很有参考性的,甚至是完全一样,可以搜到的。(题目内容较多,将分开编写几个文章)A. genvarB. integerC. wireD.reg参考答案:AA.综合的时候,define无法跨文件列表生效B.宏定义文件最好放在一个文件中集中管理,防止出现不同的项目需要修改不同的宏定义值,但是却漏改了某些地方的情况出现。

qq_42135020的博客 5781

练习三 控制结构(强化)编程题4. 松雅喜欢玩纸牌

纸牌有52张,每张牌有一个花色,用一个大写字母表示(D-方片、C-草花、S-黑桃、H-红心),同时还有一个点数(2、3、4、5、6、7、8、9、T、J、Q、K、A),因此每张牌可以用两个字符来表示,例如2H,注意点数在前,花色在后,表示这张牌为红心2。开始时,桌面上有一张牌,玩家手中有5张牌,如果桌面上的牌的点数或者花色与玩家手中的任意一张牌的点数或者花色相同,则玩家赢得这张牌,输出“YES”,否则输出“NO”。如果玩家能赢得桌面的牌,则输出“YES”,否则输出“NO”。

AssiduousC的博客 216

EXCEL VBA从入门到精通 前言

本书通过丰富的实例和案例,帮助读者更好地理解和应用Excel VBA编程,同时也介绍了常用的工具、资源、社区和协作平台等,方便读者进行进一步的学习和开发。我强烈推荐这本书给所有希望学习和掌握Excel VBA编程的读者。多样化的资源和工具介绍:本书介绍了丰富的工具和资源,包括官方文档、在线教程、代码库、论坛、博客等,方便读者进行进一步的学习和开发。详细的讲解和丰富的示例:本书从语法和对象开始讲解,通过丰富的实例和案例,帮助读者更好地理解和应用Excel VBA编程。第一节:什么是VBA 5。

1734

寻路最终版哦

相信大家用unity3d寻路的时候,一定会碰到多人

yxriyin的专栏 6955

HNU 实验五松雅的旅馆

文章目录题目思路AC代码 题目 思路 暴力模拟吧。。注意在最左边的旅馆的左边以及最右边旅馆的右边也可以建立旅馆,即可以越过区间建立。这是数组类题目常有的问题。 AC代码 #include <bits/stdc++.h> using namespace std; int main() { int n, d; cin >> n >> d; int hotel[n + 1]; int min_ = INT_MAX, max_ = INT_MIN; for (int

qq_30747875的博客 969

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

松雅旅馆的自动门(C++练习题)

【问题描述】 松雅的旅馆门口有一个自动门,按照以下方式工作: 当门是关闭的时候,1或多个人来到门前,门将马上自动打开,所有人都能马上入内; 当门是打开的时候,1或多个人来到门前,所有人都能马上入内; 打开的门在打开后的 d 秒钟内立即关闭; 当门正在关闭时,1或多个人在同一时刻来到门前,所有人有足够时间入内,之后才会关闭 例如,如果 d=3,有4人在4个不同时刻t1=4、t2=7、t3=9 和 t...

LG.田猿的博客 1952

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

松雅的花园

实验七 数组(二)—松雅的花园 #include<iostream> #include<cmath> using namespace std; int main() { int n,i,j,t=0,m; cin>>n; int a[n+1][3],d[n+1]; for(i=1;i<=n;i++) { cin>>a[i][1]&g...

nzbm_的博客 1097

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

松雅的自动门

【问题描述】 松雅的旅馆门口有一个自动门,按照以下方式工作: 当门是关闭的时候,1或多个人来到门前,门将马上自动打开,所有人都能马上入内; 当门是打开的时候,1或多个人来到门前,所有人都能马上入内; 打开的门在打开后的 d 秒钟内立即关闭; 当门正在关闭时,1或多个人在同一时刻来到门前,所有人有足够时间入内,之后才会关闭 例如,如果 d=3,有4人在4个不同时刻t1=4、t2=7、...

squidsss的博客 1181

懒惰的松雅_懒惰评估

懒惰的松雅 最近,我正在编写log4j附加程序,并希望在自定义附加程序创建过程中使用logger记录一些诊断详细信息,但是log4j初始化仅在创建附加程序实例后才完成,因此在此阶段记录的消息将被忽略。 我感到需要在自定义附加程序中进行延迟初始化,并开始研究选项。 在此博客中,我将分享我尝试过的事情。 我想到的一件事是Singleton方法,但是现在已知的事实是Singleton会导致测试问题...

cunhu2961的博客 223

PAT1028 人口普查 (20分)(C语言)

Sample Input 5 John 2001/05/12 Tom 1814/09/06 Ann 2121/01/30 James 1814/09/05 Steve 1967/11/20 Sample Output 3 Tom John 思路: 注意去掉不合理的部分,然后就可以判断输入的年龄,找最年轻和最老的。 代码 #include<iostream> #include&lt...

Sqssq的博客 383

【C++11】Lazy类的实现

介绍 惰性求值一般用于函数式编程语言中。在使用延迟求值的时候,表达式不在它绑定到变量时就求值,而是等到真正需要的时候再求值。 惰性求值类,目前C++中还没有相应的实现。但是可以借助lamda表达式,将函数封装到lamda中即可。 代码实现 #include &lt;iostream&gt; #include &lt;functional&gt; #include &lt;memor...

柠檬柠檬C的博客 2143

C++实现纸牌类,并发牌

http://www.newxing.com/Tech/Program/Cpp/147.html http://bbs.youkuaiyun.com/topics/390116034 http://www.2cto.com/kf/201310/252165.html 以上为借鉴,本博文待完善

Inuchiyo_china的博客 1685

[湖南大学程序设计实训训练作业一]5.合法的括号串(堆栈的使用!)

5.合法的括号串【问题描述】【输入形式】【输出形式】【样例输入】【样例输出】题解思路代码 【问题描述】 一个合法的括号串,是指只包含括号的串,如果满足如下条件: (1)<> () [] {} 这四对括号是合法的; (2)如果r是合法括号串,则 ® [r] {r}也是; (3)如果r,s是合法括号串,则rs也是; 所以<<>> , [<>{}(())],[({<>})]是合法的括号串,而)(,[( ])就不是。 【输入形式】 输入第一

あなたの可愛い41 1247

控制结构(强化):4.松雅喜欢玩纸牌

【问题描述】 松雅自己拥有多间旅馆,有时候她会在她自己的旅馆里跟她的顾客玩纸牌。 纸牌有52张,每张牌有一个花色,用一个大写字母表示(D-方片、C-草花、S-黑桃、H-红心),同时还有一个点数(2、3、4、5、6、7、8、9、T、J、Q、K、A),因此每张牌可以用两个字符来表示,例如2H,注意点数在前,花色在后,表示这张牌为红心2。 开始时,桌面上有一张牌,玩家手中有5张牌,如果桌面上的牌的点数或者花色与玩家手中的任意一张牌的点数或者花色相同,则玩家赢得这

obstacle19的博客 789

松雅旅馆(实验三第二题)

题目代码区 #include //松雅旅店 #include using namespace std; int main(){ int n=0,m=0,a=0,d=0,door=0; cin>>n>>m>>a>>d; int arr[m]; for(int i=0;i<m;i++){ cin>>arr[i]; //输入客人进入的时间 } int time_max=0 ; time_max=max(arr[m-1],n

qq_51711403的博客 787

纸牌游戏(C++)

题目描述 公司举办团建活动,许多人在一起玩一个纸牌游戏。规则如下: 总共有 n 个人,每个人初始有 n 张牌。每一轮从第一个人开始轮流操作,第 i 个人每次操作必须选择 min(people−1,ai)min(people-1,a_i)min(people−1,ai) 个不同的人,分别从他们手中拿走一张牌。其中people 为游戏现存人数,手上没有牌的人立即被淘汰出局。大家希望有尽可能多的人出局,游戏无限的进行下去,问最终游戏中最少还有几个人没有出局。 注意:不能从自己手中拿牌 输入描述: 第一行输入一个数

liuzich的博客 3127
上一篇: 松雅旅馆的自动门——湖南大学程序设计作业
下一篇: java——从心率图到分形山脉再到神级抽象山脉
南懿烨曦
博客等级 码龄6年 108粉丝 35原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值