算法竞赛中的常用JAVA API :HashSet 和 TreeSet

蓝桥杯国赛Java真题精讲:从差分算法到竞赛实战策略 在算法竞赛与工程实践中,数据结构与算法的深度融合是解决复杂问题的核心能力。差分算法作为一种基础而强大的思想,通过将区间操作转化为端点操作,能够高效处理数组修改与查询问题,其原理在于利用前缀和的逆运算来优化时间复杂度。掌握差分技巧不仅能提升代码性能,更是理解更高级数据结构和算法设计模式的重要阶梯。在Java编程竞赛如蓝桥杯中,此类技术常与动态规划、图论等高频考点结合,考察选手对问题本质的抽象与建模能力。本文以一道典型的国赛真题为例,深入剖析差分思想在区间取反问题中的应用,并延伸至区间加法定值、多次操作求最终状 阅读详情

了解其他JAVA 常用API和算法点这里 >> https://blog.youkuaiyun.com/GD_ONE/article/details/104061907

set容器的特点是不包含重复元素,也就是说自动去重。

HashSet

HashSet基于哈希表实现,无序。

add(E e)//如果容器中不包含此元素,则添加。
clear()//清空
contains(Object o)//查询指定元素是否存在,存在返回true
isEmpty()// 判空
iterator()//返回此容器的迭代器
remove// 如果指定元素在此set中则移除
size()//返回元素数量

TreeSet

基于红黑树实现。有序。

add(E e)// 如果不存在,则添加。
clear()//清空
contains(Object o)//查询指定元素是否存在,存在返回true
isEmpty()// 判空
iterator()//返回此容器的迭代器
remove// 如果指定元素在此set中则移除
size()//返回元素数量

以上方法都和HashSet一致,由于是红黑树实现的,所以TreeSet和TreeMap可以二分查找一个比当前元素大的最小元素,或者比当前元素小的最大元素。

ceiling(E e)//返回一个大于等于当前元素的最小元素,不存在返回null
floor(E e)//返回一个小于等于当前元素的最大元素,不存在返回null

higher(E e)//返回此 set 中严格大于给定元素的最小元素,不存在返回null
lower(E e)//返回此set中严格小于给定元素的最大元素,不存在返回null

first()//返回第一个元素
last()//返回最后一个元素

声明:

TreeSet<Integer> s = new TreeSet<>(); 
HashSet<Integer> s = new HashSet<>(); 

实例:

static BufferedReader in = new BufferedReader(new InputStreamReader(System.in));
	static BufferedWriter out = new BufferedWriter(new OutputStreamWriter(System.out));
	static TreeSet<Integer> s = new TreeSet<>();
	public static void main(String[] args) throws IOException {
		s.add(10);
		s.add(20);
		s.add(30);
		
		Iterator<Integer> it = s.iterator();
		while(it.hasNext()){ // 遍历
			int x = it.next();
			out.write(x+"\n");
		}
		out.write("\n");
		out.write(s.lower(20)+"\n"); // lower
		out.flush();
	}

输出:
10
20
30

10
蓝桥杯国赛JAVA B组算法竞赛深度复盘与实战指南 算法竞赛是检验编程与算法能力的重要途径,其核心在于对基础算法与数据结构的深入理解和灵活运用。从原理层面看,动态规划、图论、递归回溯等经典算法构成了解决问题的基石,它们通过状态定义、搜索策略和优化剪枝来提升计算效率。这些技术的价值不仅在于解决竞赛题目,更能培养对计算复杂度的敏感性和复杂逻辑的抽象能力,这是软件工程师的核心素养之一。在应用场景上,算法能力广泛应用于大数据处理、系统性能优化和复杂业务逻辑实现。本文以蓝桥杯国赛JAVA B组为具体案例,深入复盘了包括动态规划、博弈论等典型题型的解题思路,并针对JAV 阅读详情

相关推荐

zTree 中文API

zTree是一个很强大的树形插件,但是在使用过程中少不了遇到一些问题,这里给大家分享一个中文的API(.chm格式的)。

AcWing 196. 质数距离(筛法+离散化)打卡

给定两个整数L和U,你需要在闭区间[L,U]内找到距离最接近的两个相邻质数C1和C2(即C2-C1是最小的),如果存在相同距离的其他相邻质数对,则输出第一对。 同时,你还需要找到距离最远的两个相邻质数D1和D2(即D1-D2是最大的),如果存在相同距离的其他相邻质数对,则输出第一对。 输入格式 每行输入两个整数L和U,其中L和U的差值不会超过1000000。 输出格式 对于每个L和U ,...

weixin_30500473的博客 247

Java Tree API-开源

该项目旨在提供可扩展的Tree接口,以补充Java Collections框架,从而充分利用Java 5泛型。 作为该项目范围的一部分,将至少提供一个参考实现。

JTree操作API

JTree操作API归纳1.1 创建树组件1.1.1 最简方式:    JTree tree = new JTree();    在显示时,树组件会带上JTree默认的节点。1.1.2 指定树的节点后创建树:        DefaultMutableTreeNode root = new DefaultMutableTreeNode("根节点");    root.add

2816

PX4笔记系列(二)vtol_att_control中的tiltrotor解析

update_vtol_state() 注释:采用两段切换的简单逻辑来进行过渡 当切换过渡开关后,飞机将会开始倾转动力,逐渐加速,当飞机获得足够速度后动力将会完全打到向前的位置。对于过渡返回阶段动力则是简单地倾转回来。 如果(不在向前过渡指令下): 当前vtol飞行模式: 1、旋翼模式 无操作 2、固定翼模式 令vtol飞行模式切换到过渡返回模式 3、P1过渡模式 进入过渡失败安全返回至旋翼模式 4、P2过渡模式 进入过渡失败安全返回至旋翼模式 5、过渡返回模式 记录过渡返回时间=当前时间-过渡开始

hypersonicss的博客 1881

【学习系列】SAP RAP 20:Unmanaged场景开发示例-调用BAPI、BAPI包装类、BO接口创建标准采购订单

本文介绍了在SAP RAP(Restful ABAP Programming)框架下,通过三种方式实现采购订单创建的方案。首先分析了RAP框架对传统BAPI调用的限制,特别是禁止显式COMMIT语句的要求。随后详细阐述了三种实现方式:1)直接调用传统BAPI(仅支持OP环境);2)使用BAPI包装类(仅支持OP环境);3)调用标准业务对象接口(支持所有环境)。 文章重点说明了在unmanaged场景下的技术实现细节,包括字段控制、缓冲区管理、测试运行与实际调用的分离处理等。针对每种方式都提供了完整的实施步骤

DeveloperMrMeng的博客 599

Java集合 - TreeMap

Java集合 - TreeMap

qq_43350524的博客 3253

ArcGIS JS 态势标绘教程:直箭头(Straight Arrow)

ArcGIS JS 态势标绘教程:直箭头(Straight Arrow)。

非科班Java出身GISer的博客 709

HashSet类与Hash算法

HashSet按Hash算法来存储集合中的元素,因此具有很好的存取和查找性能。 HashSet特点: 1.不能保证元素的排列顺序 2.HashSet不是同步的,如果多线程同时访问一个HashSet,则必须通过代码来保证其同步 3.集合元素可以是null Hash算法,也称哈希、散列,它能保证通过一个对象快速查找到另一个对象。 Hash算法的价值在于速度,它可以保证查询被快速执行。 H

一分耕耘 一分收获 1503

OpenClaw小白使用全攻略

OpenClaw全能技能解锁指南:从基础到进阶 摘要: 本文提供OpenClaw AI智能体的完整使用教程,帮助用户从安装后"不知道如何用"到熟练掌握核心功能。教程包含:1)控制台5大区域详解和3个必做初始化设置;2)文件管理、浏览器自动化、文档生成等5大基础功能实操,每个功能配有详细操作步骤、指令模板和效果演示;3)10+高频场景解决方案,如整理文件、搜集资料、写总结等;4)进阶技巧和常见问题解答。通过清晰的图文指引,即使电脑小白也能快速上手,实现办公自动化、提升工作效率。

通俗易懂学IT 3060

实验二 离散控制系统的性能分析(时域/频域)

1.掌握离散闭环系统的动态性能时域参数的分析与计算方法; 2.掌握离散系统稳定性的频域典型参数分析与计算方法。 MATLAB 软件( 2022a); 1.在 Matlab 语言平台上,通过给定的闭环离散系统,深刻理解时域参数的物理意义与计算方法,内容包括如下: 阻尼比参数分析:Z 平面与 S 平面的极点相互转换编程实现;分析 S/Z 两个平面域特殊特性(水平线、垂直线、斜线、圆周等)的极点轨迹相互映射方法;系统阶跃响应参数:上升时间和超调量等。 2. 采用频域分析方法,通过编程计算,进一步理解离散系统的稳定

m0_51738372的博客 2479

Java集合框架篇-63-TreeSet集合练习题

       这篇,我们通过前面学习的TreeSet集合和比较器的知识,我们来做几个练习题。在完成练习过程中,我们重点放在问题分析这个步骤上面,只有分析的思路的正确性,才能写出正确的代码,完成编程练习题。第一题在一个集合中存储了无序并且重复的字符串,定义一个方法,让其有序(字典排序)还不能去除重复的元素输出。分析过程:1)定义一个List集合,并存储重复的字符串元素2)定义方法,对其排序,保留重复...

Anthony_tester的博客 2858

【HOJ系列】HOJ判题机部署

【HOJ系列】HOJ判题机部署

随风浪仔的专栏 904

JAVA常用API整理

欢迎转载,转载请注明出处:https://blog.youkuaiyun.com/u013547284/article/details/71158100 一、JAVA常用API java.lang.Math 提供sin, cos, tan, exp, log, log10 等类方法,PI和E等类字段 java.lang.String(StringBuilder线程不安全,StringBuffer线程安...

郭大侠写leetcode 5万+

Python进阶005:修改Jupyter Notebook的工作路径

1、Jupyter Notebook简介 2、修改Jupyter Notebook的工作路径 如下三个步骤: 一、安装notebook 在CMD命令行中输入: pip install notebook 二、启动notebook jupyter notebook 启动后发现是在你的用户目录下,如下图所示,但是该目录下有很多的其他文件或文件夹,因此我想把这个环境切换到我单门创建的一个文件夹中。 三、创建notebook的配置文件 在CMD命令行中执行: jupyter notebook --genera

若北辰 1386

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")

Java算法竞赛常用API指南

/ 1. 自定义Comparator// 降序// 2. 对自定义对象排序int age;if (p1.age!});

weixin_60268064的博客 228

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Java集合相似度计算与算法竞赛实战

集合操作是编程中的基础概念,通过哈希表等数据结构实现高效元素查询。在Java中,HashSet利用哈希算法实现O(1)时间复杂度的contains操作,成为处理集合运算的首选。集合相似度计算通过Jaccard系数(交集与并集之比)衡量数据关联性,这种技术在推荐系统、文本去重等场景有重要应用。本文以天梯赛L2-005为例,详解如何使用HashSet优化竞赛题的集合相似度计算,包括输入处理、核心算法实现和输出格式化等关键环节,特别适合准备PAT等编程能力测试的开发者参考。

weixin_34377919的博客 304

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Java比赛常用API总结

1.栈和队列 1.1 栈的常用方法 //1.栈顶插入元素 push(element) //2.返回栈顶元素并弹出栈顶元素 pop() //3.返回栈顶元素但不弹出 peek() //4.清空栈 clear() //5.返回栈中元素个数 size() //6.判断栈是否为空 isEmpty() //7.获得指定索引元素 get(index) //8.更改指定索引处的元素 set(index,ele...

m0_56312312的博客 432

蓝桥杯JAVA-7.集合(容器)在竞赛中的使用

目录 介绍一些在竞赛中会用到的集合(容器),和使用方法。具体一些的用法可见《JAVA基础学习-集合》 而本文是快速介绍和一些基本用法。最主要的还是要知道有这些东西,比赛时针对不同的场景用不同的集合(容器)。因为我从C++转过来的,所以对C++里面的容器使用比较了解。而本文不仅会把JAVA中特有的集合介绍一下,还会把C++中的容器如何在JAVA中使用也介绍一下。因为,C++中的一些容器确实很好用而且用的还挺多,但在JAVA中却很少。 1.JAVA ArrayList、LinkedList、HashSet、Tr

墨水记忆 6321

深入浅出 Java 有序集合:TreeSet 与 TreeMap 详解

在算法竞赛或高性能系统开发中,我们经常需要动态维护一组,例如实时排序、寻找最接近的数值或进行区间查询。在这种场景下,Java 集合框架中的和便是不可或缺的“神兵利器”。

一个coder的博客 5270

java常用竞赛api算法模版笔记(自用备份)(蓝桥杯javab国一)

【代码】java常用竞赛api算法模版笔记(自用备份)

ddb123456789的博客 210

蓝桥杯国赛Java真题深度复盘:从算法思维到实战避坑指南

算法思维是计算机科学的核心,它强调将复杂问题分解为可执行的逻辑步骤。其原理在于通过抽象、模式识别和逻辑推理,构建高效的解决方案。掌握算法思维的技术价值在于能显著提升问题解决能力和代码质量,是应对技术面试和开发复杂系统的基石。在算法竞赛、软件开发和系统优化等应用场景中,这种思维模式尤为重要。本文以2016年第七届蓝桥杯国赛Java真题为具体案例,深入复盘了包括**模拟与实现**、**递归与回溯**在内的核心解题思路,剖析了从暴力枚举到优化剪枝的完整思考过程,并总结了编码中常见的“坑点”与调试技巧,为读者提供了

weixin_34280237的博客 468

蓝桥杯Java算法实战:从API应用到BFS搜索的深度复盘与避坑指南

算法竞赛不仅是技巧的比拼,更是对编程语言特性和工程实践能力的综合考察。以Java为例,其丰富的标准库API(如集合框架、时间处理、大数运算)是解决实际问题的利器,理解其底层原理和适用场景至关重要。例如,在搜索类问题中,广度优先搜索(BFS)是求解最短路径的经典算法,其核心在于队列的数据结构和访问标记的严谨处理,以避免死循环和性能问题。掌握这些基础算法和API的工程化应用,能够高效解决诸如日期计算、迷宫寻路等经典场景问题,这正是提升编程实战能力的关键。本文通过对蓝桥杯真题的深度剖析,结合集合框架选型、BFS实

weixin_34124651的博客 521

Java算法优化与洛谷解题实战指南

算法能力是程序员的核心竞争力,尤其在处理大规模数据时,高效的算法实现至关重要。Java作为主流编程语言,其内存管理和性能优化特性在算法竞赛中尤为关键。通过合理选择数据结构(如PriorityQueue、TreeSet)和优化IO处理(如BufferedReader替代Scanner),可以显著提升程序执行效率。动态规划、图论等经典算法在洛谷平台的实际题目中,结合Java特性如Lambda表达式、Stream API等,能够实现代码的简洁与高效。本文通过具体案例(如P1006传纸条问题)展示Java在算法实现

weixin_33913332的博客 541

JAVA学习第三十六课(经常使用对象API)— Set集合:HashSet集合演示

随着Java学习的深入,感觉大一时搞了一年的ACM,简直是明智之举,Java里非常多数据结构、算法类的东西,理解起来就轻松多了 Set集合下有两大子类开发经常使用 HashSet集合 、TreeSet集合 Set集合的元素是不反复且无序 一、HashSet集合 API文档解释:此类实现 Set 接口,由哈希表(实际上是一个 HashMap 实例)支持。它不保证 set 的迭...

weixin_34128501的博客 95
上一篇: 算法竞赛中的常用JAVA API :HashMap 和 TreeMap
下一篇: 算法竞赛中的常用JAVA API:PriorityQueue(优先队列)
Androids_lost_Sheep
博客等级 码龄8年 1022粉丝 86原创
评论
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