A - B

A+BProblem的实力改编:A-BProblem Everybaby 都听好~接下来就是我秀题解的重要时刻~那么,今天,我们就来看看这道由广为人知的A+B而改编过来的A-B吧!(注:本博主使用编程语言为C++)  真相只有一个!                                          A-B Problem题目描述题目看多了也有审美疲劳,于是我舍弃了大家所熟悉的A+B Problem,改用A-B了哈哈!好吧,题目是这样的... 阅读详情

题目:

A - B

出题是一件痛苦的事情!

    题目看多了也有审美疲劳,于是我舍弃了大家所熟悉的A+B Problem,改用A-B了哈哈!

    好吧,题目是这样的:给出一串数以及一个数字C,要求计算出所有A-B=C的数对的个数。(不同位置的数字一样的数对算不同的数对)

【输入】

第一行包括2个非负整数N和C,中间用空格隔开。

第二行有N个整数,中间用空格隔开,作为要求处理的那串数。

 

【数据规模】

    对于90%的数据,N <= 2000;

    对于100%的数据,N <= 200000。

    所有输入数据都在longint范围内。


暴力:

暴力枚举A 和 B ,求出满足A - B = C的数量,这题的数据太水,暴力也能拿90分。

稍微优化一点的方法就先sort后再枚举。


正解:

A - B = C 其实是等价于 A - C = B;

那么问题就转化成在数组中找到满足条件的B的个数;

先sort数组,枚举A,显然A是单调的,而C又是一个固定的值,那么B也肯定是满足单调性质的,

所以,B在数组中就是连续的一段。这个时候就要用到两个神奇的STL函数:

lower_bound()和upper_bound()

lower_bound(a + 1,a + n + 1,x) 返回的是a数组[1,n]范围内,x第一次出现的地址,要求x第一次出现的下标就是:

lower_bound(a + 1,a + n + 1,x) - a;

upper_bound(a + 1,a + n + 1,x)返回的事a数组[1,n]范围内,第一个大于x的数首次出现的地址,求这个数的下标:

upper_bound(a + 1,a + n + 1,x) - a - 1;


那么我们就可以通过lower_bound()和upper_bound()求出对于每个A,满足A - C = B 的个数,并统计到ans中。

代码:

#include<cstdio>
#include<algorithm>
using namespace std;
const int N = 200000 + 100;
int n,c,a[N],ans = 0;
int main()
{
	scanf("%d%d",&n,&c);
	for(int i = 1;i <= n;i++)
		scanf("%d",&a[i]);
	sort(a + 1,a + n + 1);
	for(int i = 1;i <= n;i++){
		int tmp = a[i] - c,l,r;
		l = lower_bound(a + 1,a + n + 1,tmp) - a;//求第一个满足B = A - C 的数出现的位置
		r = upper_bound(a + 1,a + n + 1,tmp) - a - 1; //求第一个满足B > A - C 的数出现的位置,然后减一

		ans += (r - l) + 1;
	}
	printf("%d",ans);
	return 0;
}



手把手教你构建轻量级CLIP模型:从理论到实践 本文手把手教你从零构建一个轻量级CLIP模型,深入解析其核心原理——对比学习,并提供完整的代码实践。通过精简的模型架构、数据准备和训练循环实现,帮助读者彻底理解多模态模型如何让图像与文本在共享空间中对齐,为学习更复杂的AI模型打下坚实基础。 阅读详情

相关推荐

Intel Mobileye EyeQ Ultra:RISC-V架构的L4自动驾驶芯片解析

RISC-V作为开源指令集架构,凭借其模块化设计和可定制特性,正在重塑高性能计算领域。其精简指令集带来的确定性执行时序,特别适合自动驾驶等实时性要求严苛的场景。在异构计算架构中,RISC-V与专用加速器(如NPU、GPU)的协同设计,能显著提升能效比和算力密度。Mobileye EyeQ Ultra采用12核RISC-V集群,结合176TOPS AI加速器和5nm工艺,实现了L4级自动驾驶所需的实时感知与决策能力。这种架构为车载计算平台提供了可扩展的解决方案,同时降低了系统复杂度和BOM成本。

weixin_33245447的博客 427

A-B Problem nyoj

A-B Problem 时间限制:1000ms | 内存限制:65535KB 难度:3 描述 A+B问题早已经被大家所熟知了,是不是很无聊呢?现在大家来做一下A-B吧。 现在有两个实数A和B,聪明的你,能不能判断出A-B的值是否等于0呢? 输入有多组测试数据。每组数据包括两行,分别代表A和B。它们的位数小于100,且每个数字前中可能包含+,- 号。每个数...

weixin_30302609的博客 387

三极管和MOS管工作原理详解

PN结的形成 PN结是三极管以及场效应管中最基本的组成部分,要想彻底搞明白三极管以及场效应管的工作原理,必须先搞清楚PN结形成的原理和工作特性。 本征半导体以及空穴对 本征半导体(intrinsic semiconductor))完全不含杂质且无晶格缺陷的纯净半导体称为本征半导体。主要常见代表有硅、锗这两种元素的单晶体结构。硅、锗都是4价原子,在半导体内部形成相对稳定的共价键结构,如图 1所

技术交流是便宜的的博客 10万+

C++ A-B Problem

题目: 给出一串数以及一个数字 C,要求计算出所有 A-B=C 的数对 的个数。( 注意: 不同位置的数字一样的数对算不同的数对)其中 A , B 必须属于这一串数 输入: 第一行包括 2 个非负整数 N 和 C,中间用空格隔开。 第二行有 N(N<=200000) 个整数,中间用空格隔开,作为要求处理的那串数。 输出: 输出一行,表示该串数中包含的所有满足 A-B=C 的数对的个数。 输入示例: 4 1 1 1 2 3 输出: 3 #include<iostream> #include&

泰勒猫的博客 1101

什么事LLVM和Clang?Clang与GCC有什么区别?Clang如何使用?

这个问题主要讲Xcode编译器的认知,在学习iOS之前有必要学习一下Objective-C的编译环境。 在了解LLVM和Clang之前,先得了解一下什么是编译器。 编译器是一种计算机程序,它将某种编程语言(高级编程语言)写成的源代码转换成另一种编程语言(低级编程语言)。一个现代编译器的主要工作流程为:源代码->预处理器->编译器->目标代码->链接器->可执行程序...

Welcome~ 9724

从零到一:华为iMaster NCE-Campus部署中的Euler OS与FusionInsight深度解析

本文深入解析华为iMaster NCE-Campus部署中Euler OS与FusionInsight的关键技术要点,包括RAID配置、网络绑定技术、安装避坑指南及性能调优方案。通过实战经验和详细配置示例,帮助工程师提升部署效率与系统稳定性,确保华为企业级解决方案的高效运行。

f6g7h8i9j的博客 549

A-B Problem(Dec)解题报告 - 单调队列

Problem #1: A-B(dec) Description       出题是一件痛苦的事情!          题目看多了也有审美疲劳,于是我舍弃了大家所熟悉的A+B Problem,改用A-B了哈哈!          好吧,题目是这样的:给出一串数以及一个数字C,要求计算出所有A-B=C的数对的个数。(不同位置的数字一样的数对算不同的数对) Input Format    

算法的设计与应用研究 1633

基于 MFC C++ 的心电监测客户端

4. **报警功能**:使用 `PlaySound` 播放报警音(需准备 `alert.wav` 文件),界面显示报警状态。

寒寒豆豆软件公司的博客 92

高精度 A-B Problem

题目:请戳此处 #include #include #include char s[1001]; int a[1001],b[1001],c[2002],al,bl,cl,i,x=1; int main() {gets(s); al=strlen(s); for (i=1;i<=al;i++) a[i]=s[al-i]-'0'; gets(s); bl=strlen(s); fo

YALI_xunzhen的博客 639

30、优化算法在芯片布局与药物设计中的应用

本文探讨了优化算法在芯片布局与药物设计中的关键应用。针对芯片布局问题,提出了一种改进的粒子群优化(PSO)方法,通过引入转向因子、重叠检测与消除机制以及优先处理约束模块,有效优化了芯片面积、线长和运行时间,并在有无布局约束条件下均优于传统方法。在药物设计领域,介绍了基于蚁群优化(ACO)的PLANTS算法,用于解决蛋白质-配体对接问题,通过离散化连续变量、信息素更新、局部搜索和聚类处理,提高了构象预测的准确性。文章还总结了两种算法的操作流程,并展望了未来在多约束集成与算法融合方向的发展潜力。

egg99的博客 94

Open-AutoGLM 实战:手把手教你用 AI 操作手机「喂饭教程」

Open-AutoGLM 是一个由智谱AI开源的手机操作智能体框架,由手机端智能助手框架Phone Agent和9B大小的模型AutoGLM-Phone-9B组成,借助ADB自动执行点击、滑动、输入等操作——用户只需用自然语言描述任务,系统便能自动规划并完成整个操作流程。

blues_C的博客 1267

python中a* b是什么意思_python的 a,b=b,a+b 和 a=b b=a+b 的区别

区别就是:赋值运算,先计算赋值号(也就是=号左边的,再赋值)1、a, b = b, a+b 这种赋值先计算等值 右边 就是 b=1 a+b=1再赋值给a和b,那么 a=1, b=12、a = b b = a+b此时 b=1, 那么a=1 那么最后 b=2a, b = b, a+b 这个表达式的意思就是说,先计算=号的右边b的值,a+b的值,算好了,然后再分别赋值给a 和b就可以了。扩展资料:Pyt...

weixin_39725844的博客 4412

【深度学习】最强算法之:残差网络(ResNet)

一篇掌握深度学习算法之:残差网络

商务合作 | 面试培训 | 职场规划 ==>主页扫码 7837

Python中a , b = b , a + b与a = b , b = a + b 的区别(超详细解答)

在最近学的Python斐波那契数列(Fibonacci sequence)中遇到了这么一个奇怪的赋值计算方式,a , b =b ,a + b:

GanAHE的博客 8663

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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")

python中根号下a+b怎么写_python中a+=b与a=a+b详解

在上一篇文章中谈到了我碰到的关于python里a+=b和a=a+b问题。在知乎上也问了这个问题,看了各位大侠的解释,现在似乎明白了,得赶紧记下来总结下,不然以后又忘了。总体上讲,a+=b是改变了a原始的值,而a=a+b是计算出a+b后,a在指向那个值。这个也跟a和b的类型有关。当a和b是int或者string不可改变的时候,二者效果一样。后面给出详细解释。海坡也提出了问题的关键在于递归到i=1时,...

weixin_39615596的博客 1391

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

Java 中 a = a+b和a +=b 的区别

众所周知,在java中 a = a+b在大多数情况下都是可以替换为 a +=b的,那么这两种写法有什么区别呢? 区别1:public static int test() { System.out.println("aaaa"); return 1; } public static void main(String[] args) { int a...

一个想写小说的程序员 1万+

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

python a b_python中a+=b与a=a+b详解

总体上讲,a+=b是改变了a原始的值,而a=a+b是计算出a+b后,a在指向那个值。这个也跟a和b的类型有关。当a和b是int或者string不可改变的时候,二者效果一样。>>> a=[1,2,3,4]>>> b=a>>> a+=[5]>>> a,b([1, 2, 3, 4, 5], [1, 2, 3, 4, 5])#a,b的...

weixin_39727402的博客 2339

a+=b和a=a+b或者a*=b和a=a*b的区别

并且自己到eclipse中试了一下,原来他们之间还真的有区别。 在java语言中,a+=b和a=a+b的主要区别是在运算的精度上。类似的有“-= 、 *= 、/= 、%= ”,这里以a+=b 与 a=a+b 举例说明一下。 1.下面是一串代码,我们试一下a=a+b的形式: public class TestDemo { public static void main(Stri...

qq_34159161的博客 2255

python中a is b,Python中a is b和a==b的区别是什么

Python中a is b和a==b的区别是什么发布时间:2020-07-07 16:48:59来源:亿速云阅读:69作者:清晨这篇文章主要介绍Python中a is b和a==b的区别是什么,文中介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们一定要看完!1、 a == b , 这是一个比较运算符,用于比较两个对象的value(值)是否相同相同则返回True 否则返回False示例:#以下...

weixin_35075655的博客 3964

Python中a,b=a,a+b和a=b,b=a+b的区别

最近学习Python的时候遇到的一个问题,问题还是早点解决为好,特此记录。#coding=gbk #a,b=b,a+b的情形 a=0 b=1 a,b=b,a+b #先计算第一个‘=’号右边的值,暂时不考虑左边的值,先看a,b初始值。 #即:b还是1;a+b=1 #在将右边的值赋予给左边的值,所以a,b都是1 print(a,b) #输出1,1 ...

mike_jun的博客 9183

a=a+b 与 a+=b 有什么区别吗?

a=a+b 与 a+=b 是两种常见的表示把 a+b 的和赋给新的 a 的表示方法。很多朋友在开发的时候会认为这两种表达方式没有区别,仅仅是根据个人的使用习惯来决定。在大多数的时候,这两种方法在使用的时候确实看不出区别,但其实这二者有一个细微的区别。本文介绍了这两种使用方式的区别。

qq_46119575的博客 1832

a= a + b与a += b的深度解析

a = a + b,a += b​类型转换需要显式转换自动隐式转换​byte/short处理需要强制转换自动处理​代码可读性运算关系更明确更简洁​编译器优化基本相同基本相同​引用类型支持所有适用类型所有适用类型​多线程安全性都不是原子操作都不是原子操作​表达式返回值返回赋值后的值返回赋值后的值。

weixin_43885959的博客 1001

a=a+b与a+=b的区别

  在一次工作中身边的一位资深的同事突然问了个a=a+b与a+=b有什么区别 此时有点尴尬了 不知道是真的不知道咧还是别有用意....今天抽点时间针对此问题做个小总结 一、性能方面  a=a+b是加法运算 需要两次寻找地址而a+=b是增量运算有寄存器优先时 只有一次地址查找。效率方面后者略高于前者 基于现在计算机的发展可忽略不计。 二、可读性方面  两者都是赋值运算,一般情况下可以认为两者没有...

weixin_34405925的博客 1079

a=a+b 与a+=b 的一些对比

1、a=a+b的含义:变量a开辟一片内存单元,把某个数字存入到内存单元中,然后把这个数取出到CUP中进行计算(加b),然后存回到原内存单元中。 2、+=操作符会进行隐式自动类型转换,此处 a+=b隐式的将加操作的结果类型强制转换为持有结果的类型,而a=a+b则不会自动进行类型转换 3、 a += b直接在a中加了b a = a + b则是用一个临时变量temp记录a的值,类似过程: temp =...

qfturauyls的博客 1369

java中a= b_Java中a=a+b 与 a+=b区别

这两种运算符的区别,可以有以下两个方面的比较: 执行效率和类型转换。1、执行效率就单纯的执行这两条语句,不考虑编译器的优化的话,a=a+b的执行效率是低于a+=b的,因为它多进行了一步中间变量的操作,而且会多占用一个变量的空间。而Java编译器默认对其进行了优化,优化之后两条语句都当做 a+=b来执行了,所以实际上是没有任何区别的。2、类型转换如下情况:1 public classTest {23...

weixin_39881155的博客 631

a=a+b和a+=b

a=a+b和a+=b

weixin_62292469的博客 1512
上一篇: 链式前向星存图 spfa
下一篇: JZOJ1609 幻灯片 离散化+模拟
Legend4ever
博客等级 码龄9年 3粉丝 10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