UVA 11997 - K Smallest Sums 优先队列

NXP MCU CAN波特率(位时间)配置详解 1. 概述 本文将会详细讲解如何设置NXP MCU的CAN波特率、位时间、采样点等属性。 波特率即CAN总线传输频率,位时间是波特率的倒数,例如波特率是500K,那么位时间 = 1 / 500000 = 0.000002s = 2000ns。 我们先来看一下S32K144单片机的EB中与CAN总线波特率相关的可配置参数有哪些: ... 阅读详情

传送门:https://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&page=show_problem&problem=3148

#include <cstdio>
#include <cstring>
#include <stack>
#include <queue>
#include <iostream>
#include <algorithm>
#include <map>
#include <vector>

using namespace std;

const int MAXN = 755;

struct Node{
    int s;//A[i] + B[j];
    int b;//j
    Node(int _s,int _b):s(_s),b(_b){}
    bool operator < (const Node a) const {
        return s > a.s ; 
    }
};

void merge(int * A,int * B,int * C,int n) {
    priority_queue <Node> p;
    //sort(A,A+n);
    //sort(B,B+n);
    for(int i = 0 ; i < n ; i++) {
        p.push(Node(A[i]+B[0],0));
    }
    for(int i = 0 ; i < n ; i++) {
        Node a = p.top(); p.pop();
        C[i] = a.s;//Update the min;
        int b = a.b;
        if(b + 1 < n)p.push(Node(C[i]+B[b+1]-B[b],b+1));
    }
}

int M[MAXN][MAXN];

void Deal_with() {
    int n ;
    while(~scanf("%d",&n)) {
        for(int i = 0 ; i < n ; i++) {
            for(int j = 0 ; j < n ; j++) {
                scanf("%d",M[i]+j);
            }
            sort(M[i],M[i]+n);
        }
        for(int i = 1 ; i < n ; i++) {
            merge(M[0],M[i],M[0],n);
        }
        for(int i = 0 ; i < n ; i++) {
            printf("%d",M[0][i]);
            printf(i == n -1 ? "\n" : " ");
        }
    }    
}

int main(void) {
    //freopen("a.in","r",stdin);
    Deal_with();
    return 0;
}



NSX-T 4.1部署搭建 NSX-T4.1 部署搭建 阅读详情

相关推荐

Ubuntu22.04下RTX2080显卡驱动、CUDA、cuDNN保姆级避坑安装指南(实测有效)

本文提供Ubuntu22.04下RTX2080显卡驱动、CUDA和cuDNN的详细安装指南,涵盖前期准备、驱动安装、CUDA版本选择、cuDNN配置及常见问题解决。通过实测有效的步骤和优化建议,帮助用户快速搭建稳定的深度学习环境,避免常见陷阱。

weixin_42540248的博客 283

uva 11997 - K Smallest Sums(优先队列)

题目链接:uva 11997 - K Smallest Sums 题目大意:有k个整数数组,包含k个元素,在每个数组中取一个元素加起来可以得到kk个数,输出最小的k个。 解题思路:问题可以转换成对两个长度为k个数组中各选一个后的和中最小的k个值,然后做k-1次处理即可。 #include #include #include #include using namespace

不慌不忙、不急不躁 963

别再手动连线了!用Tessent IJTAG的SIB和TDR,5分钟搞定复杂芯片的DFT网络分区

本文探讨了如何利用Tessent IJTAG的SIB(Segment Insertion Bit)和TDR(Test Data Register)技术,高效解决复杂芯片DFT网络分区问题。通过智能化的扫描链管理和声明式定义,显著降低连接复杂度,提升测试覆盖率和良率,适用于超大规模SoC设计。

weixin_29251131的博客 300

【优先队列之多路合并】UVA - 11997 K Smallest Sums

Source : UVA - 11997 K Smallest Sums http://acm.hust.edu.cn/vjudge/problem/viewProblem.action?id=18702题意有k个整数数组,各包含k个元素,从每个数组中选取一个元素加起来,可以得到k^k个和,求这些和中最小的k个值。 示例Sample Input 3 1 8 5 9 2 5 10 7 6

Hacker_vision 1090

人形机器人人机交互解决方案(2026完整版)

《人形机器人人机交互解决方案(2026完整版)》摘要 本项目针对2026年人形机器人产业爆发式增长需求,提出了一套完整的人机交互解决方案。方案包含十大核心模块(语音识别、情感识别、手势识别等),采用五层架构设计,实现多模态融合交互,响应时间≤32ms,准确率≥99%。覆盖制造业巡检、家庭服务等10大场景,适配20+主流机型。项目总投资4.1亿元,预期年营收8.2亿元,将申请专利120项,培养专业人才300人。通过技术创新解决当前交互体验生硬、安全可控性不足等痛点,助力我国人形机器人产业实现从"跟跑

随读手记 774

避坑指南:ZYNQ MPSOC QSPI固化时MT25QU256闪存的特殊配置

本文针对Xilinx ZYNQ UltraScale+ MPSoC平台,详细解析了使用Vitis工具将BOOT.bin固化至Micron MT25QU256ABA QSPI NOR Flash时的特殊配置与避坑指南。重点阐述了Init文件的真实作用、电压与频率的精确匹配策略,以及针对该闪存型号的初始化序列,帮助工程师解决烧录失败、启动异常等常见问题,确保系统可靠启动。

weixin_29175469的博客 270

UVa 11997 K Smallest Sums - 优先队列

  题目大意 有k个长度为k的数组,从每个数组中选出1个数,再把这k个数进行求和,问在所有的这些和中,最小的前k个和。   考虑将前i个数组合并,保留前k个和。然后考虑将第(i + 1)个数组和它合并,保留前k个和。   如果暴力的话就进行就暴力枚举每一对,然后进行求和,然后再选出前k个,然而这样会TLE。   可以考虑将另外一个数组进行排序。然后可以看做是k个已经排好序的...

adx33526的博客 139

Qt之自定义QToolTip,去掉显示动画和隐藏延时

先来看看Qt原生QToolTip的缺点:1.当提示内容无变化时,弹窗无法移动。只能先传个空字符串强制弹窗隐藏,然后在新位置再传个字符串。2.默认显示10多秒才消失,当然这个时间是可以设置的,但是如果我想一直显示呢?总不能设置一个超级大的时间吧。3.鼠标移出控件后(调用QToolTip::showText时传入了控件指针)默认300毫秒弹窗才隐藏。而且这个时间没法设置,如果想立即隐藏就没办法了。

草上爬的博客 4268

Uva11997 K Smallest Sums(优先队列)

题意: 有一个k*k 的方阵,让你从当中每一行挑选一个数字相加最后能得到K^K次方的和,输出其中最小的k个。 分析:《训练指南》P190,先对每一行排序然后两两归并,每次取前k个再和下一行再进行归并。 代码: #include<bits/stdc++.h> using namespace std; struct Item { int s, b; // s=A[a]+B[b...

常胜将军的博客 253

把 LLM 编排能力塞进 ABAP 系统里,ZLLM 仓库的工程价值与 SAP 落地场景

ZLLM项目将LLM应用开发中的常见工程问题引入ABAP原生环境,为SAP系统提供AI工作流构建能力。它类似ABAP版的LangChain,支持Chain组合、Prompt模板、状态传递等核心功能,强调纯ABAP实现、延迟执行以及与ABAP数据结构的深度集成。项目包含工厂类、LLM客户端、负载均衡器等模块,特别设计了能处理ABAP内表和结构的模板引擎,使业务数据可直接用于Prompt生成。通过Step和Flow机制支持复杂业务过程编排,并采用延迟执行和并行处理优化批量任务性能。该项目为ABAP开发者提供了在

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 61

python-pandapower电力系统潮流计算(算例8:ieee33节点潮流计算))

python-pandapower电力系统潮流计算(算例8:ieee33节点潮流计算))

总裁余(余登武)博客 5031

UVa - 11997 - K Smallest Sums(优先队列)

题意:输入一个数k(2 题目链接:http://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&category=229&page=show_problem&problem=3148 ——>>k个数的和最小,那么任意两行的那两个数的和也最小,否则就可以找到比该值更小的数,所以,可以先求两行中k个最小和,再进行多路归并

The_star_is_at的博客 457

【异常】XXL-job触发调度:address:http://192.168.x.x:x/ code:500 msg:xxl-rpc remoting error(connect timed out)

XXL-JOB调度任务失败分析:调度中心(10.254.234.80)与执行器(192.168.x.x)连接超时,返回500错误。主要原因是网络不通或执行器异常:1.网络不通可能由防火墙或网段隔离导致;2.执行器未启动或端口未监听;3.地址配置错误。解决方案:1.关闭代理使用内网;2.测试网络连通性和端口可用性;3.检查执行器进程状态和端口监听情况;4.核对执行器地址配置;5.必要时配置防火墙规则放行端口。

奶爸的编程之路,也就一周冷个三天 413

UVA 11997 K Smallest Sums 优先队列 多路合并

  vjudge 上题目链接:UVA11997   题意很简单,就是从 k 个数组(每个数组均包含 k 个正整数)中各取出一个整数相加(所以可以得到 kk个结果),输出前 k 小的和。   这时训练指南上的一道题,这道题的简化版其实在 15 年的广东省省赛出现过,当时是以送分题的形式出现的,可我还是没能做出来,归根到底还是看书不够,接触的题型不够多。 *************...

aidiao7379的博客 171

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。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

UVA11997 K Smallest Sums 优先队列

题意 有 k 个整数数组,各包含 k 个元素,在每个数组中取一个元素加起来,可以得到个和。求这些和中最小的 k 个值(允许重复)。 分析 这个问题可以化简成两个长度为 k 的有序表各取一个元素求前 k 个最小的。 拿二元组(s, b)来表示一个元素,,这样访问下一个元素时,访问的是 代码 #include <cstdio> #include <iostrea...

左云帆 196

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

UVA 11997 K Smallest Sums(优先队列)

UVA 11997 K Smallest Sums(优先队列) 题意:给你一个整数K,并且给你K组数,每组K个数,现在在每组中任取一个数,然后相加可以得到一个和,这样的和共有K^K个.要你输出最小的K个和. 分析:刘汝佳:训练指南P189例题.        现在简化问题,假设只有2组数,每组K个我们如何求出最小的K个呢?如A[1…K]与B[1…K].        穷举法要K^2的复杂度

code 1323

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")

uva11997 K Smallest Sums(优先队列)

题目链接:https://vjudge.net/problem/UVA-11997题意:有k个长度为k的数组,从每个数组中取一个数加在一起得到一个新的数,按照这样操作,问得到的前k个最小的数是什么。思路:一共有k^k次方个数,k<=750,直接构造出来不可行。当只存在两个这样的数组的时候,设分别为数组a, b。分别将a,b数组从小到大排序。 可以构造如下: a1+b1 <= a1+b2 <= a

酱油拌面 419

UVa 11997 K Smallest Sums (优先队列)

题意:有 k 个整数数组,各包含 k 个元素。在每个数组中取一个元素加起来,可以得到哦 k^k 个和。求这些和中最小的 k 个值(重复的值算多次) 思路:在《算法竞赛入门经典训练指南》中看到这道题,再自己写一写思路,加深理解。            从 k 个数组中各取一个元素之和中前 k 个最小的值为 k 个组合,则这 k 个组合一定来自前 k - 1 个数组中各取一个元素之和中前 k 个最

Fungyow的博客 515

UVA11997 K Smallest Sums(并归,优先队列)

题意:有k行数,每行k个数,从每行中抽出一个数,相加得到sum, 求这样的sum的前k小数,并输出。 分析:大白书(刘汝佳 著)优先队列章节, 假设现在有两行A,B(从小到大排序),求前k小,则: A1+B1 A2+B1 A3+B1 ...........   用一个优先队列来维护前k小的值,先把(A1+B1),(A2+B1),(A3+B1)...放入队列,但这k个数不一定是前k

lianweicheng88的博客 493

UVA11997_K_Smallest_Sums_多路并归_优先队列

本来今天早上才编过用优先队列模拟堆的一道题,结果晚上编又不会了- -,还得照着模版写- - 另外这个题我自己没想出来,去网上搜的解题报告看的 题意是给k组数每组有k个数,然后每组取一个,找前k个最小的和 然后下面是我在别人的博客里搜到的题解: 1. 转载于    z.arbitrary的博客 http://www.cnblogs.com/arbitrary/archive/2013/03

u011343989的专栏 620

Uva 11997 - K Smallest Sums(优先队列+思维)

题目链接 https://vjudge.net/problem/UVA-11997 【题意】 有k个整数数组,每个数组都包含k个元素,在每个数组中各取出一个元素并求和,可以得到k^k个和(重复的值算多次),求这些和中的最小的k个值分别是多少 【思路】 大白189页例题,这题感觉看着不难,但搞半天搞不出来的那种。其实不用一下子考虑k个数组,我们先只考虑两个数组A和B,长度都是n,在A和B中任...

Change the world by program. 238

UVA 11997 K Smallest Sums(优先队列)

#pragma warning(disable:4996) #include #include #include #include using namespace std; int a[751][751]; int k; //归并思路: //归并两个有序的数组A[],B[] //首先把所有的A[i]+B[1]放入优先队列,然后开始取出 //每次取出优先队列里的top时,例如top=A[

acraz的专栏 412

UVA11997 K Smallest Sums(思维题/优先队列)

题目 k(2<=k<=750)个数组,每个数组k个元素, 从每个数组取1个元素,所组成的k元组之和,共有种可能 现在要求,输出其中的前k小值 思路来源 https://www.cnblogs.com/yyf0309/p/7797202.html 题解 两两合并,每两个合并的复杂度O(klogk),则总复杂度O(k²logk) 对第二个数组排好序后,考虑两个的合并过程, ...

小衣同学的博客 375

uva 11997 K Smallest Sums 优先队列

题目:https://uva.onlinejudge.org/external/119/11997.pdf 对于两组数a[n],b[n],每组长度为n,现在要得到a[i]+b[j] (1 先对b[n]排序 方法是利用b[1] + x 构造一个优先队列(小的优先) 先放入n个值 (a[1]+b[1]、a[2]+b[1]、a[3]+b[1]、......、a[n]+b[1])

便纵有千种风情 428

UVa11997 K Smallest Sums 归并 + 优先队列

朴素算法O(n ^ n)啊,这都能做,想了想,最后只要输出其中和的前k小的就行了,有很多计算是冗余的啊,想了想,每行排个序,然后只算前两列,还有2 ^ k个,取k个绰绰有余了,O(2 ^ n),还能骗点分……扇自己一巴掌,卧槽你以为做PAT呢,还能骗分,然而还是忍不住交了一发…… WA代码: #include #include #include #include #in

EventQueue的博客 585

UVa - 11997 K Smallest Sums(优先队列多路归并)

题意是k个数组,每个数组k个元素,每个数组取一个元素,共k个数之和成为一个参考值,求出k^k个参考值中最小的k个    ... 方法就是先 对每个数组排序,    然后由于k个之和最小和 2个之和最小是一样的,那么每次处理两个数组就可以了。。。。 对数组A,B  求前k小的A[i]+B[i]    方法是不断取尽可能小的放到优先队列,然后直接取前K个就行了 第一次我的取法是

缺氧 604
上一篇: UVALive - 3135 Argus 优先队列
下一篇: UVALive - 3644 X-Plosives 并查集
_NMfloat_
博客等级 码龄12年 7粉丝 315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