利用数据结构队列来实现医院挂号模拟看病系统(c++实现超详细)

医院排队候诊模型 医院候诊问题 问题描述: 医院某科室,有医生m名 现有病人n名,先后到达 病人病情轻重各有不同(分k级),重的先就诊;病症相同的,先来的先就诊。   模型假设: 1.  病人挂完号后进入对应的科室,每天病人数目随机 2.  每个科室有一定数量的医生,一开始的时候,所有医生都空闲(即可以接待病人)。 3.  每个科室需要安排一位医生或者护士,专门判断一下新来的病人病情的严重情况 阅读详情

如何利用简单队列实现完整的程序

文章目录


程序功能概览


一、项目要求

二、使用步骤

1.引入库

代码如下(示例):

#include <bits/stdc++.h>//万能库函数

2.定义结构体

代码如下(示例):

typedef int Status;

typedef struct LNode

{

    int data;

    char name[20];

    struct LNode *next, *pre;

} LNode;

typedef struct

{

    LNode *front, *rear;

    /* data */

} LLink;

完整代码

#include <bits/stdc++.h>
using namespace std;

typedef int Status;

typedef struct LNode
{
    int data;
    char name[20];
    struct LNode *next, *pre;

} LNode;

typedef struct
{
    LNode *front, *rear;
    /* data */
} LLink;

void menu();
Status Init;

int main()
{
    int flag = 1, choice, count = 0, find, num, search, count1 = 0;
    char patient[20];
    LNode *p, *q;
    LLink *s;
    s = new LLink;
    s->front = s->rear = NULL;
    while (flag == 1)
    {
        menu();
        cin >> choice;
        switch (choice)
        {
        case 1:

            cout << "请输入病例号和病人姓名(示例:10010 张三)" << endl;
            do
            {
                cin >> num >> patient;
                find = 0;
                p = s->front;
                while (p != NULL && !find)
                {
                    if (p->data == num)
                        find = 1;
                    else
                        p = p->next;
                    /* code */
                }
                if (find)
                    cout << "输入不合法,请重新输入:" << endl;

                /* code */
            } while (find == 1);
            p = new LNode;
            p->data = num;
            strcpy(p->name, patient);
            p->next = NULL;
            p->pre = s->rear;
            if (s->rear == NULL)
            {
                s->front = s->rear = p;
            }
            else
            {
                s->rear->next = p;
                s->rear = p;
            }
            break;

        case 2:
            if (s->front == NULL)
                cout << "没有排队的病人" << endl;
            else
            {
                p = s->front;
                cout << "病人" << p->data << p->name << "就诊" << endl;

                if (s->rear == p)
                {
                    s->front = s->rear = NULL;
                }
                else
                {
                    s->front = p->next;
                }
                free(p);
            }
            break;

        case 3:
            cout << "请输入要查询的病历号" << endl;
            cin >> search;
            p = s->front;
            if (s->front == NULL)
                cout << "没有人在排队" << endl;
            else
            {
                while (search != p->data)
                {
                    p = p->next;
                }
                do
                {
                    cout << p->data << p->name << endl;
                    p = p->pre;
                    count1++;
                } while (p); //掉头发
                cout << "前面还有" << count1 - 1 << "人" << endl;
            }
            break;

        case 4:
            if (s->front == NULL)
                cout << "没有人在排队" << endl;
            else
            {
                p = s->front;
                cout << "排队病人" << endl;
                while (p != NULL)
                {
                    cout << p->data << p->name << endl;
                    p = p->next;
                    count++;
                }
                cout << "共有" << count << "人在排队" << endl;
            }
            break;
        case 5:
            if (s->front != NULL)
                cout << "请没看完的病人明天就医" << endl;
            flag = 0;
            break;

            case 6:
            s = new LLink;
            s->front = s->rear = NULL;
            if(s) cout<<"系统初始化成功"<<endl;
            
        }
    }
    p = s->front;
    while (p != NULL)
    {
        q = p->next;
        free(p);
        p = q;
    }
    return 0;
}
void menu()
{

    cout << "\t\t医院就诊系统" << endl;
    cout << "\t>>1.候诊" << endl;
    cout << "\t>>2.就诊" << endl;
    cout << "\t>>3.查看排队情况" << endl;
    cout << "\t>>4.查看看诊" << endl;
    cout << "\t>>5.下班" << endl;
    cout << "\t>>6.上班" << endl;
    cout << "\t>>7.统计" << endl;
    cout << "\t>>请输入您要执行的操作:" << endl;
    system("pause");
    system("cls");
}

c++实现医院排队看病系统 以下是使用C++语言实现医院排队看病系统的示例代码。代码中使用了链表数据结构来存储病人信息,并按照先进先出的顺序排列。具体实现包括病人结构体、链表节点结构体、链表类以及主函数等部分。在主函数中,使用循环来不断读取用户输入,并根据用户输入的指令调用链表类中相应的方法来完成相应的操作。同时,还考虑了一些边界情况,例如链表为空时无法删除病人等。如何实现病人到医院看病,需要排队等候,先到先看。(2)排队过程中的病人可以随时查看自己前面还有多少病人等待看病;(3)系统能提示正在看病的后面一个病人作好准备。 阅读详情

相关推荐

病人看病模拟程序

编写一个程序,反映病人到医院看病,排队看医生的情况

基于链队列的病人就医管理系统(数据结构实训)

病人管理系统基于链队列的实现

lagerwu的博客 3312

数据结构与算法课设——医院候诊管理系统.docx

数据结构与算法课设——医院候诊管理系统.docx数据结构与算法课设——医院候诊管理系统.docx数据结构与算法课设——医院候诊管理系统.docx数据结构与算法课设——医院候诊管理系统.docx数据结构与算法课设——医院候诊管理系统.docx数据结构与算法课设——医院候诊管理系统.docx数据结构与算法课设——医院候诊管理系统.docx数据结构与算法课设——医院候诊管理系统.docx

编写病人看病模拟程序

编写病人看病模拟程序 目的:掌握队列应用的算法设计 内容:编写一个程序,反应病人到医院排队看医生的情况。在病人排队过程中主要重复下面两件事。 1:病人到达诊室,将病历本交给护士,排到等待队列中候诊。 2:护士从等待队列中取出下一位病人的病例,该病人进入诊室候诊。 要求模拟病人等待就诊这一过程。程序采用菜单方式,其选项及功能说明如下: 1):排队——输入排队病人的病历号,加入到病人排队队列中; 2):就诊——病人排队队列中最前面的病人就诊,并将其从队列中删除; 3):查看排队——从队首到队尾列出所有的排队病人

Zhangjf的博客 6491

数据结构与算法——看病排队候诊问题.docx

数据结构与算法——看病排队候诊问题.docx

数据结构课程设计:基于C++&QT的医院排队叫号系统(含课设报告).zip

本资源中的源码都是经过本地编译过可运行的,下载后按照文档配置好环境就可以运行。资源项目的难度比较适中,内容都是经过助教老师审定过的,应该能够满足学习、使用需求,如果有需要的话可以放心下载使用。有任何问题也可以随时私信博主,博主会第一时间给您解答!!! 本资源中的源码都是经过本地编译过可运行的,下载后按照文档配置好环境就可以运行。资源项目的难度比较适中,内容都是经过助教老师审定过的,应该能够满足学习、使用需求,如果有需要的话可以放心下载使用。有任何问题也可以随时私信博主,博主会第一时间给您解答!!! 本资源中的源码都是经过本地编译过可运行的,下载后按照文档配置好环境就可以运行。资源项目的难度比较适中,内容都是经过助教老师审定过的,应该能够满足学习、使用需求,如果有需要的话可以放心下载使用。有任何问题也可以随时私信博主,博主会第一时间给您解答!!!

数据结构队列算法——模拟病人在医院等待就诊过程

实现要求 病人在医院的看病流程:挂号->候诊->就诊。在本程序中只模拟等待就诊过程,所以主要完成的功能如下: 1.候诊——输入排队病人的病历号和姓名,加入到病人排队队列中。 2.就诊——病人排队队列中最前面的就诊,将其从队列中删除。 3.查看排队情况——针对就诊病人进行的查询,输入所要查询病人的病历号,显示其之前排队病人的人数以及他们的病历号和姓名。 4.查看看诊——看病医生进行的查询操作。判断是否还有人在候诊,如有显示候诊人数。 5.下班——退出运行。 6.上班——初始化排队队列。 7.可选功

哪有什么合适不合适的博客 8848

ArcMap投影变换避坑指南:为什么你的坐标转换总出错?常见问题解析与解决方案

本文深入解析ArcMap中坐标转换与投影变换的核心区别与常见陷阱。针对坐标转换总出错的问题,从混淆“定义投影”与“投影变换”、栅格数据重采样选择、矢量数据地理变换参数设置等关键环节,提供清晰的避坑指南与实战解决方案,帮助用户确保空间数据的精确匹配。

weixin_29210727的博客 356

模拟医院挂号系统

// Hospital.cpp : 定义控制台应用程序的入口点。 /** 病人到医院看病排队看医生的情况,在病人排队过程中,主要重复两件事: (1)病人到达诊室,将病历交给护士,排到等待队列中侯诊 (2)护士从等待队列中取出下一位病人的病历,该病人进入诊室就诊 要求:模拟病人等待就诊这一过程,程序采用菜单式,其选项和功能说明如下: (6) 上班——初始化排队队列。 (1) 排队——输入排队病人的病

朝歌 4112

大语言模型(LLM)在组合优化中的新突破:LLM-LNS与FunSearch性能对比

本文深入探讨了大语言模型(LLM)在组合优化中的创新应用,重点对比了LLM-LNS与FunSearch两种方法的性能差异。研究表明,LLM-LNS在物流路径规划、资源调度等场景中展现出显著优势,其双层自演化架构能有效平衡探索与利用,相比传统方法提升效率约43%。文章还提供了实践选择指南,帮助开发者根据具体需求选用合适的技术方案。

weixin_42526415的博客 405

AI智能体升级实战:从规则匹配到Function Call,准确率提升86%的技术选型之路

AI智能体升级实战:从规则匹配到Function Call的技术演进 文章记录了AI邮件助手从传统规则匹配升级到Function Call的技术迭代过程。通过案例分析,揭示了规则匹配的三大核心问题:覆盖不全(用户表达千变万化)、组合困难(多条件容易漏掉)、维护噩梦(每个需求都要新增规则)。测试数据显示,规则匹配在复杂查询中的准确率仅51%,严重影响用户体验。 技术团队对比了三种升级方案:1) 继续优化规则匹配(天花板明显);2) 微调专用NLP模型(成本高);3) 采用Function Call(灵活高效)

yweng18的博客 1079

利用 队列 来实现医院挂号模拟看病系统(c++,顺序及链式)

//一,顺序队列(麻烦&&锻炼自己能力) #include<iostream> using namespace std; typedef struct{ int *elem; char name[15][10]; int front,rear; }squeue,*s; int initqueue(squeue &l); int pushqueue(squeue &l); int popqueue(squeue &l); ...

qq_62677880的博客 2318

Matlab实战:用DQN算法让机器人学会自主避障(附完整代码)

本文详细介绍了如何使用Matlab实现DQN(深度Q网络)算法,使机器人在复杂环境中学会自主避障。通过环境建模、网络架构设计、奖励函数优化及实战调试,提供了完整的代码实现和训练策略,帮助开发者快速应用于机器人路径规划项目。

t8u9v0w1x的博客 232

数据结构第七周项目-排队看病模拟(队列)

/* *Copyright (c) 2017,烟台大学计算机与控制工程学院 *All rights reserved. *文件名称:多文件组织 *作 者:张昕 *完成日期:2017年12月17日 *版 本 号:v1.0 */ 编写一个程序,反映病人到医院看

zx735211469的博客 1014

从零开始:如何用Kimi OK Computer快速生成专业级数据分析报告和PPT(附实战案例)

本文详细介绍了如何利用Kimi OK Computer智能体模式,从零开始快速生成专业级数据分析报告和演示文稿。通过实战案例,解析了其任务规划、联网搜索、多工具协同和内容排版等核心能力,并提供了精准指令构造、工作流引导及成果精修的完整步骤,帮助用户高效完成从数据到成品的端到端交付。

weixin_29284201的博客 369

【开源电机驱动】位置环控制

这是三闭环里的最后一个:位置闭环控制。如果你认真的阅读并推导了前章节,那么这一节将会很好理解。一如既往,我会使用简练的语言来描述复杂的问题。本章节主要涉及位置环的一些概念,以及控制框图。文章不会涉及具体的代码。

BadBoyHolly的博客 6095

数据结构 线性表 医院

项目名称:医院排队系统项目内容:编写一个程序模拟患者到医院看病排队挂号就诊的情况。在患者排队过程中:(1)患者到达诊室,将病历本交给护士,排到等待队列中候诊。(2)护士从等待队列中取出下一位患者的病历,该患者进入诊室就诊。(3)医生下班,提醒余下患者明日就诊。这段代码是一个简单的排队系统,主要功能如下:1. 包含头文件、和自定义的队列类LinkQueue.h。2. 定义了一个函数menu()用于显示菜单。3. 定义了一个函数main()作为程序的主函数。

weixin_73381483的博客 1157

yolov8x-p2 实现 tensorrt 推理

yolov8x-p2, tensorrt 实现.

J。 2273

排队看病问题

医生在诊断治疗时,总是选择病情严重的病人(优先级别高)先进行诊治,如果遇到两个优先级别相同的病人,则选择最先来排队的病人进行诊治。 用队列模拟上述看病排除侯诊的问题,建立两个队列分别对应两个不同的优先级别,按照从终端读入的输入数据的方式进行模拟管理。输入1,表示所有新的病人加入队列侯诊,根据病情指定其优先级别;输入2,表示医生根据优先级别为病人进行诊治;输入3,表示退出系统。

Female_的博客 1504

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")

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。

实际问题之医院就诊----队列解法

医院就诊简单操作

2301_80750659的博客 1224

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

看病要排队(优先队列)

题目描述 看病要排队这个是地球人都知道的常识。 不过经过细心的0068的观察,他发现了医院里排队还是有讲究的。0068所去的医院有三个医生(汗,这么少)同时看病。而看病的人病情有轻重,所以不能根据简单的先来先服务的原则。所以医院对每种病情规定了10种不同的优先级。级别为10的优先权最高,级别为1的优先权最低。医生在看病时,则会在他的队伍里面选择一个优先权最高的人进行诊治。如果遇到两个优先权一样的病...

xuhang513的博客 375

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

HDOJ 看病要排队 (优先队列)

看病要排队 Time Limit : 3000/1000ms (Java/Other)   Memory Limit : 32768/32768K (Java/Other) Total Submission(s) : 12   Accepted Submission(s) : 11 Problem Description 看病要排队这个是地球人都知道的常识。 不过经过细心的0068的观

滴水穿石,慢慢积累,总会有成果 516

看病排队候诊问题

这题目看得我一脸懵逼。。。。。。。。。。。。。。。。。。。。  医院各科室的医生有限,病人到医院看病时必须排队就诊,而病人病情有轻重之分,不能简单地根据先来先服务的原则进行诊断治疗,所以医院根据病人的病情规定了不同的优先级别。医生在诊断治疗时,总是选择优先级别高的病人进行诊治,如果遇到两个优先级别相同的病人,则选择优先来排队的病人进行诊治。 基本要求:     (1)用队列模拟上述病人看病排...

Sinhaeng_Hhjian 5663

HDU 1873 看病要排队(优先队列)

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=1873 第一次写的优先队列题,准确来说不是写,是从网上找资料再从那里copy过来的。。。。。。。 不过还是要保存下来学习。。。。。 #include #include #include #include using namespace std; struct patient { int

A_Eagle的专栏 1862

HDU 1873 看病要排队(优先队列)

看病要排队 Time Limit: 3000/1000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Others) Total Submission(s): 8183    Accepted Submission(s): 3403 Problem Description 看病要排队这个是地球人都知道的常识。

Shyazhut 371
上一篇: 选举投票程序
下一篇: C++实现栈的基本操作简单模块化函数封装(增删查遍历输出判空)
Zhimin's-blog
博客等级 码龄5年 41粉丝 19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