[2018.07.17 T1] 字符串最大值

字符串求最大值 题目描述: 从键盘上输入3个字符串,求出其中最大者。 输入: 输入3行,每行均为一个字符串。 输出: 一行,输入三个字符串中最大者。 样例输入 England China America 样例输出 England 解题: //字符串求最大值 //从键盘上输入3个字符串,求出其中最大者 #include <stdio.h> #include <string.h> int ... 阅读详情

暂无连接

字符串最大值

【问题描述】

少年易学老难成,一寸光阴不可轻。

一个字符串的前缀是指包含该字符第一个字母的连续子串,例如:abcdabcd 的所有前缀为a,ab,abc,abcda,ab,abc,abcd。

给出一个字符串 SS,求其所有前缀中,字符长度与出现次数的乘积的最大值。

例如:S="abababa" 所有的前缀如下:

"a""a", 长度与出现次数的乘积 1∗4=41∗4=4,
"ab""ab",长度与出现次数的乘积 2∗3=62∗3=6,
"aba""aba", 长度与出现次数的乘积 3∗3=93∗3=9,
"abab""abab", 长度与出现次数的乘积 4∗2=84∗2=8,
"ababa""ababa", 长度与出现次数的乘积 5∗2=105∗2=10,
"ababab""ababab", 长度与出现次数的乘积 6∗1=66∗1=6,
"abababa""abababa", 长度与出现次数的乘积 7∗1=77∗1=7。

其中”ababa”出现了 22 次,二者的乘积为 10,是所有前缀中最大的。

【输入格式】

输入字符串 TT,T 中的所有字符均为小写英文字母。

【输出格式】

输出所有前缀中字符长度与出现次数的乘积的最大值。

【输入样例】

abababa

【输出样例】

10

【样例说明】

ababaababa 出现了两次

【数据范围】

对 20%20%的输入数据 :1<=L<=1001<=L<=100;

对 40%40%的输入数据 :1<=L<=10001<=L<=1000;

对 50%50%的输入数据 :1<=L<=50001<=L<=5000;

对 100%100%的输入数据 :1<=L<=10000001<=L<=1000000, LL 为 T 的长度。

数据非常有梯度。

题解

AC自动机天下第一,KMP辣鸡。

直接插入原串再用原串匹配一下,匹配完后拓扑递推一下即可统计答案。

但是裸的ACAC自动机会MLEMLE,因为TrieTrie退化成了一条链,所以就不用开M×26M×26了。

代码
#include<bits/stdc++.h>
using namespace std;
const int M=1e6+5;
char ch[M];
int len,tot,t[M],fail[M],son[M],nxt[M];
queue<int>dui;
void in(){scanf("%s",ch+1);}
void ins()
{
    int v=0,s;
    for(int i=1;i<=len;++i)
    {
        s=ch[i]-'a';
        if(!son[v])son[v]=++tot;
        nxt[v]=s,v=son[v];
    }
}
void bfs()
{
    int v,p;dui.push(0);
    while(!dui.empty())
    {
        v=dui.front();dui.pop();
        for(int i=0;i<26;++i)
        {
            if(nxt[v]!=i)continue;
            if(!v)fail[son[v]]=0;
            else
            {
                for(p=fail[v];~p;p=fail[p])if(nxt[p]==i){fail[son[v]]=son[p];break;}
                if(p==-1)fail[son[v]]=0;
            }
            if(son[v])dui.push(son[v]);
        }
    }
}
void cmp()
{
    int v=0,s,p;
    for(int i=1;i<=len;++i)
    {
        s=ch[i]-'a';
        while(v&&nxt[v]!=s)v=fail[v];
        if(nxt[v]==s)v=son[v];
        ++t[v];
    }
}
void ac()
{
    len=strlen(ch+1);fail[0]=-1;
    ins();bfs();cmp();long long ans=0;
    for(int i=len;i>=1;--i)t[fail[i]]+=t[i],ans=max(ans,1ll*i*t[i]);
    printf("%lld",ans);
}
int main(){in();ac();}
C++字符串查找:从find()到性能优化与多编码处理 字符串查找是编程中的基础操作,其核心原理是在主串中定位子串的首次出现。在C++中,这一操作不仅关乎功能实现,更直接影响程序的性能与健壮性。标准库的std::string::find()提供了安全便捷的接口,但其底层通常是朴素的暴力匹配算法,在处理超长文本时可能成为性能瓶颈。对于性能关键场景,C++17引入了std::boyer_moore_searcher等更高效的搜索器。此外,处理多字节编码(如UTF-8下的中文字符串)时,开发者需明确字节匹配与字符匹配的区别,避免因编码不一致导致的查找失败或乱码问题。在 阅读详情

相关推荐

遍历字符串中的最大数字

假设我们有一个包含数字和其他字符的字符串。我们的目标是遍历该字符串,找到其中的数字,并确定其中最大的数字是多少。这是一个简单的方法来遍历字符串并找到其中的最大数字。在编程学习过程中,经常会遇到需要从字符串中提取数字并找到其中最大值的情况。你可以尝试不同的输入字符串,包括更复杂的字符串,以验证代码的正确性和可靠性。的函数,该函数接受一个字符串作为输入。在循环结束后,我们还需要处理最后一个数字。列表中的最大值,并将其作为结果返回。如果是数字,我们将其添加到。是否包含数字,如果是,则将其转换为整数并添加到。

WqSmalltalk的博客 237

【2496. 数组中字符串的最大值】

【2496. 数组中字符串的最大值】

Sugar_wolf的博客 666

从Live2D到Unreal Engine:2D与3D虚拟数字人核心技术实现路径解析

本文深入解析了从Live2D到Unreal Engine的2D与3D虚拟数字人核心技术实现路径,涵盖技术选型、制作流程与优化技巧。通过对比2D骨骼动画与3D建模渲染的差异,结合实战案例,帮助开发者根据项目需求选择合适方案,提升虚拟数字人的交互体验与视觉效果。

weixin_30379531的博客 149

找字符串中最大字符(四种快速方法)

找字符串中最大字符(四种快速方法)

m0_71934846的博客 9030

ArcGIS小白必看:5分钟搞定面要素转点要素+自动计算经纬度坐标(附常见报错解决方案)

本文为ArcGIS新手详细解析了面要素转点要素并自动计算经纬度坐标的完整流程。核心在于正确理解和使用坐标系,并掌握ArcToolbox中的“要素转点”等工具。文章深入剖析了常见报错(如坐标系未定义、字段计算失败)的根源,提供了从基础操作到Python脚本自动化的实战解决方案,确保数据转换的准确与高效。

weixin_29284885的博客 575

Dify工作流自动化:如何用Trae AI助手10倍提升你的开发效率(含避坑指南)

本文详细介绍了如何利用Trae AI助手自动化生成Dify工作流,实现开发效率的10倍提升。通过构建DSL示例库、精准需求描述和四步实战法,开发者可将重复的配置工作交给AI,快速生成可运行的工作流,并提供了关键的避坑指南。

weixin_29062865的博客 371

编程实现找出一串字符串中的数字最大的值

编程实现字符串中数字值最大的值。如“hdf34gdf233kslds982lpow892ssfs”中最大值为982.

肩上风骋的博客 207

Qt6.8.0(win64)安装教程

启动 Visual Studio 2022 Community,选择 “继续但无需代码” 运行,然后打开Option设置,Add一条版本配置,Location 选择 D:\Qt\6.8.0\msvc2022_64\bin\qmake,点击确定。我是win11系统,所以选择windows版,下载路径二选一即可。方案1:默认情况下,额外勾选图中两个组件(总共40多G)方案2:按图中自定义勾选组件(总共5.8G)选择Custom Installation。我选的方案2,总共5.81G。

D4G1TIAO的博客 9074

[2018大华软件创新挑战赛] 初赛1~10题多种思路总结

[2018大华软件创新挑战赛] 初赛1~10题多种思路总结 赛题以及注意事项(下载):https://files.cnblogs.com/files/usingnamespace-caoliu/%E5%88%9D%E8%B5%9B.rar 第一题(已优化):   给定一个正数数组,找出不相邻元素的子序列的和的最大值。如:2、5、3、9应该返回14(5+9);8、5、3...

weixin_30826095的博客 779

2025认证杯数学建模第二阶段B题完整论文(代码齐全):谣言在社交网络上的传播

这需要我们深入理解抽样检测所得的次品率的不确定性及其对生产决策的影响。对于问题二的决策分析,我们可将其细分为四个关键的决策节点,分别是零件 1 的质量检测、零件 2 的质量检测、成品的质量检测,以及成品检测不合格时的拆解处理。该策略的实施,保证了在算法迭代过程中,表现最为优异的个体能够得到保留,并顺利传递至下一代,从而保障了算法在寻求最优解过程中的收敛性和优化效果。因此,我们采用假设检验的方法,将次品分布构造成 t 分布,从而确定在相应置信度的条件下,抽样次数 n 和次品数 k 所需满足的要求。

2301_81596622的博客 1007

【计算机图形学】Pov-Ray画的垃圾小车

效果: 代码: #include "colors.inc" #include "metals.inc" #include "glass.inc" //相机 //这个位置车子刚好落在草地上了 camera { location direction z*1.5 right x*image_width/image_height look_at

lishichengyan的博客 1749

2018 Multi-University Training Contest 1

1001Maximum Multiple 谈学姐写的 1 #include<bits/stdc++.h> 2 using namespace std; 3 long long n,i,j,k,s,t,ans,T; 4 long long a[1000010]; 5 int main() 6 { 7 n=1e6; 8 ...

weixin_30367543的博客 86

黑猫带你学eMMC协议第12篇:生产状态感知(PSA)

1 概述 1.1 什么是PSA Production State Awareness (PSA) 生产状态感知 e•MMC设备可以利用其是否在生产环境中的信息,从而在现场运作时进行不同的操作。 例如,在设备低温焊接(soldering)前,将数据写入emmc,可能导致数据出错,而正在焊接期间写入数据,出错的概率可能会更大。在低温焊接之前,emmc设备可以使用一种特定的内部操作去加载内容,这样就能减少数据出错的概率,而在低温焊接后进行常规的操作就行了。 1.2 psa如何进行工作? PSA存在于emmc5.0

黑猫奥利奥的博客 4262

2018.12.17-dtoj-1173-每个字符串至少出现两次且不重叠的最长子串

题目描述: 给定n个字符串,求在每个字符串中至少出现两次且不重叠的最长子串。 算法标签:后缀数组 以下代码: #include<bits/stdc++.h> #define il inline #define _(d) while(d(isdigit(ch=getchar()))) using namespace std; const int N=1e5+10;...

weixin_34190136的博客 106

万字长文:YOLOv5+RK3588 NPU多线程加速全攻略——从理论到部署的终极优化

RK3588 NPU多线程加速优化教程摘要 本教程深入讲解了如何利用线程池技术优化RK3588 NPU上的YOLO目标检测模型推理性能。RK3588内置3个NPU核心,理论算力达6TOPS,为多线程优化提供了硬件基础。教程详细解析了线程池的核心组件(任务队列、工作线程、同步机制)和实现架构,包括类设计、初始化流程、工作线程逻辑(任务获取、NPU推理、结果存储三个阶段)以及任务提交/获取机制。通过预分配模型实例、线程绑定、流量控制等优化手段,实现了从单线程28FPS到多线程120FPS的显著性能提升,为边缘A

LXY_LOVE36的博客 1101

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

历年CSP-J初赛真题解析 | 2018年CSP-J初赛

第1题以下哪一种设备属于输出设备( )A.扫描仪B.键盘C.鼠标D.打印机【答案】:D【解析】A、B、C都是输入设备第2题下列四个不同进制的数中,与其它三项数值上不相等的是( )A.26916​B.61710​C.11518​D.10011010112​【答案】:D【解析】十六进制和八进制优先转为二进制后比较,可以发现A和C相同,与D不同,故选D第3题1MB等于( )A.1000字节B.1024字节C.1000 X 1000字节。

团爸讲算法 5199

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

JZOJ 5795. 2018.08.10【2018提高组】模拟A组&省选 词典

相当于相邻的非0之间的距离的最大值,边建立字典树边计算答案即可 1 %:pragma GCC optimize(2) 2 %:pragma GCC optimize(3) 3 %:pragma GCC optimize("Ofast") 4 %:pragma GCC optimize("inline") 5 %:pragma GCC optimize(...

aoping9329的博客 167

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

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")

2018计蒜客之道初赛

小明刚刚入职淘宝,老大给他交代了一个简单的任务,实现一个简易的商品推荐系统。 这个商品推荐系统的需求如下: 一共有 n 件商品可以被推荐,他们的编号分别为 1 到 n。每件商品都有一个价格,编号为 i 的商品价格为 pi​ 元。现在需要给用户推荐尽可能多的商品,但是要保证按照编号上升的顺序给用户依次推荐商品,并且,相邻商品的价格之差的绝对值不能超过 d。注意,第一个推荐的商品价格没有限制。 ...

小博客 623

ACM-ICPC 2018 沈阳赛区网络预赛 Supreme Number(枚举)

A prime number (or a prime) is a natural number greater than 11 that cannot be formed by multiplying two smaller natural numbers. Now lets define a number NN as the supreme number if and only if each...

yu121380的博客 674

2018年各大互联网前端面试题二(滴滴打车)

前言:近年来T行业就业者越来越多,有关于编程行业的高薪工作也变得越来越难找,竞争力越来越大,想要在众多的应聘者当中脱颖而出,面试题和笔试题一定要多加研究和琢磨,以下记录的是自己的面试过程之中遇到的一些比较经典的笔试题。我找工作面试的时候没有太多的经验,也走了不少的弯路,但是有所记录,有所总结现在分享出来,很多企业的面试题并没有那么难,大多数都是来源于网络,只要自己准备充分,将网络上的各类面试题一一...

qq_38822390的博客 281

201771010102 常惠琢《2018面向对象程序设计(Java)》第10周学习总结

实验十泛型程序设计技术 实验时间2018-11-1 1、实验目的与要求 (1)理解泛型概念; (2)掌握泛型类的定义与使用; (3)掌握泛型方法的声明与使用; (4)掌握泛型接口的定义与实现; (5)了解泛型程序设计,理解其用途。 2、实验内容和步骤 实验1:导入第8章示例程序,测试程序并进行代码注释。 测试程序1: l编辑、调试、运行教材311、312页...

weixin_30466421的博客 131

2018百度之星程序设计大赛资格赛——1001调查问卷

HDU-6344 Problem Description 度度熊为了完成毕业论文,需要收集一些数据来支撑他的论据,于是设计了一份包含 m 个问题的调查问卷,每个问题只有 'A' 和 'B' 两种选项。 将问卷散发出去之后,度度熊收到了 n 份互不相同的问卷,在整理结果的时候,他发现可以只保留其中的一部分问题,使得这 n 份问卷仍然是互不相同的。这里认为两张问卷是不同的,当且仅当存在至少一个被保...

毕业设计选题帮助、项目指导,欢迎打扰 486
上一篇: [2018.07.14 T3] B君的第六题
下一篇: [2018.07.17 T2] Palindromes
ShadyPi
博客等级 码龄9年 1万+粉丝 637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

打赏作者

ShadyPi

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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