Java实现 蓝桥杯 算法提高 数组求和

java 实现 蓝桥杯 算法提高 排列数 问题描述   0、1、2三个数字的全排列有六种,按照字母序排列如下:   012、021、102、120、201、210   输入一个数n   求0~9十个数的全排列中的第n个(第1个为0123456789)。 输入格式   一行,包含一个整数n 输出格式   一行,包含一组10个数字的全排列 样例输入 1 样例输出 0123456789 数据规模和约定   0 < n <= 10! ... 阅读详情

试题 算法提高 数组求和

资源限制
时间限制:1.0s 内存限制:256.0MB
问题描述
  输入n个数,围成一圈,求连续m(m<n)个数的和最大为多少?
输入格式
  输入的第一行包含两个整数n, m。第二行,共n个整数。
输出格式
  输出1行,包含一个整数,连续m个数之和的最大值。
样例输入
10 3
9 10 1 5 9 3 2 6 7 4
样例输出
23
数据规模和约定
  0<m<n<1000, -32768<=输入的每个数<=32767。

PS:
方法就是把数组的前m个放在正常数组的后面

第一个好理解 第二个代码量少

 

import java.util.Scanner;

public class Main {
    public static void main(String[] args) {
        Scanner sc = new Scanner(System.in);
        int n = sc.nextInt();
        int m = sc.nextInt();

        int [] num = new int [n+m];
        for (int i=0;i<n;i++){
            num[i]=sc.nextInt();
        }
        sc.close();

        for (int i=n;i<n+m;i++){
            num[i]=num[i-n];
        }
//        for (int i=0;i<num.length;i++){
//            System.out.print(num[i]+" ");
//        }
        int max = 0,sum=0;
        for (int i=0;i<m;i++)
            sum+=num[i];
        for (int i=m;i<m+n;i++){
           sum=    sum-num[i-m]+num[i] ;
            max=Math.max(max,sum);
        }
        System.out.println(max);

    }
}

 

import java.util.Scanner;

public class 数组求和 {
    public static void main(String[] args) {
        int max = 0,sum=0,n,m,i;
        int [] num;
        Scanner sc = new Scanner(System.in);
          n = sc.nextInt();
          m = sc.nextInt();
    //建立m+n的数组就是为了把首尾连接的情况
        // 把最开头的m个放在后面,省去了链表的复杂
        num = new int [n+m];
        for (  i=0;i<m;i++){
            num[i]=sc.nextInt();
            sum+=num[i];
        }
 
        for (  i=m;i<m+n;i++){
            num[i]=i<n?sc.nextInt():num[i-n];//n以内就是输入的,n以后就是数组的前m
            sum=  sum-num[i-m]+num[i] ;//减去m列表内的第一项,加上当前项
            max=Math.max(max,sum);
        }
        sc.close();
        System.out.println(max);
 
    }
}

Java实现 蓝桥杯 算法提高 最长滑雪道 试题 算法提高 最长滑雪道 资源限制 时间限制:1.0s 内存限制:256.0MB 问题描述   小袁非常喜欢滑雪, 因为滑雪很刺激。为了获得速度,滑的区域必须向下倾斜,而且当你滑到坡底,你不得不再次走上坡或者等待升降机来载你。 小袁想知道在某个区域中最长的一个滑坡。区域由一个二维数组给出。数组的每个数字代表点的高度。如下: 一个人可以从某个点滑向上下左右相邻四个点之一,当且仅当高度减小。在... 阅读详情

相关推荐

Java实现 蓝桥杯VIP 算法提高 分苹果

算法提高 分苹果 时间限制:1.0s 内存限制:256.0MB 问题描述   小朋友排成一排,老师给他们分苹果。   小朋友从左到右标号1…N。有M个老师,每次第i个老师会给第Li个到第Ri个,一共Ri-Li+1个小朋友每人发Ci个苹果。   最后老师想知道每个小朋友有多少苹果。 输入格式   第一行两个整数N、M,表示小朋友个数和老师个数。   接下来M行,每行三个整数Li、Ri、Ci,意义...

南 墙 1万+

Java中如何对一个数组进行求和呢?

Java中对一个数组进行求和的方法分享

qq_25073223的博客 5017

Java实现蓝桥杯VIP 算法训练 矩阵乘方

import java.util.Scanner; public class 矩阵乘方 { public static void main(String[] args) { Scanner scanner = new Scanner(System.in); int N = scanner.nextInt(); //N阶 int M = scanner.nextInt()...

南 墙 1万+

java 数组怎么求和_java数组求和怎么解决?有哪些方式?

Java经典题目之一,数组的各种求和,今天小编就用一些例子带大家了解一下其中详情。基础求和#includeusingnamespacestd;//数组求和//方法一:时间复杂度为O(n),额外空间为(n)intArraySum(intarr[],intn){intsum=0;for(inti=0;i{sum+=arr[i];}returnsum;}//方法二...

weixin_39661881的博客 6672

Java实现 蓝桥杯 算法提高 最大乘积

算法提高 最大乘积 时间限制:1.0s 内存限制:512.0MB 提交此题 问题描述   对于n个数,从中取出m个数,如何取使得这m个数的乘积最大呢? 输入格式   第一行一个数表示数据组数   每组输入数据共2行:   第1行给出总共的数字的个数n和要取的数的个数m,1<=n<=m<=15,   第2行依次给出这n个数,其中每个数字的范围满足:a[i]的绝对值小于等于4。 ...

南 墙 1万+

附录B:Standard Delay Format(SDF)(上)

本附录将介绍标准延迟标注格式,并说明了如何在仿真中执行反标。 延迟格式描述了设计网表的单元延迟和互连走线延迟,无论设计是用两种主要硬件描述语言(VHDL或Verilog HDL)中的哪一种所描述的。 本章还会介绍仿真的反标(backannotation),STA的反标其实是一个简单直接的过程,其中DUA中的时序弧将由SDF所指定的延迟进行标注。

To the beyond and infinity! 5413

Java计算数组中元素的总和

数组元素的总和是指数组中所有元素(或数字)的总和。数组元素可以是整数(int)或十进制数字(float或double)。 方法1:使用for循环 这是一种传统且最常用的方法,其中使用for循环来迭代数组。 在每次迭代中,将当前数组元素添加到一个保存数组元素总和的变量中。 在循环开始之前,此变量被初始化为0。例如, ​ public class ArraySumCalculator { public static void main(String[] args) { int[] array .

allway2的博客 4万+

rsyslog交叉编译(armv7、armv8、aarch64、arm32平台通用)

该文档描述了如何交叉编译rsyslog到arm64嵌入式平台。

sinat_33909696的博客 1560

java 数组求和 详解

java 数组求和 详解

T_Y_F_的博客 3030

QT开发串口程序与单片机通讯

如果有对象对这个信号感兴趣,想要处理的信号和自己的一个函数(称为槽(slot))绑定来处理这个信号。的内容,虽然实现的功能很简单,但是QT上位机开发的步骤基本就是这些步骤,通过这个基础实例把这些套路摸透我们就可以接着进行后续更多QT程序地开发学习了。QWidget类:所有用户界面对象的基类,窗口部件是用户界面的一个基本单元,它从窗口系统接收鼠标,键盘和其他消息,并在屏幕上绘制自己。我们上面运行的上位机都是在Qt Creator中编译运行的,如果我们需要把编写好的可执行文件发送给别人使用的话还需要进行打包。

谢谢大家的关注和点赞!这里只有纯纯的知识干货,没有一句废话。希望能实实在在帮到大家~要是觉得有用,别忘了给我点支持哟,你 948

AI故障预测系统架构设计:5个核心模块+3种主流架构,收藏这篇就够了

深夜11点,某汽车工厂的生产线突然停机——核心机器人的轴承磨损过度导致卡壳。维修人员连夜抢修,直接损失超过50万元,还延误了客户的交货期。传统的“事后维修”或“定期维护”要么代价高昂,要么防不胜防。AI故障预测系统的出现,让“精准维护”成为可能——它能通过传感器数据提前7-30天预警故障,将停机损失降低80%以上。知道要做故障预测,却不知道怎么搭系统——数据怎么采集?特征怎么提取?模型怎么部署?架构怎么选?本文将解决这些问题:我们会拆解AI故障预测系统的5个核心模块,分析3种主流架构。

AIGC应用创新大全的博客 1020

java实现快速求和_Java实现 蓝桥杯 算法提高 数组求和

试题 算法提高 数组求和资源限制时间限制:1.0s 内存限制:256.0MB问题描述输入n个数,围成一圈,求连续m(m输入格式输入的第一行包含两个整数n, m。第二行,共n个整数。输出格式输出1行,包含一个整数,连续m个数之和的最大值。样例输入10 39 10 1 5 9 3 2 6 7 4样例输出23数据规模和约定0PS:方法就是把数组的前m个放在正常数组的后面第一个好理解第二个代码量少im...

weixin_35676943的博客 845

HighTec安装使用

HighTec安装使用

qq_43552564的博客 3836

蓝桥杯 ADV-303 算法提高 数组求和

算法提高 数组求和 时间限制:1.0s 内存限制:256.0MB 问题描述   输入n个数,围成一圈,求连续m(m<n)个数的和最大为多少? 输入格式   输入的第一行包含两个整数n, m。第二行,共n个整数。 输出格式   输出1行,包含一个整数,连续m个数之和的最大值。 样例输入 10 3 9 10 1 5 9 3 2 6 7 4 样...

荔枝的FM 561

修改Windows hosts文件的解决方案

本文主要介绍了修改Windows hosts文件解决方案,希望能对新手有所帮助。 文章目录 1. 问题描述 2. 解决方案 2.1 安装软件 2.2 修改hosts文件

weixin_43178406的博客 1万+

多线程开发的基本概念

在Android开发中,我们常常会遇到多线程开发的需求。由于Android中的,我们不能在主线程处理耗时逻辑,否则会导致卡顿,甚至出现ANR(应用无响应)等异常情况。因此,我们需要将网络请求等耗时操作放到中去执行,完成后再更新UI。多线程开发因此成为Android开发中的一个重要部分。随着Android开发技术的不断进步,从早期的使用Handler,到后来的RxJava,再到如今的Kotlin协程,切换线程以及并发编程的代码写起来是越来越简洁了。

喻志强的博客 1020

蓝桥杯 试题 算法提高 数组求和

资源限制 时间限制:1.0s 内存限制:256.0MB 问题描述   输入n个数,围成一圈,求连续m(m<n)个数的和最大为多少? 输入格式   输入的第一行包含两个整数n, m。第二行,共n个整数。 输出格式   输出1行,包含一个整数,连续m个数之和的最大值。 样例输入 10 3 9 10 1 5 9 3 2 6 7 4 样例输出 23 数据规模和约定   0<m<n&l...

weixin_43764596的博客 356

Transformer从菜鸟到新手(一)

从本文开始回顾一下Transformer的原理与实现细节,包括分词算法BPE的实现。最终利用从零实现的Transformer模型进行英中翻译。

日积月累,天道酬勤 2126

[蓝桥杯]数组求和【Java】

题目描述 输入n个数,围成一圈,求连续m(m<n)个数的和最大为多少? 输入 输入的第一行包含两个整数n, m。第二行,共n个整数。 输出 输出1行,包含一个整数,连续m个数之和的最大值。 样例输入 10 3 9 10 1 5 9 3 2 6 7 4 样例输出 23 思路:主要两种方法,向前加,和向后加,向前加我叫做前缀方法,向后加称为滑动窗口方法。 滑动窗口方法:向后滑动超过最大长度取模,例如4 ,9,10下标为9 ,0 ,10就是9mod10,10mod10,11mod10的结果 前缀方法:其实类

weixin_42240763的博客 659

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")

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Java实现 蓝桥杯 算法提高 快速排序

试题 算法提高 快速排序 资源限制 时间限制:1.0s 内存限制:256.0MB 问题描述   用递归来实现快速排序(quick sort)算法。快速排序算法的基本思路是:假设要对一个数组a进行排序,且a[0] = x。首先对数组中的元素进行调整,使x放在正确的位置上。同时,所有比x小的数都位于它的左边,所有比x大的数都位于它的右边。然后对于左、右两段区域,递归地调用快速排序算法来进行排序。 ...

南 墙 1万+

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

蓝桥杯 算法提高 数组求和 Java

算法提高 数组求和 资源限制 时间限制:1.0s 内存限制:256.0MB 问题描述 输入n个数,围成一圈,求连续m(m<n)个数的和最大为多少? 输入格式 输入的第一行包含两个整数n, m。第二行,共n个整数。 输出格式 输出1行,包含一个整数,连续m个数之和的最大值。 样例输入 10 3 9 10 1 5 9 3 2 6 7 4 样例输出 23 数据规模和约定 0<m<n...

Poker的博客 346

《蓝桥杯算法入门》(C/C++、Java、Python三个版本)24年10月出版

蓝桥杯大赛软件类入门书,有三种语言的版本:C/C++、Java、Python。

罗勇军的博客 1万+

Java实现 蓝桥杯 算法训练 删除数组零元素

算法训练 删除数组零元素 时间限制:1.0s 内存限制:512.0MB 提交此题 从键盘读入n个整数放入数组中,编写函数CompactIntegers,删除数组中所有值为0的元素,其后元素向数组首端移动。注意,CompactIntegers函数需要接受数组及其元素个数作为参数,函数返回值应为删除操作执行后数组的新元素个数。输出删除后数组中元素的个数并依次输出数组元素。 样例输入: (输入格式说...

南 墙 1万+
上一篇: Java实现 LeetCode 131 分割回文串
下一篇: Java实现 蓝桥杯 算法提高 秘密行动
冷傲幽神
博客等级 码龄8年 32粉丝 2023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