字符串字母全排列练习

问题 B: 输出N个不同字母的全排列 N个字母的全排列,升序排列,每行一个。正整数N(N<10) 阅读详情

输入例子:
WHL


输出例子:按字母序输出
HLW

HWL

LHW

LWH

WHL

WLH

import java.util.Scanner;
import java.util.TreeSet;

public class Main {
 public static int count = 0;
 public static void main(String[] args){   
  Scanner scan = new Scanner(System.in);
  while(scan.hasNext()){ 
   String key = scan.nextLine();   
   TreeSet<String> ts = new TreeSet<String>();
   QuanPaiLie(0 , key , ts);
   for(String keyStr : ts){
    System.out.println(keyStr);
   }
  }
  scan.close();
    }
 /**
  * 求字符串的全排列
  * 算法思想:递归
  */
 private static void QuanPaiLie(int step, String key , TreeSet<String> ts) {  
  int length = key.length(); 
  if(step == length - 1){   
   ts.add(key);
  }
  for(int i = step ; i < length ; i++){
   key = swap(step , i , key);  //交换 
   QuanPaiLie(step + 1 , key ,ts);
   key = swap(step , i , key);  //恢复
  }  
 }
 /**
  * 交换字符串中的某两位,返回新的字符串
  * */
    private static String swap(int a , int b , String str){
     //如果要交换的两个下标相等直接返回字符串
     if(a == b) return str;
     String result = "";
     int length = str.length();
     char[] strCh = str.toCharArray();
     char tempCh = strCh[a];
     strCh[a] = strCh[b];
     strCh[b] = tempCh;
     for(int i = 0 ; i < length ; i++){
      result += strCh[i];
     }
     return result;
    }
}

LeetCode 字母大小写全排列(回溯法) 给定一个字符串S,通过将字符串S中的每个字母转变大小写,我们可以获得一个新的字符串。返回所有可能得到的字符串集合。 示例: 输入: S = "a1b2" 输出: ["a1b2", "a1B2", "A1b2", "A1B2"] 输入: S = "3z4" 输出: ["3z4", "3Z4"] 输入: S = "12345" 输出: ["12345"] 注意: S 的长度不超过12。 S 仅由数字... 阅读详情

相关推荐

字符串全排列问题

分析:

zhaojinjia的专栏 1万+

输出N个不同字母的全排列

输入正整数n(n<10),输出ABCD...n个不同字母的全排列,输出时按升序每行显示一个结果 输入 正整数N(N<10) 输出 N个字母的全排列,升序排列,每行一个 样例输入 4 样例输出 ABCD ABDC ACBD ACDB ADBC ADCB BACD BADC BCAD BCDA BDAC BDCA CABD CADB CBAD CBDA

干掉学霸我称王的博客 6580

字母有重复全排列

输出前N个字母的有重复全排列 Input 输入一个数值N 1

AIGC 1921

输出n个不同字符的所有排列方式(据说是京东笔试题)

比如: eg1: 输入ab 输出ab,ba eg2: 输入abc 输出abc,acb,bac,bca,cab,cba           定义了两个链表,一个存储源字符序列,即eg1中的a跟b,另一个作为栈使用,在每一次递归时往栈里面压一个字符,然后递归出来了就把这个字符退出栈。 递归函数中先判断是否递归到了尽头(就是存放源字符序列的链表已经为空),如果递归到了尽头,则输出栈中的

1149

2026四款AI原生IDE实测:Trae、Qoder、CodeBuddy、Cursor能力边界深度解析

AI原生IDE正从代码编辑器演进为开发者智能工作流中枢,其核心在于对上下文理解、AST编辑意图建模与多模态任务调度的工程化实现。区别于传统插件式AI辅助,真正的AI原生IDE需具备知识库嵌入、符号图索引、操作链固化等底层能力,从而支撑Figma转码、N+1查询修复、跨语言迁移等复杂场景。Trae强调中文语境与企业规范的强绑定,Qoder聚焦AST级编辑轨迹预测,CodeBuddy通过IDE/插件/CLI三态划分控制权边界,Cursor则以云端Agent实现开发任务的时空并行。本文基于真实项目压测,揭示免费版

ctk87443的博客 2472

【用递归实现】输出全排列

接着设置一个递归函数来输出n的全排列,举例,当n=3时,全排列如输出样例所示,那么这个答案是不是可以理解为我先让开头的数(1)不变,让后面的两位数(2,3)全排列,然后再把第二个数和第一个数交换,2就到了第一位,然后继续让后两位数全排列,排列完再换回来,以此类推......,即序列a1​,a2​,⋯,an​排在序列b1​,b2​,⋯,bn​之前,如果存在k使得a1​=b1​,⋯,ak​=bk​ 并且 ak+1​<bk+1​。输出1到n的全排列。3)然后对 后n-1 位进行全排列,即。

weixin_58290379的博客 949

工程制图习题集张大庆课后习题答案解析

所以,我想向大家求助,希望能得到一些学习资料、学习方法和学习经验,帮助我更好地理解和掌握这门课程。在寻找学习资料的过程中,我发现了一款叫做资小料的APP,它里面有很多关于工程制图的学习资料,包括视频教程、习题解答和考试真题等。通过使用资小料,我逐渐掌握了工程制图的基本理论和方法,解决了很多学习中遇到的问题。在这里,我想推荐给和我一样在学习《工程制图习题集》这门课的同学们,希望大家也能从这款APP中受益,共同进步。上传者: 『Consentesdei』蒼迷穀。出版社: 清华大学出版社。

weixin_58833001的博客 927

100个python算法超详细讲解:逆序输出数字

【100个python算法超详细讲解】@谷哥技术1.问题描述 编程实现将输入的整数逆序输出。 2.问题分析 前面我们已经接触过很多的递归问题了,这些递归问题可以简单 地分成两类:一类可以归结为数值问题,还有一类为非数值问题。 数值问题的递归是指可以表达为数学公式的问题,如9.1节的猴子 吃桃问题,9.4节的求年龄问题。 非数值问题的递归是指问题本身难以用数学公式来表达的问题, 如9.3节的汉诺塔问题。 对于数值问题,由于本身可以表达为数学公式,所以可以从数学 公式入手来推导出问题的递归定义,然后确定问题的边

Lee达森的博客 1万+

arduino uno spi驱动12864

arduino uno spi驱动12864

yvee的博客 2060

Halcon图片拼接避坑指南:特征点匹配常见问题与解决方案

本文深入解析Halcon图片拼接中特征点匹配的常见问题与解决方案,涵盖特征点提取、匹配优化及变换模型选择等关键环节。针对工业视觉检测中的拼接错位、重影等问题,提供参数调优、图像预处理和算法选择等实战技巧,帮助开发者高效避坑并提升拼接精度。

weixin_28694169的博客 200

python必背100源代码详解-Python基础练习100题 ( 91~ 100)

刷题继续昨天和大家分享了81-90题,今天继续来刷最后的91-100题Question 91:Please write a program which accepts a string from console and print it in reverse order.**Example:If the following string is given as input to the progr...

weixin_37988176的博客 2212

汽车OTA自动化测试解决方案

目前OTA远程升级技术已成为众多汽车制造商的标配。由于OTA升级可能会带来潜在的风险(特别是包含ECU固件更新的FOTA升级),针对OTA系统的测试过程就尤为重要。

东舟技术的博客 7761

考研机试题: 全排列

给定一个由不同的小写字母组成的字符串,输出这个字符串的所有全排列。我们假设对于小写字母有'a' < 'b' < ... < 'y' < 'z',而且给定的字符串中的字母已经按照从小到大的顺序排列。

weixin_56259838的博客 264

RAGFlow 系列教程 第14课:GraphRAG -- 知识图谱增强检索

RAGFlow v0.25.0深度解读了GraphRAG技术,通过构建知识图谱解决传统RAG在多跳推理问题上的局限。系统支持General GraphRAG和Light GraphRAG两种实现,包含四阶段构建流程:实体关系抽取、实体消解、社区检测和图持久化。核心代码位于rag/graphrag目录,采用LLM驱动的抽取机制,结合编辑距离和LLM确认的实体消解策略,以及Leiden社区检测算法。KGSearch模块通过多信号融合检索(实体+关系+N-hop+社区)实现高效查询。该系统将非结构化文本转化为可推

weixin_43674738的博客 101

短信验证码逻辑漏洞学习——各种绕过姿势技巧

短信验证码逻辑漏洞学习——各种绕过姿势技巧

记录并分享学习安全的知识点.. 2560

递归练习

欢迎使用Markdown编辑器写博客在n个球中,任意取m个(不放回),求有多少种不同取法public class Main { //在n个球中,任意取m个(不放回),求有多少种不同取法。 public static int fun(int n, int m){ //如果3个球中取4个,返回0 if(n < m) return 0; //

丶拾慌 556

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

【递归思想】给定一个由不同的小写字母组成的字符串,输出这个字符串的所有全排列。(c++)

【递归思想】给定一个由不同的小写字母组成的字符串,输出这个字符串的所有全排列。1.【题目描述】2.【代码】 1.【题目描述】 【题目描述】 给定一个由不同的小写字母组成的字符串,输出这个字符串的所有全排列。 【输入】 只有一行,是一个由不同的小写字母组成的字符串,已知字符串的长度在1到6之间。 【输出】 输出这个字符串的所有排列方式,每行一个排列。要求字母序比较小的排列在前面。 【输入样例】 abc 【输出样例】 abc acb bac bca cab cba 2.【代码】 #include<bits

qq_40802813的博客 7658

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

jre9下载 jdk9

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

字母全排列(dfs+回溯)

题目描述 给定一个由不同的小写字母组成的字符串,输出这个字符串的所有全排列。 我们假设对于小写字母有'a' < 'b' < ... < 'y' < 'z',而且给定的字符串中的字母已经按照从小到大的顺序排列。 输入描述: 输入只有一行,是一个由不同的小写字母组成的字符串,已知字符串的长度在1到6之间。 输出描述: 输出这个字符串的所有排列方式,每行一个排列。要...

bijingrui的博客 1303

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")

输出N个字母的全排列问题

1.全排列的重点在于各字母出现的频数而不是对字符串的调整。以回溯的方式,通过操作字母表的频数和当前string的位数来实现全排列。 2.可以采用递归法或STL。 3.STL中已经有轮子--bool next_permutation(itr1,itr2),此算法需要配合sort()使用。 以下是原文:                                              

qq_16930023的博客 5623

【回溯】含有重复字母的字符串全排列问题

问题描述: 输出字符串的全部排列顺序,可能含有重复字母 输入: 两行,第一行表示字符串长度(<100) 第二行为个长度大于0小于100的字符串 输出: 若干行,第一行表示全排列的种数 接下来每行表示一种排列方式 解法:回溯去重 思路 (1)将第一个字母与第二个字母交换,输出一种排列 (2)然后将第一个字母与第三个字母交,输出一种排列 (3)但是在(1)(2)之间存在一个问题,当(1)执行了之后紧接着执行(2),其效果是第三个字母和第二个字母交换(因为在(1)中第一个字母已经和第三个字母产生交换了)

chaim16的博客 1254

全排列顺序输出【c语言】【按字母序】【有序全排列】

全排列顺序输出,按字母序有序输出,字母序比较小的排列在前面。

Henyry的博客 3989

每日刷题|回溯法解决全排列问题第二弹之解决字符串、字母大小排列问题

回溯法系列刷题之全排列第二弹(*^▽^*) 本文介绍了全排列中字符串、字母大小排列问题

B1ue还在专注 1256

字母全排列快速算法C代码

全排列,比如字母ABC,所有排列有A ,AB,AC,ABC,ACB,B,BA,BC,BAC,BCA,C,CA,CB,CAB,CBA。//原理是插入, 在一个字符串的所有位置插入新字符.//如: AB 插入C , 位置有 1A2B3, 插入后形成 CAB ACB ABCchar *AllList(char *str, int *pNum)...{    int i, j, k, n;  

phphot 1701

字母大小写全排列

字母大小写全排列 先修知识点 void B(string& A) :函数B的参数是对A的引用,共用同一个内存,返回值直接改变A的值 isalpha(char):函数是用来判断char是不是字母,如果是字母返回true,如果不是字母返回false 题目描述 给定一个字符串S,通过将字符串S中的每个字母转变大小写,我们可以获得一个新的字符串。返回所有可能得到的字符串集合。 输入: ...

红尘滚滚的云 1304

字符串的全排列

``给定一个全由小写字母构成的字符串,求它的全排列,按照字典序从小到大输出。 输入格式: 一行,一个字符串,长度不大于8。 输出格式: 输出所有全排列,每行一种排列形式,字典序从小到大。 输入样例: 在这里给出一组输入。例如: abc 输出样例: 在这里给出相应的输出。例如: abc acb bac bca cab cba #include <iostream> #include &l...

qq_45013991的博客 1856
上一篇: 华为机试---解密(全排列)
下一篇: 华为机试---奇数位丢弃
bigthinker
博客等级 码龄12年 16粉丝 79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