JAVA大学实用教程实验指导5.2.1答案

java学习笔记3 面向对象编程 1.中国人,北京人和美国人继承 public class People { protected double weight,height; public void speakHello() { System.out.println("yayaya");} public void averageHeight() { height =173; System.out.println("average height:"+height);} public void averageWeight() { 阅读详情

P39       继承             代码补完

 

 

 

Example.java

  1. class People
  2. {
  3.     protected double weight,height;
  4.     public void speakHello()
  5.     {
  6.         System.out.println("yayawawa");
  7.     }
  8.     public void averageHeight()
  9.     {
  10.         height=173;
  11.         System.out.println("average height:"+height);
  12.     }
  13.     public void averageWeight()
  14.     {
  15.         weight=70;
  16.         System.out.println("average weight:"+weight);
  17.     }
  18. }
  19. class ChinaPeople extends People
  20. {
  21.     public void speakHello()
  22.     {
  23.         System.out.println("你好,吃了吗?");
  24.     }
  25.     public void averageHeight()
  26.     {
  27.         System.out.println("中国人的平均身高:168.78厘米");
  28.     }
  29.     public void averageWeight()
  30.     {
  31.         System.out.println("中国人的平均体重:65公斤");
  32.     }
  33.     public void chinaGongfu()
  34.     {
  35.         System.out.println("坐如钟,站如松,睡如弓");
  36.     }
  37. }
  38. class AmericanPeople extends People
  39. {
  40.     public void speakHello()
  41.     {
  42.         System.out.println("How do you do?");
  43.     }
  44.     public void averageHeight()
  45.     {
  46.         System.out.println("Amerian Average height:188.0 cm");
  47.     }
  48.     public void averageWeight()
  49.     {
  50.         System.out.println("Amerian Average weight:82.23 kg");
  51.     }
  52.     public void americanBoxing()
  53.     {
  54.         System.out.println("直拳,钩拳");
  55.     }
  56. }
  57. class BeijingPeople extends ChinaPeople
  58. {
  59.     public void speakHello()
  60.     {
  61.         System.out.println("您好");
  62.     }
  63.     public void averageHeight()
  64.     {
  65.         System.out.println("北京人的平均身高:166.0厘米");
  66.     }
  67.     public void averageWeight()
  68.     {
  69.         System.out.println("北京人的平均体重:67.4公斤");
  70.     }
  71.     public void beijingOpera()
  72.     {
  73.         System.out.println("京剧术语");
  74.     }
  75. }
  76. public class Example
  77. {
  78.     public static void main(String args[])
  79.     {
  80.         ChinaPeople chinaPeople=new ChinaPeople();
  81.         AmericanPeople americanPeople=new AmericanPeople();
  82.         BeijingPeople beijingPeople=new BeijingPeople();
  83.         chinaPeople.speakHello();
  84.         americanPeople.speakHello();
  85.         beijingPeople.speakHello();
  86.         chinaPeople.averageHeight();
  87.         americanPeople.averageHeight();
  88.         beijingPeople.averageHeight();
  89.         chinaPeople.averageWeight();
  90.         americanPeople.averageWeight();
  91.         beijingPeople.averageWeight();
  92.         chinaPeople.chinaGongfu();
  93.         americanPeople.americanBoxing();
  94.         beijingPeople.beijingOpera();
  95.         beijingPeople.chinaGongfu();
  96.     }
  97. }
JAVA大学实用教程(第四版)课后习题三、四章答案(自整理) 第三章 1。下列System.out.printf输出的结果是什么? int a=100, x,y; x=++a; y=a-- System.out.printf("%d, %d,%d",x,y,a); 答: 101,101,100 2.下列语句那些有错误? int x=0; x=5.0/2; float y=12.5F; y=5.0/2; 答:x=5.0/2;错 解析: 小数属于浮点型(默认为double)。 补充: 在运算中(只有7种基本数据类型,无boolean型) 自动类型提升 b 阅读详情

相关推荐

模式分类第二版英文官方答案与上机指导

强烈鄙视那些上传不是自己的资源还要积分的人!看看github吧,多少好东西都是免费开源的!学着点!

中国人与美国人java代码

People.java public class People { protected double weight,height; public void speakHello() { System.out.println("yayayaya"); } public void averageHeight() { height=173; System.out.println("average height:"+height); } public void averag

m0_63134982的博客 2090

手把手教你搭建硬件在回路(HIL)仿真系统:从Simulink建模到实时测试

本文详细介绍了如何从零开始搭建硬件在回路(HIL)仿真系统,涵盖Simulink建模、实时仿真、代码生成及调试等关键步骤。通过具体配置示例和优化技巧,帮助开发者解决复杂控制系统验证中的技术难题,提升半实物仿真的效率和可靠性。

weixin_30952535的博客 445

类的继承

package test5; public class people { protected double weight,height; public void speakHello(){ System.out.println("yayayaya"); } public void averageHeight(){ height = 173; System.out.pri

a931231547的博客 362

Fluent 中多相流模型全面解析

3.颗粒或液滴在连续相中的运动:若关注颗粒或液滴在连续相中的运动轨迹、分布规律以及与连续相的相互作用,如喷雾干燥、气力输送等过程,Eulerian-Lagrangian 模型则是最佳选择。Eulerian-Eulerian 模型可以准确模拟气体在固体颗粒中的流动情况,包括颗粒的流化状态、气体与颗粒之间的传热传质过程,为气固流化床的优化设计和操作提供依据。通过该模型,可以了解混合器内不同位置的混合程度、颗粒的运动轨迹以及液固相间的相互作用,从而改进混合器的结构和操作条件,提高混合效率。

khhdp的博客 3086

基于STM32环境温湿度监测系统设计

基于STM32环境温湿度监测系统设计1. 实验目的2. 任务和要求3. proteus仿真图4. 实验代码 1. 实验目的 (1) 掌握使用 KEIL MDK5 进行软件开发的具体流程; (2) 掌握硬件电路的设计方法; (3) 掌握 STM32 微控制器的程序设计及代码编写方法。 2. 任务和要求 (1)在 STM32F103 平台下,通过温度传感器 DS18B20 和湿度传感器 DHT11 实现环境温湿度信息的采集; (2)将温度传感器和湿度传感器所采集的数据在 LCD 液晶屏幕上显示出来,超

唯一的博客 2万+

JAVA子类与继承 实验实列

编写程序模拟中国人、美国人及北京人。除主类外,程序中有4个类:People、 ChinaPeople、 AmericanPeople和BeijingPeople。由继承得到的类称为子类被继承的类称为父类(超类)Java不支持多重继承,即子类只能有一个父类。...

qq_52788258的博客 4185

【项目实战】基于STM32单片机的智能小车设计(有代码)

【1】背景意义 近些年随着国民生活水平的提升,以小车为载体的轮式机器人进入了我们的生活,尤其是在一些布线复杂困难的安全生活区和需要监控的施工作业场合都必须依赖轮式机器人的视频监控技术。因此,基于嵌入式技术的无线通信视频监控轮式机器人应运而生。由于它们与人类工作相比具有成本低廉、安全稳定的优点,目前已经在许多危险作业以及工业场合得到了广泛应用而且轮式机器人不需要像人那样采取过多的保护措施,因此轮式机...

ShawnWang1994的博客 13万+

java基础编程实现3-继承和多态

java第三章内容,有关继承和多态的例题,以及完整答案

m0_52965099的博客 4851

用Arduino和MAX30102做个心率血氧仪,从硬件连线到算法调试全流程避坑

本文详细介绍了如何使用Arduino和MAX30102传感器构建高精度心率血氧仪,涵盖硬件连线、软件配置、信号处理及算法优化全流程。通过实战案例和避坑指南,帮助开发者快速实现临床级精度的健康监测设备,适用于可穿戴设备和医疗健康领域。

weixin_26897585的博客 383

基于TI MSPM0的PS2双轴按键摇杆模块ADC+GPIO驱动移植实战

本文详细介绍了在TI MSPM0微控制器上驱动PS2双轴按键摇杆模块的完整实战流程。通过SysConfig图形化工具配置ADC与GPIO引脚,并编写了包含ADC采样、按键检测及数据处理的驱动代码,实现了对摇杆X/Y轴模拟量及按键数字量的稳定读取,为嵌入式控制项目提供了可直接移植的解决方案。

weixin_42465140的博客 83

《Java 2实用教程》(第5版)(清华大学出版社)作者:张跃平、耿祥义习题答案详解

《Java 2实用教程》(第5版)(清华大学出版社)作者:张跃平、耿祥义习题答案详解 **此答案与详解是本人做作业时所写部分答案,如有错误之处请指出 ** 习题2 1.问答题 (3) 逻辑类型,boolean 整数类型,int,byte,short,long 字符类型,char 浮点类型,float,double (4) float类型,常量的后面必须要有后缀f或F doub...

weixin_43916707的博客 1万+

交换机初始化配置详解

MGMT或称MGT(Management Port,管理端口)是一个可以连接计算机的三层主机端口,如下图所示。只需使用一条双绞线跳线,就可以将计算机的以太网端口与交换机的MGMT端口连接在一起,实现对交换机的配置与管理。也就是说,可以使用MGMT端口代替Console端口实现对交换机或交换机堆叠的网络管理。MGMT端口既可用于交换机的初始化,也可以在交换机初始化完成后,以Telnet、Web浏览器或Cisco CNA方式进行管理。当将计算机连接到独立的交换机时,连接方式如下图所示。

悦分享 1993

Java 2实用教程(第三版)实验指导与习题解答and实验模版代码及答案(一)

Java 2实用教程(第三版)实验指导与习题解答 清华大学出版社 (编著 耿祥义 张跃平) 实验模版代码及答案 建议使用文档结构图 (选择Word菜单→视图→文档结构图) 上机实践1  初识Java 3 实验1  一个简单的应用程序 3 实验2  一个简单的Java Applet程序 3 实验3  联合编译 4 上机实践2  基本数据类型与控制语句 5 实验1  输出希腊

zxq1138634642的专栏 1万+

基于Django+Vue3的智能目标检测系统设计与实现,Vue3前台系统+Django后台管理系统开发,Web前后端分离,YOLOv8 Web目标检测,实现图片、视频和摄像头检测等功能,全网独发

目标检测是计算机视觉中的重要任务,广泛应用于安防监控、自动驾驶、智能家居等领域。YOLO系列模型由于其高效的检测速度和较高的准确率,成为目标检测任务的首选算法之一。本项目结合 YOLOv8 与 Django + Vue3,构建一个Vue3前台系统+Django后台管理系统开发,便于用户进行目标检测的操作和展示,实现对图片、视频实时目标检测,不仅可以用于大论文的工作量展示,还可以作为毕业设计。支持更换自己模型、图片检测、实时视频检测、置信度调节和IoU参数调节。同时支持目标检测、实例分割、关键点检测等任务

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 5433

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

java实验二 学生 人_java实验2答案

《java实验2答案》由会员分享,可在线阅读,更多相关《java实验2答案(5页珍藏版)》请在金锄头文库上搜索。1、GDOU-B-11-112广东海洋大学学生实验报告书(学生用表)实验名称实验二. Java基本数据类型与数组课程名称Java程序设计与开发技术课程号16232204学院(系)信息学院专业计算机科学与技术班级计科学生姓名学号实验地点钟海楼04019实验日期2015年9月17日一、实验目...

weixin_42295859的博客 1011

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")

浙江大学java答案5_浙江大学Java语言程序设计实验答案全集

浙江大学Java语言程序设计实验答案全集 Java答案全集实验汇总。 实验2 数据类型和变量的使用 一、程序填空,在屏幕上显示一个短句“Programming in Java is fun!” import java.io.*; public class Test10001{ public static void main(String args[]){ /*-------------------...

weixin_35057850的博客 380

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

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

java实验及答案_JAVA实验4-1答案

GDOU-B-11-112广东海洋大学学生实验报告书(学生用表)实验名称 学院(系) 学生姓名实验四(1). 类与对象(第1部分) 信息学院 彭德权专业Java程序设计与开发课程名称 课程号 16232204技术 计算机科学与技术钟海楼 04019班级 计科1131 2015年实验日期9月24日学号 201311621124 实验地点一、实验目的(1)学习使用Java中的类来封装对象的属性和功能;...

weixin_28881787的博客 9975

java2实用教程实验指导与习题解答第四版答案_java2实用教程实验指导与习题解答...

java2实用教程实验指导与习题解答[2021-02-18 22:23:51]简介:《JAVA2实用教程实验指导与习题解答》是清华大学出版社出版的关于Java操作技术的一本书。建站服务器这篇文章给大家分享的是有关《嵌入式linux实时操作系统及应用编程》这本书如何的内容。小编觉得挺实用的,因此分享给大家做个php去除nbsp的方法:首先创建一个PHP代码示例文件;然后通过“preg_rep...

weixin_31881651的博客 1158

浙江大学java实验题答案_浙大JAVA 实验题答案.doc

实验3 运算符和表达式的使用登陆上机练习系统,完成实验03中的4个题目,并提交。20001 20003 20007 2001120001 求两个数的和与差输入整数a和b,计算并输出a、b的和与差。例:输入2 -8输出The sum is -6The difference is 10import java.util.Scanner;public class Test20001{public s...

weixin_30550287的博客 794

java实验指导书答案_(Java实验指导书答案2.doc

(Java实验指导书答案2山东建筑大学实验报告课 程 :Java面向对象程序设计语言院 (部):商学院专 业 :电子商务班 级 :学生姓名:学 号:指导教师:陈明志完成时间:2014年6月目录实验一:JDK安装与配置3实验二:Java基本语法练习4实验三:数组和字符串练习5实验四:类和对象程序设计6实验五:接口、内部类与包练习7实验六:图形界面设计8实验七:线程设计9实验八:输入...

weixin_35989968的博客 1282

java实用教程考试_Java2实用教程试卷.doc

Java2实用教程试卷Java2实用教程 第 PAGE 5 页 共 NUMPAGES 5 页装订线内答题无效**********************装********************订********************线********************课程代码:座位号:新疆大学期末考试《Java2实用教程》试卷姓名:学号:专业:学院:班级:题号一二三四五总分得...

weixin_39917811的博客 299

java2实用教程第五版耿祥义电子版_Java2实用教程(第5版)答案 耿祥义、张跃平

第1章一、问答题1.James Gosling2.需3个步骤:1)用文本编辑器编写源文件。2)使用javac编译源文件,得到字节码文件。3)使用解释器运行程序。3.由类所构成,应用程序必须有一个类含有public static void main(String args[])方法,含有该方法的类称为应用程序的主类。不一定,但最多有一个public类。4.set classpath=D:\jdk\j...

weixin_33443932的博客 4009

共饮同井水java实验答案,XX大学JAVA实验工作报告.docx

北京信息科技大学信息管理学院实 验 报 告课程名称 java程序设计实验项目 实验二 类和对象实验仪器 PC、jdk 、jcreator专 业_______ _________班级/学号________ ___学生姓名 _______ __________实验日期实验地点成 绩 ______________...

weixin_31954813的博客 1877

华南农业大学java上机答案_华南农业大学Java程序设计(A卷)答案

华南农业大学Java程序设计(A卷)答案 华南农业大学期末考试试卷(A卷) 2011-2012学年第 1 学期 考试科目: Java程序设计 考试类型:(闭卷)考试 考试时间: 120 分钟 学号 姓名 年级专业 题号 一 二 三 总分 得分 评阅人 一、单项选择题(本大题共 25 小题,每小题 2 分,共 50 分) 1 2 3 4 5 6 7 8 D C C D A B B D 9 10 11...

weixin_30871011的博客 1845

java实用教程编程题_耿祥义张跃平java大学实用教程编程题答案

耿祥义张跃平java大学实用教程编程题答案 习题解答 第一章 作业题 1. public class Hello{ public static void main (String args[ ]){ System.out.pintln(“早上好,good Morning”); } } 2. import java.applet.*; import java.awt.*; public class ...

weixin_39584529的博客 290
上一篇: JAVA大学实用教程实验指导4.2.1答案
下一篇: 作业答案
draiden
博客等级 码龄18年 14粉丝 15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