华为OD机试 - 最佳对手（Java 2024 E卷 200分）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.3k累计阅读 1.4k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创 2025-03-01 15:59:49 1.3k 阅读 AI 写同款· GEO 优化 ›

华为OD机试（JAVA）真题专栏收录该内容

¥49.90 ¥99.00

839篇文章

订阅专栏

一、题目描述

游戏里面，队伍通过匹配实力相近的对手进行对战。

但是如果匹配的队伍实力相差太大，对于双方游戏体验都不会太好。

给定n个队伍的实力值，对其进行两两实力匹配，两支队伍实例差距在允许的最大差距d内，则可以匹配。

要求在匹配队伍最多的情况下，匹配出的各组实力差距的总和最小。

二、输入描述

第一行，n，d。队伍个数n。允许的最大实力差距d。(2<= n <=50, 0<= d <=100)。

第二行，n个队伍的实力值，空格分割。(0<=各队伍实力值<=100)。

三、输出描述

匹配后，各组对战的实力差值的总和。若没有队伍可以匹配，则输出-1。

四、测试用例

测试用例1

1、输入

4 1
1 2 3 4

2、输出

3、说明

排序后为 [1,2,3,4]，可匹配 (1,2) 和 (3,4)，总差值为 1+1=2。

测试用例2

1、输入

5 3
4 8 6 1 3

2、输出

了解本专栏

订阅专栏解锁全文

收录于

当前文章被以下社区和专栏收录：

标签

#java #华为 #开发语言 #算法 #面试

【华为OD机试】真题E卷-最佳对手（Python）游戏里面，队伍通过匹配实力相近的对手进行对战。但是如果匹配的队伍实力相差太大，对于双方游戏体验都不会太好。给定 n 个队伍的实力值，对其进行两两实力匹配，两支队伍实例差距在允许的最大差距 d 内，则可以匹配。要求在匹配队伍最多的情况下匹配出的各组实力差距的总和最小。阅读详情

相关推荐

【华为OD】游戏里面，队伍通过匹配实力相近的对手进行对战。但是如果匹配的队伍实力相差太大，对于双方游戏体验都不会太好。

游戏里面，队伍通过匹配实力相近的对手进行对战。但是如果匹配的队伍实力相差太大，对于双方游戏体验都不会太好。给定n个队伍的实力值，对其进行两两实力匹配，两支队伍实例差距在允许的最大差距d内，则可以匹配。要求在匹配队伍最多的情况下匹配出的各组实力差距的总和最小。输入描述第一行两个整数，n，d。队伍个数n。允许的最大实力差距d。 2<=n <=50 0<=d<=100 第二行，n个整数，表示队伍的实力值，以空格分割。 0<=各队伍实力值<=100

qq_35948955的博客 600

【华为OD技术面试真题 - 技术面】- Java面试题（2）

大家好！今天我给大家推荐一份备受赞誉的华为OD技术面试精选题目。所有题目均为华为od实际面试过程中出现的问题。这些面试题主要涉及到编程八股文、职业态度以及独特的个性特点。让我们一起深入了解这个精心整理的面试题集吧！😊 希望这些问题能够帮助你在面试中脱颖而出，展现出你的技术实力和独特魅力。加油！

算法大师！ 2104

【华为OD机试真题 C++语言】201、实力差距最小总和、最佳对手 | 机试真题+思路参考+代码分析

游戏里面，队伍通过匹配实力相近的对手进行对战，但是如果匹配的队伍实力相差太大，对于双方游戏体验都不会太好 > 给定n个队伍的实力值，对其进行两两实力匹配，两支队伍实例差距在允许的最大差距d内，则可以匹配 > 要求在匹配队伍最多的情况下匹配出的各组实力差距的总和最小

KJ.JK 1187

2026华为OD机试（Python）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Python实现。

MISAYAONE的博客 28万+

2024华为OD机试真题题库目录（E卷&A卷&B卷&C卷&D卷）

2023年最新华为机试题库，每道题有详细讲解。

wtswts1232的博客 6万+

什么是华为OD？怎么才能通过华为OD机试？华为OD机试怎么刷题？（2024最新华为OD机试E卷更新中）

华为OD是Outsourcing Dispacth模式，是华为和外企德科联合招聘的简称。目前华为大多数是OD招聘。OD模式也是华为提出的一种新的用工形式，每年都会从OD项目挑优秀员工转为正编。所有OD和正式员工一样对待，没有差别，部门平时开会、评审等活动都是一起参加的，是同薪同酬，都是由华为的HR直接定的薪资，看的是我们技术能力。华为是大企业，能到华为上班也是有能力的，每个部门都有好多职位，是金子，在哪都会发光。

KJ.JK 11万+

【持续更新】2025华为OD机试2025A卷机考真题库清单含考点说明（已更新180+题）

【持续更新】2025华为OD机试2025A卷机考真题库清单（全真题库）含考点说明（已更新40+题）

算法大师！ 2万+

2026华为OD机试（C语言）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，C语言实现。

MISAYAONE的博客 11万+

华为OD机试新系统双机位C卷真题题库目录｜机考题库 + 算法考点详解

本文整理华为OD机试(机考) 新系统真题题库，提供高频考点精析与详细题目内容，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解和在线OJ做题练习。华为OD机试新系统真题题库。

qq_45776114的博客 10万+

2025华为OD机试最新题库-(2025A卷+E卷+D卷)-(JAVA、Python、C++)

2024年8月-2025年2月，OD统一考试考的都是(E卷)，题库已为大家准备好，命中率95%以上。

goldarmour的博客 9233

华为OD机试真题目录汇总（Java语言）2024 B+C+D+E卷（560道）

本文是2023华为OD机试真题(Java 语言) B卷专栏的目录贴（定期更新2023华为OD各个时间阶段的机试真题，每日定时更新，本专栏将使用Java语言进行更新解答，包含真题，思路分析，代码参考，每个题目的思路分析都非常详细，超过百字欢迎大家订阅学习，代码可以直接运行使用，全网限时最低价，持续更新）华为OD是Outsourcing Dispacth模式，是华为和外企德科联合招聘的简称。目前华为大多数是OD招聘。OD模式也是华为提出的一种新的用工形式，每年都会从OD项目挑优秀员工转为正编。

KJ.JK 8万+

2026华为OD机试（JAVA&Go）真题【E卷+A卷+B卷+C卷+D卷】目录+在线OJ

华为OD机试真题题库【E卷+A卷+B卷+C卷+D卷】目录，Java实现。

MISAYAONE的博客 34万+

华为od机试|华为od机试真题2025|华为od题库|华为od机考|2025C卷B卷

u014481728的博客 10万+

从零到一：用AXI DataMover在Zynq MPSoC上实现高效DMA传输（附Vitis HLS驱动示例）

本文详细介绍了如何在Xilinx Zynq UltraScale+ MPSoC平台上使用AXI DataMover实现高效的DMA数据传输。通过解析AXI DataMover架构、Vivado工程配置、Vitis HLS驱动开发及性能优化技巧，帮助开发者快速构建高性能数据传输通道，并提供了可直接复用的代码示例。

weixin_42520796的博客 424

英飞凌TC3xx的GTM模块到底有多强？从PWM生成到电机驱动，一篇讲透车载定时器核心

本文深入解析英飞凌TC3xx系列中的GTM模块在汽车电子领域的强大功能，从PWM生成到电机驱动的全链路设计。通过模块化架构和硬件级解决方案，GTM显著提升系统精度和响应速度，适用于电机控制、电源管理等复杂场景。文章结合实战经验，详细拆解GTM的技术实现和性能优势。

weixin_27741699的博客 202

保姆级教程：用GEE（Google Earth Engine）复现CASA模型计算NPP，附完整数据集清单与Python代码

本文提供了一份详细的保姆级教程，指导如何使用GEE（Google Earth Engine）复现CASA模型计算NPP（净初级生产力）。教程涵盖环境准备、关键数据集获取与处理、Python代码实现全流程，以及结果验证与常见问题解决方案，帮助生态学研究者高效完成NPP计算。

weixin_28707365的博客 333

详解一典型的反激式开关电源方案

如图，在某系统方案上看到下图所示的单端反激式开关电源方案。

alala120的博客 1万+

全志平台camera驱动开发（4）NVP6134芯片4路模拟视频BT656输入

前言 1. 调试平台：全志V5/T7等有BT656或BT1120的并行接口，理论有DVP接口的一般都支持 2. NVP6134可使用多路视频同时输入硬件连接模拟camera1 模拟camera2 NVP6134 ------>NVCSI0 ...

jzwjzw19900922的博客 3531

ArcGIS Pro 制作这种地图海报

ArcMap 版本与 ArcGIS Pro 版本的制图功能相差太多，无论从美观上还是制图效率都远远优于 ArcMap，用了一段时间的 ArcGIS Pro ，真心推荐有条件的大家赶紧试一试！一个软件也能搞定一张不错的海报哦！----吐槽：好的设计真的是门花时间的活，这个教程大概花了我7小时左右，我都忘了我自己教程中截图多少张了！（可能是我速度太慢了）测试数据：阿里云盘分享-----北极海冰数据.https://www.aliyundrive.com/s/SUhsnqfkmXh。

J_Giser的博客 1427

RIP协议

一、 Rip简介早期在unix系统上使用，1988年才发布第一个rip协议标准“RFC1058”,是一种距离矢量（Distance-vector）协议。 1. 特点：只关心跳数，下一跳，不关心整网拓扑。基于传闻的路由协议。 2. 场景：适用于规模小且可靠性要求低的网络环境，部署简单，因为其跳数限制，不适用于大型网络。 3. 工作原理: - 开启RIP发送RIP请求 - 接受请求发出响应...

ledrsnet的博客 8607

基于泰勒展开改进的物理信息神经网络

天天酷科研的博客 502

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")