华为OD机试 - 求最小步数（Java 2025 B卷 100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 600+累计阅读 615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 2025-06-14 15:23:58 615 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

求从坐标零点到坐标点n的最小步数，一次只能沿横坐标向左或向右移动 2 或 3。

注意：途径的坐标点可以为负数。

二、输入描述

坐标点n。

三、输出描述

输出从坐标零点移动到坐标点n的最小步数。

四、解题思路

先试算一下，找找规律

1 = -2 + 3
2 = 2
3 = 3
4 = 2 + 2
5 = 3 + 2
6 = 3 + 3
7 = 3 + 2 + 2
8 = 3 + 3 + 2
9 = 3 + 3 + 3
10 = 3 + 3 + 2 + 2
11 = 3 + 3 + 3 + 2
12 = 3 + 3 + 3 + 3

从4开始就有规律了，
4 - 6 是2
7 - 9 是3
10 - 12 是4

就是看有几个3，用的3越多，步数越小。

五、Java算法源码

public static void main<

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

#华为od #java #华为 #程序人生 #学习

【华为OD机试真题 C语言】317、求最小步数 | 机试真题+思路参考+代码解析 >求从坐标零点到坐标点n的最小步数，一次只能沿横坐标轴向左或向右移动2 或3 > 注意:途径的坐标点可以为负数阅读详情

相关推荐

2023华为od机试统一考试B卷【求最小步数】Java 实现【100%通过率】

由于机试的输入数据和输出数据一般有多组（不定），并且格式多种多样，所以，如何处理题目的输入输出是对大家的一项最基本的要求。如果数字的最小步数组成中不存在2(能否被3整除)，那么n+1，其实就是将3变为2+2，此时最小步数需要+1，比如：6 =3+3 和 7 =3+2+2。求从坐标零点到坐标点n的最小步数，一次只能沿横坐标轴向左或向右移动 2 或 3.注意: 途径的坐标点可以为负数。如果数字的最小步数组成中存在2，那么n+1，其实就是将2变为3，此时最小步数保持不变。比如：4 =2+2和5 =3+2。

斌擎科技 412

2023华为od机试统一考试B卷 Java【求最小步数/动态规划】

【代码】2023华为od机试统一考试B卷 JavaScript【求最小步数/动态规划】

wtswts1232的博客 203

求最小步数

已支持（Java & JS & Python & C），考察：逻辑分析

优快云 3117

华为OD机试 - 求最小步数（JS）

我们可以发现，n=1,2,3时不具备规律，但是当n>=4时，n每增加3，则对应最少步数+1，如果n的分解数种不存在2，那么n+1，其实就是将3变为2+2，此时会产生最小步数+1的效果。求从坐标零点到坐标点n的最小步数，一次只能沿横坐标轴向左或向右移动 2 或 3。如果n的分解数中存在2，那么n+1，其实就是将2变为3，此时最小步数保持不变。其实原因也很简单，通过上面过程我们可以发现，输出从坐标零点移动到坐标点n的最小步数。注意：途径的坐标点可以为负数。

m0_46181452的博客 222

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+

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+

【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+

【全网首发】2025华为 OD 机试2025B卷机考真题库清单（全真题库）含考点说明（华为OD2025年B卷）

【持续更新】2025华为 OD 机试2025B卷机考真题库清单（全真题库）含考点说明（华为OD2025年B卷）

算法大师！ 1万+

华为OD机试|华为od题库|华为od机考|2025真题目录Python实现|2025C卷B卷

u014481728的博客 8万+

华为OD机试|华为od题库|华为od机考|2025真题目录C++实现|2025C卷B卷

u014481728的博客 7万+

华为OD机试|华为od题库|华为od机考|2025真题目录Java实现|2025C卷B卷

u014481728的博客 7万+

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 9234

华为OD机试2025C卷真题题库目录｜机考题库 + 算法考点详解

本文整理华为OD 2025C卷机试（机考）题库，提供高频考点精析与详细题目内容，提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解

qq_45776114的博客 3983

头歌平台操作系统课堂练习2.3：系统调用

使用 gdb 调试内核，跟踪到 main 函数入口的方法与之前实训一样。系统运行时，执行的前 3 个系统调用的编号和名字分别是什么？系统运行时，执行的前 3 个系统调用的编号和名字分别是什么？本关卡使用版本 1 内核进行分析，版本 1 内核文件存放在。为了完成本关任务，你需要：跟踪系统调用的发生。此时，系统调用号存放在寄存器 eax 中。

lazbuyaotoutu的博客 2万+

XGBoost调参新姿势：Bayesian优化实战指南（附完整代码）

本文详细介绍了如何使用Bayesian优化方法高效调优XGBoost模型参数。通过解析Bayesian优化核心原理和XGBoost关键参数，提供完整的实战代码示例，帮助读者掌握这一智能调参技术，显著提升模型性能。文章特别适合机器学习工程师和数据科学家阅读。

weixin_42536058的博客 366

Adobe Acrobat Pro(Adobe PDF) - 使用技巧

Adobe Acrobat Pro为Adobe出品的PDF查看和编辑软件，下文简称Adobe PDF，该软件功能强大，拥有查看PDF、编辑PDF、打印PDF、导出PDF、合并文件、组织页面、文本标注、注释、动作向导、等功能。本文介绍Adobe PDF的一些使用技巧，最后介绍软件设置。

NSJim的博客 4万+

鸿蒙接入微信支付微信H5网页在鸿蒙系统的适配方法（含支付兼容方案）微信H5适配鸿蒙系统 | ArkWeb识别 | 鸿蒙浏览器UA | 微信支付鸿蒙适配 | 鸿蒙微信判断方式

微信H5网页鸿蒙系统适配指南针对微信H5网页在鸿蒙系统出现的兼容问题，本文提供完整适配方案。关键点包括：环境识别：

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用，接口、架构、性能全搞定。 1300

【蓝凌表单】JSP组件常用语法整理

【代码】【蓝凌表单】JSP组件常用语法整理。

烧硬盘 708

HTML粉色爱心（完整代码）

HTML语言实现粉色爱心的完整代码。

AIGC 1104

rk3568 适配以太网(mac 2 mac)

MDIO（Management Data Input/Output）是一种管理数据输入/输出协议，用于在以太网交换机和PHY（物理层收发器）之间进行通信。在Android中，MDIO总线用于控制网络接口的PHY芯片，例如通过MDIO总线访问PHY芯片的寄存器。这些寄存器包含了一些关于网络连接状态、链路速度和其他计算机网络相关信息的数据。MDIO总线通常由网络接口控制器（NIC）使用，以便在OS中管理PHY芯片。在Android设备上，MDIO总线通常由内核驱动程序管理，并且可以通过 /sys/bus/mdi

weixin_35723192的博客 2453

在虚拟机中对阿克曼转向车进行导航及避障的仿真测试

一、在我使用rosdep install teb_local_planner去安装teb_local_planner的时候，报错：Command ‘rosdep’ not found, but can be installed with:sudo apt install python3-rosdep2 我花大半个月好不容易建立起的一系列ROS环境，被python3-rosdep2这条万恶的语句连同ROS一起给我删了。。。悲伤来的那么猝不及防随着ROS版本的迭代，相关资料很多都不再适用

慕羽★的博客 3805

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

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")