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
900+累计阅读
988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
华为OD机试 2024E卷题库疯狂收录中，刷题点这里
本专栏收录于《华为OD机试真题（Python/JS/C/C++）》。
刷的越多，抽中的概率越大，私信哪吒，备注华为OD，加入华为OD刷题交流群，每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景，发现新题目，随时更新，全天优快云在线答疑。
篮球(5V5)比赛中，每个球员拥有一个战斗力，每个队伍的所有球员战斗力之和为该队伍的总体战斗力。
现在10个球员准备分为两队进行训练赛，教练希望2个队伍的战斗力差值的绝对值尽可能的小，以达到最佳训练效果。
给出10个球员的战斗力，如果你是教练，
【2024华为OD机试C卷】471、幼儿园圆桶的取出顺序、篮球游戏 | 机试真题+思路参考+代码解析（C语言、C++、Java、Py、JS）
题目描述 >幼儿园里有一个放倒的圆桶，它是一个线性结构，允许在桶的右边将篮球放入，可以在桶的左边和右边将篮球取出。每个篮球有单独的编号，老而可以连续放入一个或多个篮球，小朋友可以在桶左边或右边将篮球取出，当桶里只有一个篮球的情况下，必须从左边取出。 如老师按顺序放入1、2、3、4、5 共5个编号的篮球，那么小朋友可以依次取出的编号为1、2、3、4、5或者3、1、2、4、5编号的篮球，无法取出5、1、3、2、4编号的篮球 其中3、1、2、4、5的取出场景为: 连续放入1、2、3号
题解 | # 华为OD - 篮球比赛 #
本人与2023年8月机考400通过，会持续更新本专栏。本专栏会包含JavaScript和Java两种实现方式，会以很简洁的代码去实现。相对于其他人的专栏，本专栏代码是浅显易懂的，可以在看懂代码的基础上去按自己的思路编写代码，通过率以及分数都会倍增。
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。
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。
2026华为OD机试（C++）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++实现。
2026华为OD机试（JavaScript）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，JavaScript实现。
华为OD机试 新系统 双机位C卷 往年真题 机考题库（持续收录中）以及算法考点详解（Python/JS/C/C++）
刷的越多，抽中的概率越大，每一题都有详细的答题思路、详细的代码注释发现新题目，随时更新。
2025华为OD机试真题最新题库 (B+C+D+E+2025A+2025B卷) + 在线OJ在线刷题使用（C++、Java、Python C语言 JS合集）（正在更新2025B卷，目前已收录710道）
2024年，华为目前已经启用D卷，目前D卷和C卷的题目一样一次订阅永久阅读，支持在线刷题，持续更新，有问题随时解答，本专栏题目数量已收录到484道。每篇文章的思路分析都非常详细，题目新增图解思路，问题解疑，多样例测试，超过百字的思路参考解析。
华为OD机试 新系统 双机位C卷 往年真题 机考题库（持续收录中）以及算法考点详解
每一题都有详细的答题思路、详细的代码注释、样例测试，发现新题目，随时更新，全天优快云在线答疑。
华为OD七日集训第2期 - 按算法分类，由易到难，循序渐进，玩转OD（Python/JS/C/C++）
参加完华为OD七日集训的小伙伴，可以写一篇“华为OD7日集训总结”文章，发布在优快云，作为一个成果物。最新大模型OpenAI o1（编码、数学能力提升明显）编程最强插件 Code Copilot（写代码、改bug、代码优化、算法优化等）Java自学神器（Java思维导图、学习规划、华为OD机试解题思路、测试用例，拍照上传即可识别问题，给出权威回答）DALL-E AI绘画、AI语音对话（练习英语口语、模拟技术面试）、论文插件Consensus、数学建模私信哪吒，直接使用GPT-4o。
【2024年华为OD机试】(B卷,100分)- 篮球比赛 （JavaScript&Java & Python&C/C++）
本题通过组合枚举的方式，结合回溯算法和剪枝优化，能够有效地求解最小战斗力差值问题。虽然数据量较小，但通过合理的算法设计，可以确保计算效率和准确性。该代码通过 DFS 递归枚举所有 5 人组合，并利用排序和剪枝优化避免了重复计算。最终通过计算所有组合的战斗力差值，返回最小值，实现了问题的求解。代码逻辑清晰，效率较高，适用于本题的输入规模。输入处理：通过Scanner读取输入并存储到数组中。排序与初始化：对数组进行升序排序，并初始化存储结果的列表res。DFS 递归枚举。
华为OD机试用 go 实现 -【篮球比赛】
现有十个球员准备分为两队进行训练赛，教练希望两个队伍的战斗力差能够尽可能的小，以达到最佳训练效果。篮球（5v5）比赛中每个球员拥有一个战斗力，每个队伍的所有球员战斗力之和为该队伍的总体战斗力。参加华为od机试，一定要注意不要完全背诵代码，需要理解之后模仿写出，通过率才会高。给出十个球员的战斗力，如果你是教练，你该如何分队，才能达到最佳训练效果？球员分队方案不唯一，但最小战斗力差值固定是。分为一队，两队战斗力之差最小，输出差值。请输出该分队方案下的最小战斗力差值。十个篮球队员的战斗力（整数，范围。
【分硬币】
已支持（Java & JS & Python & C & C++），考察：去重组合求解
【华为OD】| 篮球比赛
篮球比赛
华为OD机试 -篮球比赛（C++ Java JavaScript Python）
10个篮球队员的战斗力(整数，范围[1,10000]),战斗力之间用空格分隔，如:10987654321。现有10个球员准备分为两队进行训练赛，教练希望2个队伍的战斗力差值能够尽可能的小，以达到最佳训练效果。篮球(5V5)比赛中，每个球员拥有一个战斗力，每个队伍的所有球员战斗力之和为该队伍的总体战斗力。给出10个球员的战斗力，如果你是教练，你该如何分队，才能达到最佳训练效果?请说出该分队方案下的。不需要考虑异常输入的场景。最小的战斗力差值，如:1。
【华为OD机试真题 C++语言】230、篮球比赛 | 机试真题+思路参考+代码分析
篮球(5V5)比赛中，每个球员拥有一个战斗力，每个队伍的所有球员战斗力之和为该队伍的总体战斗力 > 现有10个球员准备分为两队进行训练赛，教练希望2个队伍的战斗力差值能够尽可能的小，以达到最佳训练效果 > 给出10个球员的战斗力，如果你是教练，你该如何分队，才能达到最佳训练效果?请说出该分队方案下的最小战斗差值
Open3D：Win10 + VS2017配置Open3D（C++、python）
一、下载源码 地址：https://github.com/intel-isl/Open3D 1.1 克隆源码【笔者的源码路径为D:\Open3D\Open3D】 1.2 切换版本【笔者的版本为0.8.0】 1.3 更新子模块【用于获取第三方库！很重要！】 二、CMake编译 2.1 设置路径 【source code: D:\Open3D\Open3D；build binaries: D:\Open3D】 【笔者设置CMAKE/CMAKE_INSTALL_PREFIX的路径为D:/Open.
STK相关总结
STK简介 一.SIM卡应用工具包（SIM Application Toolkit），又名CAT/USAT,它包含一系列终端与SIM卡的交互指令，SIM卡可以应用卡内的小应用程序和终端交互，从而实现增值服务的目的，STK包括三种类，STK-imsi切换，STK –OTA，STK-BIP 功能： (1) Profile download:配置下载，开机初始化SIM卡过程中，终端告诉SIM卡终端支持哪些功能，STK中download指终端将数据发送给SIM卡 (2) Proactive command: 主动式
Dify + mem0插件实战：如何让AI记住你的饮食习惯（附完整代码）
本文通过Dify平台与mem0插件实战，详细演示了如何为AI助手构建长期记忆系统，使其能记住并理解用户的复杂饮食习惯（如过敏源、饮食偏好）。文章提供了完整的工作流配置与Python代码示例，帮助开发者实现跨会话的个性化饮食建议，解决AI对话中的“健忘”问题。
HALCON深度学习模型部署新选择：一份详细的OpenVINO 2021.4 LTS集成与配置避坑指南
本文详细介绍了如何将HALCON深度学习模型与OpenVINO 2021.4 LTS集成，提供环境配置、硬件加速优化及故障排除的实用指南。特别针对Intel独立显卡的AI加速器接口进行优化，帮助机器视觉工程师提升AI推理效率，适用于工业检测等高要求场景。
手把手教你用RoboTwin训练RDT模型：从环境配置到实战微调（避坑指南）
本文提供了一份详尽的避坑指南，手把手教你如何在RoboTwin开源仿真环境中，从零开始配置环境、采集数据并完成RDT视觉语言动作模型的实战微调。文章涵盖了环境搭建、数据流水线构建、模型配置与训练等关键步骤，旨在帮助研究者和开发者高效利用仿真数据，低成本探索具身智能应用。
WPF基础系列六：MVVM框架
MVVM框架 文章目录MVVM框架前言一、MVVM框架简介1. 什么是MVVM？2. MVVM的优势3.MVVM的应用场景二、MVVM使用及示例 前言 在WPF开发中，经典的编程模式是MVVM，是为WPF量身定做的模式，该模式充分利用了WPF的数据绑定机制，最大限度地降低了Xmal文件和CS文件的耦合度，也就是UI显示和逻辑代码的耦合度，如需要更换界面时，逻辑代码修改很少，甚至不用修改。 与WinForm开发相比，我们一般在后置代码中会使用控件的名字来操作控件的属性来更新UI，而在WPF中通常是通过
点云从入门到精通技术详解100篇-基于三维点云的机器人抓取位姿检测（续）
集到的深度信息会存在噪点，因此需要将生成的场景点云进行预处理，获得平滑、降采样处理场景点云，本文设计的预处理操作更能从冗杂的场景点云中提取清晰、平滑的目标点云，便于后续的抓取位姿采样，提高后续算法的处理效率。因此需要对场景点云进行适当的分割，仅保留目标物体的点云，整个过程可以通过。场较小时，空间中的点云密度会更加提高；觉子系统的效率，再保持全局点云几何形状不改变的前提下，通过对目标点云进行。体素降采样可以快速地减少点云数据并同时保持点云的形。个点，由于我们实施抓取的目标物体只占整个场景点云图的一部分，
【模型实战】MiMo-VL-7B讲解与实战
维度成绩MMMU70.6（图像理解最难测试之一）VideoMME70.8（视频理解标杆）59.4（超越78B参数模型）56.1（超过专用GUI模型）Elo评分开源VLM排名第一（7B~72B）社区热度过去一个月下载超1,600次（RL+SFT）📌一句话概括MiMo-VL 是目前性能最强、推理最稳、体验最佳、生态最全的7B级开源视觉语言模型。
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
visio安装包
Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
2889
扫一扫
