南阳之行--出发

题目22: 素数求和问题 描述 现在给你N个数(0<N<1000),现在要求你写出一个程序,找出这N个数中的所有素数,并求和。 输入第一行给出整数M(0 每组测试数据第一行给你N,代表该组测试数据的数量。 接下来的N个数为要测试的数据,每个数小于1000 输出每组测试数据结果占一行,输出给出的测试数据的所有素数和 样例输入 3 5 1 2 3 4 5 8 11 12 13 14 15 16 1 阅读详情
     呵呵 常希望有机会能到各处走走看看 所以每逢有出差的机会,一般都不会推辞,由于自己是女性,公司也偶尔会照顾一下比如当自己身体不适的时候,会安排别人出差。 可这一次,可能是公司实在没合适的人员了,尽管自己的腿还是一瘸一拐的,在星期一晚上下班回家的路上,接到老总的电话,被询问能否去南阳出差时?自己丝毫没有推辞就答应了,也怪自己当时有点贪心,想着随便去南阳看看,因为还没去过南阳,当然当时是没有想到自己带着腿病上路会有多难受。

     此次出差,同行的也是位女同事。更不凑巧的是自己原本已有好转之式的腿,在那个晚上又严重了点。 晚上到火车站和同事以及来送我们的老总碰面的时候,先是那位女同事 (姓杨)在约定的火车站售票处来接我,一见面就替我鸣不平,说你下次再也别抢着出差了。呵呵 我笑笑。后来走到老总面前,老总见我一瘸一拐的也关心的说道,要不叫小张出差,你回去吧。我笑着说不用了我都已经来了,没事,去吧。 当时去南阳的火车只有站票了,于是我们买了晚上12点的大巴。预计到南阳市是凌晨4点左右。

     坐上大巴后,我寻思着要和以前负责南阳项目开发的同事联系一下,问一下具体的项目情况,那个同事闹不清现在是否还是兼职,先打个手机看他休息没有吧,结果手机响了没两下,对方就接了,呵呵 还没有休息,于是问了问他情况,呵呵心里算是有了底。

     车开了,过了一会,同事小杨就睡着了,我原本就是个心细的人,所以也睡不着,就看着窗外。可是随着出发的时间的越长,坐在椅子上,怎么变换姿势都无法抑制腿上的疼痛。

     ...

     不知道是几点,自己也睡着了,前边买票的人叫醒了我们两个说已经要到南阳公安局了,当时看表,3点30多的样子。

     下了车,看到公安局的大楼是很高,经过了两道门岗,进到了大楼里边,做电梯,到了九楼,小杨领着我来到了110指挥中心大厅的门前,门也上了锁,经过多次电话交涉,里边的人才给我们两开了门,让我们到会议室里休息。 就这样,我们坐在会议室桌前的椅子上,各自头枕着胳膊,伏在桌上休息了。中间时不时的醒几次,再换个胳膊,再继续睡着。

     哎,当时自己就一个想法,下次遇见这种情况,再也不出差了。
python3 requests根据传入出发地,目的地,出发日期,获取当天携程所以机票航班 -- coding: utf-8 -- import requests import random import json import datetime import time from requests.packages.urllib3.exceptions import InsecureRequestWarning def get_datas(parameter): # print(para... 阅读详情

相关推荐

数字蓝牙功放

数字蓝牙功放(TPA3110+BK8000L),基于D类数字功放芯片TPA3116蓝牙功放,HIFI级带滤波15Wx2蓝牙数字功放,支持有线和蓝牙两种音源输入

runweipa的博客 1420

南阳

<br />设计院-5-上官庄水渠-9-火烧庙-15-铁路-20-鱼塘路碑22公里-25-水闸-28-跨312国道-34-下水渠-39-312国道1027KM<br />-43-过白河桥-46-沿河路到老桥进人民路-49.5-南阳火车站<br />南阳火车站-5-经七一路到南阳电台-12-南新路S259KM处-20-黄台岗-31-瓦店S278KM路口-40-官庄水闸<br /> 

573

科研人必备!用WisPaper搭建个人文献知识库的完整指南(附Zotero联动技巧)

本文详细介绍了如何利用WisPaper搭建高效的个人文献知识库,包括文件命名标准化、文件夹结构设计、语义搜索技巧及与Zotero的深度联动方法。通过智能标签系统和知识图谱功能,科研人员可以快速定位关键文献,提升研究效率。特别适合需要管理大量学术文献的研究者。

weixin_30823001的博客 268

南新省道

282公里-瓦官路口-278公里-火烧庙路口-266公里-黄台岗路口-259公里-去天冠路口。 官庄水渠路到铁路前,往东去金华,往西走去双铺方向可到黄台岗。 设计院-官庄水渠-火烧庙路口-14公里-去天冠路口-19公里-白河桥-7公里。 南阳工贸买插U盘音箱75元。 转载于:https://www.cnblogs.com/hnytwn/archive/2009/10/25/158951...

weixin_30896825的博客 88

CASIA数据集解析:图像篡改检测的黄金标准与实践指南

本文深入解析了CASIA数据集在图像篡改检测领域的核心价值与应用实践。作为中科院自动化所打造的黄金标准,CASIA数据集通过模拟真实篡改场景(如拼接和复制移动)为研究者提供全面支持。文章详细对比了v1.0与v2.0版本差异,分享数据预处理和模型训练的最佳实践,并探讨了未来研究方向,是图像篡改检测领域的重要参考指南。

kappa的博客 786

PADS导出PCB正反面丝印为CAD文件的方法

本文介绍如何将PADS绘制的pcb格式的PCB文件顶底层丝印及板框导出为CAD的dxf文件格式,并且将底层丝印进行镜像为正常视角

luguodeyo的博客 3300

2015CCPC小记

  距离第一届CCPC也正好一星期了,突然想到还没写总结,现在补上。做为刚度过大一的我,能有机会去参加国赛是很激动的。周五下午出发,坐了13个小时的火车抵达南阳,南阳不算大城市,有点落后,但是这里的人很热情,志愿者也做的很到位,酒店档次比大都会赛高了些。比赛衣服颜色竟然是粉红的,还送了个包,我选择黑色的。。。。   然后说比赛,热身赛熟悉环境,有一道题用%I64d AC, lldWA,莫名...

weixin_34281477的博客 77

STM32使用内部RC振荡器作为系统时钟开发项目--内晶振启动模板工程

STM32使用内部RC振荡器时,OSC32_IN,OSC32_OUT接法: 1)对于100脚或144脚的产品,OSC_IN应接地,OSC_OUT应悬空。 2)对于少于100脚的产品,有2种接法:    2.1)OSC_IN和OSC_OUT分别通过10K电阻接地。此方法可提高EMC性能。    2.2)分别重映射OSC_IN和OSC_OUT至PD0和PD1,再配置PD0和PD1为推挽输出

overflyme的博客 1万+

深圳之行所看,所感,所悟!!!

此篇博文是一篇纪实性博文,记录我2019年7月1号--2019年7月5号,深圳执行的所看,所感,所悟!!! 前言 我7月4号以前是不喜欢北上广深杭这样的大都市的。可能是在南阳这座小城生活的太久了导致学会了安逸,可能是去到的城市太少了眼界没打开,也可能是内心还不成熟什么都不懂。我不懂的是为什么那么多人要涌向大都市,那么多人即使在大都市生存的艰苦也不选择回到故地,我不懂的是大都市纠结有什么吸引点。...

weixin_30375427的博客 242

箱式连续提升机

箱式连续提升机,是对具有高度差较大(>1500mm)的输送线之间进行连接,将箱式物资进行连续输送的提升(或下降)的输送设备,可根据输送线的具体输送要求作相应的参数设计。目前的箱式连续提升机种类比较多,常用的形式主要有Z型和C型,工作原理相同,只是入口和出口分别在两侧和同侧。

月生沧溟 1254

一文读懂 SAP Web Dispatcher 配置参考:让 Gateway、OData 与后端服务各走各路

SAP Web Dispatcher在Fiori项目中常被低估,实际上它作为企业系统的HTTP(s)入口,承担着流量分发和安全防护双重职责。该组件通过URL路径规则(如/sap/opu/odata/转发至Gateway系统)实现多系统路由,隐藏后端复杂性,提供统一访问入口。配置要点包括HTTPS参数设置、客户端证书转发、端口定义以及系统冲突处理策略。合理的配置能确保前端统一访问、网络边界清晰可控,同时降低跨团队协作成本。生产环境需根据实际网络架构调整官方示例配置。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 159

20101202出差日记

<br />    昨晚休息前想了想,为了能当天回来,还是决定早上6点半起床,希望能在11点半前后到达南阳。<br />   早上6点半起来了,洗漱整理完出差带的东西,出门的时候大概7点。没有打车,显示在家门口买了个鸡蛋饼一杯豆浆,就去公交车了。估计等了有2分钟,公交车来了。<br />   公交车晃晃悠悠,20分钟后到了火车站。下车跑去汽车站买大巴票。结果买到的是7点50的车,座号11. 估计不是我昨晚查的15分钟一班,而是半小时一趟。7点20有一班刚发车。<br /> <br />   路上似乎睡着会。

椰子itcoco的专栏 802

基于libVLC的视频播放器之四:直接使用libVLC

一.效果 播放本地文件 播放网络url:rtsp://3.84.6.190/vod/mp4:BigBuckBunny_115k.mov 二.实现 既然有VLC-Qt,为什么还要直接调用libVLC呢,因为直接调用会加深对整个播放流程的理解,方便后面修改VLC-Qt源码。 注意事项: 1.编译报错:error C2065: “libvlc_media_read_cb”: 未声明的标识符。修改如下: 2.libvlc_new(0, nullptr)返回null 将plugins

草上爬的博客 5051

2016第38周三

新郑机场回南阳的大巴上,感觉郑州与南阳间交通很不便利,感觉为啥没人努力把交通搞上去呢,后来想明白了还是市场的作用经济发展水平决定进而需求推动的,现在的大巴都坐不满,再增加班次不是赔钱吗,假如有高铁,一般人会去做吗?发展才是硬道理,不能只有朴实真诚,也要有闯劲和魄力。...

weixin_33949359的博客 84

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

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

向坝至丹江口

普通人伟大行程 铜谷峡 堵河 龙背湾 武当山 丹河口 南水北调

qingfengyilv1的博客 160

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")

The Triangle

针对如下形式的ACM试题,大多出自南阳理工学院的在线ACM试题(网址: 南阳理工在线评测系统),在此非常感谢,同时也非常感谢作者的分享! 时间限制:1000ms | 内存限制:65535KB 难度:4 描述 73 88 1 02 7 4 44 5 2 6 5(Figure 1)Figure 1 shows a number triangle. Write a prog...

weixin_30908649的博客 88

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

南阳旅游攻略(2026 最新版):交通 / 景点 / 行程 / 避坑一站式指南

本文为 2026 年最新南阳旅游全攻略,覆盖市区与周边核心景点、交通方案、3 条可直接执行行程、美食推荐及出行避坑要点,适合程序员、技术从业者周末短途、小长假出行,信息清晰、可复制、不踩坑。上午:卧龙岗 → 汉画馆中午:府衙小吃街下午:南阳府衙 → 医圣祠晚上:白河夜景 / 夜市。,核心亮点:武侯祠、府衙、汉画馆、老界岭、恐龙遗迹园、赊店古镇等,适合 1–3 天出行。的旅行目的地,历史厚重、山水清新、消费友好,非常适合程序员、技术人群。:门票、餐饮、住宿性价比高,短途出行无压力。

2601_95991906的博客 1934

南阳和苏州为什么有着天然的人文渊源?

范蠡、范仲淹,顾嘉蘅和张仲景这四个古人,分别是苏州市南阳市的名片,他们身上体现出的那种古代儒家治国平天下的家国情怀,使其生活过的城市熠熠生辉,无限风光。 (范蠡雕塑) 出差河南南阳,发现苏州和南阳,从地理位置来讲,两地相距近千公里,在史书的记载中,一个号称座落在中原腹地,一个则最早被称之为不入流的“荆蛮之地”,这两个用俗话说八竿子也打不着城市,居然存在着天然的人文渊源。 这不单单是说历史悠久,这两个城市中的南阳,在战国时代被称为“宛”,同时期的苏州被称为“姑苏”;也不是说系出同门,两座城市在1

hxsln11的博客 1198

基于Java+SSM+HTML5南阳特产销售平台(源码+LW+调试文档+讲解等)/南阳特产/特产销售/南阳特产销售/南阳特产网购/南阳土特产销售/南阳特色产品销售/南阳特产直销平台/南阳特产在线购买

前端:HTML5、BootStrap、CSS3、JavaScript、jQuery、LayUI后端:Spring、SpringMVC、Mybatis,这三个技术简称SSM,Maven构建项目jar包,Tomcat运行Web环境,后端语言Java数据库:MySQL、SQLServer开发工具:IDEA、Eclipse、Navicat等✌关于毕设项目技术实现问题讲解也可以给我留言咨询!!!在程序设计中,HTML、CSS 和 JavaScript 如同三位默契的伙伴。

2401_85513329的博客 947

我用ChatGPT帮南阳迷笛写了封道歉信

说实话,这几天也刷到了不少大 V 下场来评论这件事,但很多都说的不疼不痒,你去批判、端水,都不如实际点拿出解决方案,唯独上面这份声明,是我很喜欢的一位公众号作者👉灰鸽叔叔写的,真的是具有实际指导作用,本来没啥好说的,犯错就要认错,违法就要受罚,作为音乐节的承办方,该道歉就道歉,但把整个事拉入舆论漩涡,甚至导致事件愈演愈烈,我觉得一定有那封中原迷笛音乐节组委会声明的原因在。作为一个生在河南的老冲浪客,地域黑见过很多,已经见怪不怪了,我还是那个观点,宣传归宣传,维护归维护,犯错就要认错,违法就要受罚。

IT界那些事儿 171

南阳蓝天燃气WeLink

商业模式的变革,支撑企业向数字化运营转型,最终实现组织管理方式变革,驱动生产转型,并着力打造数字能源贸易,智慧能源,智慧运营,智慧公共平台,所有运营数据统一入口,统一查看,实现生产、管理、销售维护、客服、运营、监控及内部协同的全面智能化,彻底变革组织管理方式,再造流程,再创业务新高度。CRM系统为南阳蓝天燃气的客户销售过程及销售到运输过程的转换实现了从纸质化办公,桌面办公到端对端远程协同办公的变革,提供强有力的助力支持。2、业务集成,横纵连通。...

Soul_7S的博客 1512

南阳oj 题目97 兄弟郊游问题

兄弟郊游问题 时间限制:3000 ms  |  内存限制:65535 KB 难度:2 描述兄弟俩骑车郊游,弟弟先出发,每分钟X米,M分钟后,哥哥带一条狗出发。以每分钟Y米的速度去追弟弟,而狗则以每分钟Z米的速度向弟弟跑去,追上弟弟后又立即返回,直到哥哥追上弟弟时,狗跑了多少米? 输入第一行输入一个整数N,表示测试数据的组数(N 每组测试数据占一行,是四个正整数

jianjun的专栏 546

计算机二级南阳理工学院官网,南阳理工学院外国语学院:彩虹之旅 温暖你心...

彩虹之旅温暖你心2014年6月29日,南阳理工学院外国语学院和计算机与信息工程学院组成了 “彩虹之旅”帮扶队,一行19人,在外国语学院老师李爽正、聂冬栋和计算机与信息工程学院老师樊冠林、赵东江的带领下,前往南阳市特教职业学校开展为期一天的“彩虹之旅”帮扶活动。上午十点左右,志愿者们迎着凉爽的风,带着给小朋友的营养品,到达特教院。随后,特教院的杨老师向服务队介绍了特教院的基本情况,志愿者们参观盲文班...

weixin_34513436的博客 233

南阳蓝天燃气携手华为云WeLink共创数字蓝天

  近年来,国家一直将各产业数字化转型作为经济发展的重要政策,能源行业数字化转型也走上快车道,越来越多的能源企业应用新兴信息技术(如物联网、大数据、人工智能等),提升能源生产、传输、交易与消费的运营效率,提升经营效益和资源利用率与安全性。   南阳市蓝天燃气有限责任公司(简称“南阳蓝天燃气”)是以LNG能源贸易为核心,集综合能源站运营管理、城市燃气供应、危化品运输、LPG能源贸易、城市综合能源利用、特种设备检验检测等多项业务于一体的综合性能源企业。近几年来,信息化系统老旧与业务快速发展之间的矛盾愈发明

cover_se的博客 5

兄弟郊游问题,题目来源南阳理工学院

题目来源:ACM团队,南阳理工学院 问题描述:            兄弟俩骑车郊游,弟弟先出发,每分钟X米,M分钟后,哥哥带一条狗出发。以每分钟Y米的速度去追弟弟,而狗则以每分钟Z米的速度向弟弟跑             去,追上弟弟后又立即返回,直到哥哥追上弟弟时,狗跑了多少米? 输入 第一行输入一个整数N,表示测试数据的组数(N 每组测试数据占一行,是四个正整数,分别为

qq_39090674的博客 418
上一篇: 满足于一种廉价的幸福?
下一篇: 南阳之行--返回
itcoco
博客等级 码龄25年 29粉丝 80原创
评论 2
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