算法做题打卡

优秀学员打卡排名算法题 id为0、1、6、7的员工打卡都是2天,id为0、1、7的员工在第一天就打卡了,比id为6的员工早,所以排在前面;说明:员工编号范围是0到6,id为0、1、2、3、4、5的员工打卡次数相同,最早打卡的时间也一样,所以按id升序返回前5个id,输出为[0, 1, 2, 3, 4]。排序规则是先按照打卡次数从多到少排序,如果打卡次数相同,再按照第一次打卡的时间从早到晚排序,最后默认按照员工id从小到大排序。备注:同一天打卡的员工不存在时间上的早晚差异,同时不保证所有员工都会打卡,排名仅针对有打卡记录的员工。 阅读详情

每日算法题

csdn算法技能树,基础1-5

1.切面条

一根高筋拉面,中间切一刀,可以得到2根面条。

如果先对折1次,中间切一刀,可以得到3根面条。

如果连续对折2次,中间切一刀,可以得到5根面条。

那么,连续对折10次,中间切一刀,会得到多少面条呢?

tips: 这题,看一眼答案就会了。但不懂如何找这种规律,推了几次都不对,或许这种得多做看经验吧。

答案(golang实现):

n, sum, t := 10, 2, 1
for i := 1; i < n; i++ {
    sum += t
    t *= 2
}
fmt.Printf("对折10次会得到%d个面条", sum)
//  折10次会得到513个面条

2.大衍数列

中国古代文献中,曾记载过大衍数列, 主要用于解释中国传统文化中的太极衍生原理。

它的前几项是:0、2、4、8、12、18、24、32、40、50 …

其规律是:对偶数项,是序号平方再除2,奇数项,是序号平方减1再除2。

代码打印出大衍数列的前 100 项。

通过i%2是否为零来判断奇偶。余2为0则i项为i*i/2,否则为:(i*i-1)/2

答案(golang实现):

for i := 1; i < 100; i++ {
    if i&2 == 0 {
        fmt.Printf("第%d项为:%d", i, i*i/2)
    } else {
        fmt.Printf("第%d项为:%d", i, (i*i-1)/2)
    }
}

3.门牌制作

小蓝要为一条街的住户制作门牌号。

这条街一共有 2020 位住户,门牌号从 1 到 2020 编号。

小蓝制作门牌的方法是先制作 0 到 9 这几个数字字符,最后根据需要将字符粘贴到门牌上,例如门牌 1017 需要依次粘贴字符 1、0、1、7,即需要 1 个字符 0,2 个字符 1,1 个字符 7。

请问要制作所有的 1 到 2020 号门牌,总共需要多少个字符 2?

tips: 拿到一个门牌号后,直接余10可以得到最后一位树,如果等于2,所需字符加一。每次除10舍掉最后一位,直到拆解完所有位(门牌号被除的小于0)

答案(golang实现):

count := 2020
ans := 0
for i := 1; i <= count; i++ {
    x := i
    for x > 0 {
        if x%10 == 2 {
            ans++
        }
        x /= 10gg
    }
}
fmt.Printf("要制作所有的 1 到 2020 号门牌,总共需要%d个字符 2", ans)
// 要制作所有的 1 到 2020 号门牌,总共需要624个字符 2

4.方阵转置

给定一个n×m矩阵相乘,求它的转置。其中1≤n≤20,1≤m≤20,矩阵中的每个元素都在整数类型(4字节)的表示范围内。

tips: 即方阵顺时针旋转90度。x轴反向和y轴方向倒换

m, n := 20, 20
	var a [20][20]int
// 初始化方阵
	for i := 0; i < m; i++ {
		for j := 0; j < n; j++ {
			a[i][j] = j
		}
	}
	fmt.Print("原数组")
	fmt.Println(a)
	fmt.Println("反转后")
// 转置方阵
	for i := 0; i < m; i++ {
		for j := 0; j < n; j++ {
			fmt.Print(a[j][i])
		}
        // 换个行
		fmt.Println()
	}

5.微生物增殖

假设有两种微生物 X 和 Y

X出生后每隔3分钟分裂一次(数目加倍),Y出生后每隔2分钟分裂一次(数目加倍)。

一个新出生的X,半分钟之后吃掉1个Y,并且,从此开始,每隔1分钟吃1个Y。

现在已知有新出生的 X=10, Y=89,求60分钟后Y的数目。

如果X=10,Y=90呢?

提示:

分析可知,Y分别会在0.5,1.5,2.5······时被吃,所以,把60分钟分成120份,则在除以2余数为1时,Y的数目减少X个

tips:一个新出生的X,半分钟之后吃掉1个Y,并且,从此开始,每隔1分钟吃1个Y。这句话其实算干扰项了。这里我思索了很久,画图一看便知。其他条件比较简单,直接余即可

缩小一下研究对象,看看如果 只有一个x的情况 。如下:

请添加图片描述

答案(golang实现):

func demo5func(x, y int) {
	fmt.Printf("x=%d,y=%d,60分钟后,y的数目为:", x, y)
	for i := 0; i < 120; i++ {
		if i%2 == 1 {
			y -= x
		}
		if i%4 == 0 {
			y *= 2
		}
		if i%6 == 0 {
			x *= 2
		}
	}
	fmt.Println(y)
}

demo5func(10, 89)
demo5func(10, 90)
/*
x=10,y=89,60分钟后,y的数目为:-979369984
x=10,y=90,60分钟后,y的数目为:94371840
*/
UniDexGrasp++算法实战:无需预生成姿态的灵巧抓取测试指南 本文详细解析了UniDexGrasp++算法在灵巧抓取测试中的实战应用,该算法无需预生成姿态即可实现高效抓取,特别适合处理形状不规则的物体。文章涵盖了环境配置、数据集优化、训练流程及实际测试中的调参技巧,帮助开发者快速掌握这一ICCV 2023提出的先进算法。 阅读详情

相关推荐

用Pixel5玩转AOSP:从零开始定制Android13系统(含GMS集成方案)

本文提供了一份详尽的Pixel 5 AOSP定制指南,涵盖从环境搭建、源码下载、系统编译到刷机的完整流程。重点解决了原生AOSP缺失Google移动服务(GMS)的难题,分享了从官方镜像提取并集成GMS组件的实战方案,助你打造独一无二的Android 13系统。

sam99的博客 526

leecode做题打卡:算法

LeeCode做题打卡题集:算法第 1 天 二分查找第1天 第一题 :[704. 二分查找](https://leetcode-cn.com/problems/binary-search/)第1天 第二题 :[278. 第一个错误的版本](https://leetcode-cn.com/problems/first-bad-version/)第1天 第三题 :[35. 搜索插入位置](https://leetcode-cn.com/problems/search-insert-position/) 题集:算

MaHoneee的博客 243

LangChain实战:用FAISS搭建本地文档问答系统(含Word文件处理避坑指南)

本文详细介绍了如何利用LangChain框架和FAISS向量数据库构建本地化智能文档问答系统,特别针对Word文档处理中的技术难点提供实用解决方案。通过模块化设计、本地化支持和多格式兼容,实现高效文档处理与精准问答,满足企业对数据隐私和安全的需求。

o4p5q6r7s的博客 408

蓝桥杯算法双周赛,赛时分享做题打卡

参加蓝桥杯,你将有机会与众多优秀的编程者同台竞技,相互学习,共同进步。每一次的竞赛,都是对自我极限的一次突破。在这里,你将体验到编程的无限魅力,感受到算法的无穷奥妙。在这里,你将学会如何面对压力,如何在紧张的竞赛中保持冷静,如何在有限的时间内找到最优的解决方案。蓝桥杯算法双周赛,是编程爱好者的盛宴,是技术追求者的竞技场。这里,汇聚了来自全国各地的编程精英,他们用代码编织梦想,用算法解决问题,用智慧点亮未来。优秀的选手将有机会获得丰厚的奖励和荣誉证书,这不仅是对自己努力的肯定,也是对未来职业生涯的有力加分。

2402_83690813的博客 659

2月底速申!国家超算互联网免费算力全攻略|编程小白零消耗实操首测_2026-02-26

2月底速申!国家超算互联网免费算力全攻略|编程小白零消耗实操首测作为一名编程小白,我目前正在学习编译和运行 Qt 框架,也在逐步摸索开发环境的配置方法,目标是打造一款属于自己的个人效率工具。就在这时,我挖到了一个国家级硬核福利:国家超算互联网核心节点开放免费试运行!哪怕是零基础如我,也能申领到 100 卡时异构加速卡算力,关键是——2 月底前申请更稳妥,早占位早使用。

qq_58517981的博客 2097

Android手机免root玩转Kali NetHunter:Termux保姆级安装指南(附Kex VNC配置)

本文提供了一份详细的Android手机免root安装Kali NetHunter的保姆级指南。通过使用Termux终端模拟器,用户无需解锁Bootloader或获取root权限,即可在普通安卓设备上部署完整的Kali Linux渗透测试环境。教程涵盖了从环境准备、NetHunter核心安装到配置Kex VNC实现图形桌面访问的全过程,并附带了电脑投屏与常见问题解决方案,旨在打造一个便携的移动安全学习与测试平台。

weixin_29208327的博客 294

【无标题】

做题打卡 1月26号 #include<bits/stdc++.h> using namespace std; const int N=1e5+10; int n; vector<int> G[N]; bool vis[N]; int ans=N; //以u为根的子树中点的数量 int dfs(int u) { vis[u]=true; int sum=1,res=0; for(auto i : G

2201_75750137的博客 86

双向全桥隔离DC-DC变换器(DAB)的调制优化与挑战解析

本文深入解析了双向全桥隔离DC-DC变换器(DAB)的核心调制技术及其面临的挑战。文章从基础的相移调制(SPS)入手,逐步探讨了扩展相移(EPS)、双重相移(DPS)等进阶策略,并重点分析了电流优化与零电压开通(ZVS)等硬核优化技巧。针对DAB在实际应用中存在的建模困难、多模块并联及数字实现等挑战,提供了实用的应对策略与设计思路,旨在帮助工程师在性能、复杂度与成本之间找到最佳平衡。

weixin_29271053的博客 571

做题打卡第八天

今天练了贪心算法 发道难题 Imakf 是一个小蒟蒻,他最近刚学了 LCA,他在手机 APPstore 里看到一个游戏也叫做 LCA 就下载了下来。 题目描述 这个游戏会给出你一棵树,这棵树有 NN 个节点,根结点是 RR ,系统会选中 MM 个点 P_1,P_2…P_MP 1 ​ ,P 2 ​ …P M ​ ,要Imakf 回答有多少组点对 (u_i,v_i)(u i ​ ,v i ​ ) 的最近公共祖先是 P_iP i ​ 。Imakf 是个小蒟蒻,他就算学了 LCA 也做不出,于是只好求助

Ignortools的博客 200

react-window 大数据列表和表格数据渲染组件之虚拟滚动

ReactWindow是一个高性能的React虚拟滚动组件库,专门用于高效渲染大型列表和表格数据。它通过“窗口化”技术,仅渲染用户可见区域的内容,大幅提升性能并减少内存消耗。主要特点包括:支持固定/可变大小列表项、多种布局类型(垂直/水平/网格)、轻量级设计(不足5KB)以及平滑的滚动体验。相比传统渲染方式,它能轻松处理成千上万条数据,并提供自动滚动、自适应容器大小等高级功能。与同类库相比,ReactWindow具有更简洁的API和更优的性能表现,是处理大数据量渲染场景的理想选择。

前端开发-前端技术分享 1136

【本地部署实战】LM Studio深度使用指南:从环境搭建到模型调优

LM Studio通过极简的操作流程和强大的生态兼容性,让本地部署大模型成为可能。随着M4芯片的发布和CUDA 12.0的优化,未来本地化AI开发将迎来新的爆发点。建议开发者关注官方Discord社区(https://discord.gg/lmstudio)获取最新模型支持信息。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 8749

代码随想录算法训练营第31天| 56. 合并区间、738.单调递增的数字

贪心最后一天复健第一天 之前学的有点忘记了 但还是打算从这里继续下去 过完一遍再说 坚持吧。一个月时间。这回必须天天打卡啦。还是要天天做题保持手感 多多思考。要走这条路就要花时间花心思。没有轻轻松松可能成功。想要做到一些事情。但写leetcode是真的很爽 真的很享受 思考理解挑战困难的感觉。目前觉得单单理解都是成功,未来希望有一天能自己想到自己写出来。路还很长。

2301_76253115的博客 323

GD32F103 -- LIN从机通讯 -- 程序代码 (精简版)

注意!!!注意!!!这是GD32从机通讯!!!GD32!!!GD32!!!

晴朗luo的博客 2498

初写博客,我想说的一些话

说起我,我不是什么名人,也不是什么大佬,我只是一个在某市默默敲代码的oier,也只是一个想在2023 csp-s拿个小奖的蒟蒻。

m0_66744717的博客 56

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")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

蓝桥杯30天打卡D7-D8

掌握一些基础算法:前缀和、二分、差分、DP(出现次数最多)、搜索(BFS、DFS 暴力打法)、图论(最短路、最小生成树)、数据结构。c.left right均在数组内,只是left>right——此时,比较left right谁与成绩相差最小即可。a.该数比数组中最大的还大,left超出,即大于m-1——此时最大的数即为与成绩相差最小的。b.该数比数组中最小的还小,right超出,即小于0——此时最小的数即为与成绩相差最小的。D7目标:前缀和基础题、BFS、DFS初步理解、23年真题。

2303_79931170的博客 564

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

代码随想录算法训练营第二十七天 | 455.分发饼干,376. 摆动序列,53. 最大子序和

二十七天打卡,今天是贪心算法的第一天,贪心算法没有固定解法,摆动序列这一题要固定判断平坡规则。

qq_61552256的博客 473

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

蓝桥月赛强者赛做题打卡

二月份蓝桥月赛打卡

JMvanish的博客 196

Acwing活动打卡做题数统计爬虫

ACM老年人退役了。 感谢Acwing算法全家桶,让我的算法水平提升了不少。 之前就看到有些统计做题数的爬虫,但是通常只有hdu,cf,vj之类的爬虫,没看到有acwing活动打卡页面的。刚好期末大作业准备做一个能统计各大oj做题数的功能,于是在网上查找了些资料,写了这个爬虫。 用的语言是java,可以统计活动打卡5页的做题数(y总现在也只有3页),需要更多可以在for循环那里修改。 食用方法:在main函数里填入自己的id然后运行即可(id在右上角我的空间,上面的url有一串数字就是id) 不是专业搞爬虫

john9925的博客 1004

【万人千题】大学生算法社区火爆开启,每日打卡学习,诚邀妳的加入

结对编程

英雄哪里出来 3198

打卡信奥刷题(697)用Scratch图形化工具信奥B3923[普及组/提高] [GESP202312 二级] 小杨做题

为了准备考试,小杨每天都要做题。第1天,小杨做了a道题;第2天,小杨做了b道题;从第3天起,小杨每天做的题目数量是前两天的总和。此外,小杨还规定,当自己某一天做了大于或等于m题时,接下来的所有日子里,他就再也不做题了。请问,到了第N天,小杨总共做了多少题呢?

Loge谈信奥--一个专注于信奥人的博客 2760

每日py3做题打卡

掌握一门语言最好的方法就是应用。py做题打卡   A - Equality n, k = map(int, input().split()) a = input() print(k*min(a.count(chr(65 + i)) for i in range(k))) A - Repeating Cipher n = int(input()) a = input() i = j...

STOP 227

打卡信奥刷题(426)用C++信奥B3959[普及组/提高] [GESP202403 四级] 做题

小杨同学为了提高自己的实力制定了做题计划,在第k天时,他必须要完成k道题,否则他就会偷懒。小杨同学现在找到了一个题库,一共有n套题单,每一套题单中有一定数量的题目。但是他十分挑剔,每套题单他只会使用一次,每一天也只能使用一套题单里的题目,之后那套题单就会弃之不用。对于每套题单,他不必完成题单内所有的题。那么问题来了,小杨同学最多做题几天才偷懒呢?

Loge谈信奥--一个专注于信奥人的博客 3133

用c写打卡机:实现上下班打卡和考勤等功能

此打卡机具有的功能: 1、上班打卡,员工具有编号(首位为 1 的六位编号),输入编号后,再 输入校验码,校验码生成规则:员工编号除首位反序,再与员工编号 求和,如:员工编号,110086,校验码为 178087。校验码错误即打卡失败。记录打卡时间 2、下班打卡,只需输入员工编号即可。记录打卡时间,显示该人员今天 上班时长,如果上班时长不够,显示早退 xx 分钟。可以更新下班打卡时间。无下班打卡显示缺卡。 3、 可以设置规定上班时长,如 9 小时 4、测试需要可以规定 6 秒=实际 1 小时,每次测试,输入指

weixin_42112184的博客 3033

javascript算法学习打卡(第二周)

之前因为工作原因接触了很多有意思的算法知识,为了巩固大家的算法基础和编程能力,笔者将开展为期2个月的算法学习打卡, 每周3-5次算法训练, 并附有算法题的答案, 供大家学习参考. 接下来...

趣谈前端 1201

蘑菇丁x工学云的3个sign算法以及携带图片打卡(带照片打卡)猜想(已验证猜想可行)

蘑菇钉x工学云的3个sign算法以及携带图片打卡猜想(已验证猜想可行),可以实现带图签到!!!!

2661

javascript算法第三周打卡

之前因为工作原因接触了很多有意思的算法知识,为了巩固大家的算法基础和编程能力,笔者将开展为期2个月的算法学习打卡, 每周3-5次算法训练, 并附有算法题的答案, 供大家学习参考. 接下来...

趣谈前端 1911
上一篇: Golang:并发任务处理器
下一篇: 每日算法题:算法技树基础6-9
jayLog
博客等级 码龄7年 318粉丝 71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

打赏作者

jayLog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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