蓝桥杯历届真题 -- #简单模拟 解码(c++)

题目:题目 2576: 蓝桥杯2020年第十一届省赛真题-解码 题目:蓝桥杯2020年第十一届省赛真题-解码 - C语言网 (dotcpp.com) 题目大意 给定一个字符串,里面包含一个字母和一个数字,这个数字表示字母有几个,但数字最多不能超过9.要求我们还原出所有字母。 思路 先将整个字符串读入,再进行对每个字母的个数判断,最后再根据数字大小输出所有字母的字符。 坑点 1.在写代码时需要考虑每一次循环时i是不同的所以代码不会i++。 代码 #include<stdio.h> #include<iostream&g... 阅读详情

原题连接

在这里插入图片描述


思路

直接读入整个字符串,正序遍历
如果碰到的是数字 s[i]>='1 && s[i]<='9' 该数字代表的是前一个字母要出现多少次,
注意,前一个字母已经出现过一次,所以这里我们要少输出一次
那么 直接输出指定次数s[i-1]即可

完整代码

//这里是引入了一些常用的头文件,和一些常规操作
//第一行是因为该死的编译器不让直接用scanf
#define _CRT_SECURE_NO_WARNINGS 1
#define _USE_MATH_DEFINES //启用M_PI的定义
#include<algorithm>
#include<iostream>
#include<sstream>
#include<cstring>
#include<cstdio>
#include<cmath>
#include<string>
#include<vector>
#include<stack>
#include<queue>
#include<map>
#include<set>
#define MAX 0x3f3f3f3f
#define MIN -0x3f3f3f3f
using namespace std;
typedef long long ll;
typedef pair<int, int> pii;


int main() {
    string s;
    cin >> s;
    for (int i = 0; i < s.size(); i++) {
        if (s[i] >= '1' && s[i] <= '9') {
            //记录要输出的个数
            int num = s[i] - '0';
            //要-1,因为H3 这种格式已经输出了一个H
            num -= 1;
            while (num--) {
                cout << s[i - 1];
            }
        }
        else {
            cout << s[i];
        }
    }
    return 0;
}

结语


🌻编写本篇文章目的是笔者想以输出的形式进行学习,顺便记录学习点滴🌻

🌹 如果本篇文章对你有帮助的话那就点个赞吧👍🌹

😇 本篇文章存在多处不足,如有修改意见,可以私信或者评论哦,还望海涵 😇


STM32H743+YT8512C以太网通信实战:CubeMX与LWIP配置详解 本文详细解析了基于STM32H743微控制器与YT8512C PHY芯片的以太网通信实战方案。通过CubeMX工具进行RMII接口、MPU、时钟树等关键硬件配置,并重点阐述了如何修改LWIP协议栈驱动代码以适配YT8512C芯片,解决了LAN8742驱动不兼容的问题。文章提供了从工程创建、代码适配到调试验证的完整步骤,帮助开发者快速实现稳定可靠的嵌入式网络连接。 阅读详情

相关推荐

用友YonSuite产品实操手把手教学(图文版)

用友YonSuite

ct341688的博客 8162

【洛谷 P8706】[蓝桥杯 2020 省 AB1] 解码 题解(模拟+输入输出)

小明有一串很长的英文字母,可能包含大写和小写。在这串字母中,有很多连续的是重复的。小明想了一个办法将这串字母表达得更短:将连续的几个相同字母写成字母 + 出现次数的形式。例如,连续的5个a,即aaaaa,小明可以简写成a5(也可能简写成a4aaa3a等)。,小明可以简写成H3el5o2。为了方便表达,小明不会将连续的超过9个相同的字符写成简写的形式。现在给出简写后的字符串,请帮助小明还原成原来的串。

HEX9CF的技术博客 1024

5种隐藏代码到图片的实用技巧:从Notepad++到Linux命令全解析

本文详细解析了5种将代码或文本隐藏到图片中的实用数据隐写技巧。从Notepad++尾部追加、Windows命令行合并,到编辑图像元数据、使用十六进制编辑器,再到Linux的cat/dd命令,全面覆盖了从图形界面到命令行的工程化实践方法,帮助开发者和安全研究人员掌握隐蔽信息传输与存储的核心技术。

hh234的博客 353

每天一道算法题【蓝桥杯】【解码方法】

不难看出可以使用dp表来解决问题。

2402_83910930的博客 677

电机控制个人学习路线及专业书籍资源分享

个人学习电机控制的学习路线,和相关专业书的电子文档分享

weixin_45182459的博客 9913

人工智能之数学基础:弄懂数学本质,让我们不再害怕数学

数学的用途远远超过了人们的想象,甚至无处不在,任何领域都需要用到数学知识,人工智能也不例外。我将尽可能地将数学知识和机器学习算法相结合,让大家知道这些数学知识咋人工智能领域中的应用,使得数学的学习不会过于枯燥,同时也帮助大家扫清在学习算法过程中的数学障碍。除此之外,我还希望帮助大家建立一种不一样的数学思维,不再将数学看成是符号的演算、公式的推导,而是将数学看成是一种描述这个世界的工具,这样你就会发现这个世界处处有数学。当我们面对问题的时候,你是否会对问题进行抽象,然后通过数学来解决问题?

huanfeng_AI的博客 632

[第十一届蓝桥杯省赛C++B组]解码

算法标签 NONE 题目简叙 思路 1.遇到数字就输出str[i]-1个的str[i-1] 2.否则就输出 单个字母本身 代码 #include<iostream> #include<string> using namespace std; int main(){ string str; cin>>str; for(int i=0;i<str.length();i++) if(str[i]>='0'&am

代码中枢:软件工程理论与实践的桥梁 1471

ISO21434 组织网络安全管理(二)

为了实现网络安全工程,该组织建立并维护网络安全治理和网络安全文化,包括网络安全意识管理、能力管理和持续改进。这涉及到指定针对本文档的目标进行独立审计的特定于组织的规则和过程。 为了支持网络安全工程,该组织实施了网络安全的管理系统,包括管理工具和应用质量管理系统。

qq_42357877的博客 1322

洛谷 P8706 [蓝桥杯 2020 省 AB1] 解码

洛谷 P8706 [蓝桥杯 2020 省 AB1] 解码。

Sonaldo的博客 764

5G 模组 FM650 USB模式查询及网络配置

完成以上配置后,5G模组可进行搜网,入网成功后,上位机获取 5G IP。

十年通信老兵的技术修炼之路——从3G到5G,从地面基站到卫星通信。 1323

【RT-DETR有效改进】利用MobileNetV3替换Backbone(轻量化网络结构,提点)

本文给大家带来的改进机制是,其主要改进思想集中在结合硬件感知的网络架构搜索(NAS)和NetAdapt算法,以优化移动设备CPU上的性能。它采用了新颖的架构设计,包括反转残差结构和线性瓶颈层,以及新的高效分割解码器Lite Reduced Atrous Spatial Pyramid Pooling(LR-ASPP),以提升在移动分类、检测和分割任务上的表现。实验表明,MobileNets在资源和准确性的权衡方面表现出色,并在多种应用(如对象检测、细粒度分类、面部属性识别和大规模地理定位)中展现了其有效性。

Snu77的博客 2748

[蓝桥杯 2020 省 AB1] 解码

题目来源:洛谷[蓝桥杯 2020 省 AB1] 解码

D_D_zy的博客 1214

Windows 下运行 openclaw 出现“‘openclaw‘ 不是内部或外部命令,也不是可运行的程序或批处理文件“的解决方案

方案适用场景推荐指数检查并手动添加 PATH明确知道全局安装目录,只是没加进PATH⭐⭐⭐⭐⭐pnpm setup 自动配置使用 pnpm 安装,想要省心的自动化方式⭐⭐⭐⭐⭐npx 免安装临时运行快速验证核心程序是否正常,排除法排查⭐⭐⭐⭐清理残留后重装npm/pnpm 混用导致版本混乱⭐⭐⭐⭐改用 WSL2不熟悉 Windows 路径体系,长期使用⭐⭐⭐'openclaw' 不是内部或外部命令这类报错,本质上不是"程序坏了",而是。

一键难忘的博客 1万+

蓝桥杯—解码

题目:蓝桥杯2020年第十一届省赛真题-解码 - C语言网 #include<bits/stdc++.h> using namespace std; //将字符串从下标begin开始,全部向后退一位,并且str[begin]改为字符a void push_1(char str[], int begin, char a) { int i, j; for (i = strlen(str); i > begin; i--) { str[i] = str[i - 1]; } s

Cap07博客 1514

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![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

蓝桥杯真题(解码)小白入!

本来看这个题感觉很简单,不就是Ascall值换来换去嘛,其实也真的这样,但是对于小白来说,ascall根本记不住。//你要知道这里转化过来的是3的Ascall值,不是数字3。其次如何实现字符英文和整型之间转换和字符数字与整形之间的转换,又是个点。这样就OK了,当你输出temp,就是对应a的Ascall值。其实Ascall很有规律的,数字的Ascall是连续的。好了,回到题上,看完上面应该就明了,直接上代码。'0'的Ascall值为48,'3'是51。这时,就有同学疑问,呢要怎么变回3。

Zjyzzy123456789的博客 3442

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

acwing 2066. 解码(蓝桥杯)

题目:2066. 解码 #include<bits/stdc++.h> using namespace std; typedef long long LL; const int N=1e5+10; int main(){ string a; cin>>a; for(int i=0;i<a.size();i++){ if(i+1<a.size()&&a[i+1]>='0'&&a[i+1]&l

记录一些刷过的题并分享学习心得 400

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

解码(蓝桥杯C/C++B组真题详解)

思路: 遍历所有字符 当字符为字母直接输出 当字符为数字输出 (数字-1)个前面的字母 【原因:这里的数字包含了前面的字母数量】 代码详解: #include<stdio.h> #include<iostream> using namespace std; typedef long long ll; #include<algorithm> #include<cmath> int main() { string s; cin>&gt..

weixin_60536621的博客 909

第十一届蓝桥杯——解码

问题描述 小明有一串很长的英文字母,可能包含大写和小写。 在这串字母中,有很多连续的是重复的。 小明想了一个办法将这串字母表达得更短:将连续的几个相同字母写成字母 + 出现次数的形式。 例如,连续的 5 个 a,即 aaaaa,小明可以简写成 a5(也可能简写成 a4a、aa3a 等)。 对于这个例子:HHHellllloo,小明可以简写成 H3el5o2。 为了方便表达,小明不会将连续的超过 9 个相同的字符写成简写的形式。 现在给出简写后的字符串,请帮助小明还原成原来的串。 输入格式 输入一行包含一个字

六级不考550+不改名 4117

每日一题-解码(第十一届蓝桥杯)(简单思维)

这是一道比较水的思维题,我竟然发在题解上了,可见我是多么的菜。 我的初始思路是: 从第2个字符开始遍历,每当遍历到数字时,就先停下来往后遍历字符串,计算出前面的字符出现的长度,我认为字符串出现的次数是可以超过两位数的,也就是可以出现几十次。当遍历到的字符不是数字时停下来,结束数字的遍历,可以计算出出现次数。 但是下次遍历字符时,i就要改变了,变为前面访问的数字后的下下个字符判断,就要设置一个临时变量存最后j的数值,最后赋给i,下一次循环i就自加一。 最后要特判最后一个字符,因为始终是对下一个字符判断是否为.

行码棋 336

2020蓝桥杯模拟赛 解码

解码 小明有一串很长的英文字母,可能包含大写和小写。 在这串字母中,有很多连续的是重复的。 小明想了一个办法将这串字母表达得更短:将连续的几个相同字母写成字母 + 出现次数的形式。 例如,连续的 5 个 a,即 aaaaa,小明可以简写成 a5(也可能简写成 a4a、aa3a 等)。 对于这个例子:HHHellllloo,小明可以简写成 H3el5o2。 为了方便表达,小明不会将连续的超过 9 个相同的字符写成简写的形式。 现在给出简写后的字符串,请帮助小明还原成原来的串。 输入格式 输入一行包含一个字符串

Piink的博客 794

第十一届蓝桥杯 B组 真题G:解码

[问题描述] 小明有-串很长的英文字母,可能包含大写和小写。 在这串字母中,有很多连续的是重复的。小明想了一个办法将这串字母表 达得更短:将连续的几个相同字母写成字母+出现次数的形式。 例如,连续的5个a,即aaaaa, 小明可以简写成a5(也可能简写成a4a、 aa3a等)。对于这个例子: HHlllloo,小明可以简写成H3el5o2。为了方便表 达,小明不会将连续的超过9个相同的字符写成简写的形式。. 现在给出简写后的字符串,请帮助小明还原成原来的串。 [输入格式] 输入一行包含一一个字符串。 [输出

qq_46232829的博客 2591

蓝桥杯 解码

/*小明有一串很长的英文字母,可能包含大写和小写。 在这串字母中,有很多连续的是重复的。小明想了一个办法将这串字母表 达得更短:将连续的几个相同字母写成字母 + 出现次数的形式。 例如,连续的 5 个 a,即 aaaaa,小明可以简写成 a5(也可能简写成 a4a、 aa3a 等)。对于这个例子:HHHellllloo,小明可以简写成 H3el5o2。为了方便表 达,小明不会将连续的超过 9 个相同的字符写成简写的形式。 */ #include<stdio.h> #include<stri

jhfgjhg1的博客 918

第十一届蓝桥杯JavaB组试题G:解码

[问题描述] 小明有-串很长的英文字母,可能包含大写和小写。 在这串字母中,有很多连续的是重复的。小明想了一个办法将这串字母表 达得更短:将连续的几个相同字母写成字母+出现次数的形式。 例如,连续的5个a,即aaaaa, 小明可以简写成a5(也可能简写成a4a、 aa3a等)。对于这个例子: HHlllloo,小明可以简写成H3el5o2。为了方便表 达,小明不会将连续的超过9个相同的字符写成简写的形式。. 现在给出简写后的字符串,请帮助小明还原成原来的串。 [输入格式] 输入一行包含一一个字符串。 [输出

qq_44783880的博客 1003

蓝桥杯:解码

题解: #include<iostream> #include<cstring> using namespace std; int main(){ string str; cin>>str; //由题意 数字不会超过9 即<=9 string result; //遍历所给字符串 for(int i = 0;i<str.length();i++){ //按ascii对照表 int .

qq_22494201的博客 283

蓝桥杯省赛 解码(简洁)

小明有一串很长的英文字母,可能包含大写和小写。 在这串字母中,有很多连续的是重复的。 小明想了一个办法将这串字母表达得更短:将连续的几个相同字母写成字母 + 出现次数的形式。 例如,连续的 55 个 aa,即 aaaaaaaaaa,小明可以简写成 a5a5(也可能简写成 a4aa4a、aa3aaa3a 等)。 对于这个例子:HHHelllllooHHHellllloo,小明可以简写成 H3el5o2H3el5o2。 为了方便表达,小明不会将连续的超过 99 个相同的字符写成简写的形式。 现在给出简写后的字符

qq_43738331的博客 592

蓝桥杯 2018年省赛C程序设计B组第二题(明码)

标题:明码 汉字的字形存在于字库中,即便在今天,16点阵的字库也仍然使用广泛。 ###16点阵的字库把每个汉字看成是16x16个像素信息。并把这些信息记录在字节中。 ###一个字节可以存储8位信息,用32个字节就可以存一个汉字的字形了。 把每个字节转为2进制表示,1表示墨迹,0表示底色。每行2个字节, 一共16行,布局是: 第1字节,第2字节 第3字节,第4字节 .... 第31字节, 第32字节...

LaoXiangQ的博客 690
上一篇: 蓝桥杯历届真题 -- #错误票据 (C++)
下一篇: 动态规划 #线性dp,最长公共子序列
旧物有情
博客等级 码龄4年 369粉丝 77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