广研一面笔试题目

腾讯广研一面前端暑期实习生 大三 身份:双非本科大三 今天下午突然接到“腾讯广研4号楼咖啡厅”的电话,吓了一跳哈哈哈。腾讯的校招我还没等到面试就灰了,不知道这次是上天给我的机会吗?约到今晚8点。准时打来了电话,先做40分钟4道笔试题,40分钟后发到邮箱再继续打电话。 刚开始有点蒙,不过很快步入了正轨,40分钟臣妾真的做不完啊亲,只做了两道,做出了一道题。第三道看了没来得及做。 电话: 第一题没有问题,2,3,4题讲了思路,... 阅读详情

1. 原地reverse一个字符串

2. 求strA和strB最长公共子串

求解:
       引进一个二维数组c[][],用c[i][j]记录X[i]与Y[j] 的LCS 的长度,b[i][j]记录c[i][j]是通过哪一个子问题的值求得的,以决定输出最长公共字串时搜索的方向。
      我们是自底向上进行递推计算,那么在计算c[i,j]之前,c[i-1][j-1],c[i-1][j]与c[i][j-1]均已计算出来。此时我们根据X[i] == Y[j]还是X[i] != Y[j],就可以计算出c[i][j]。

      问题的递归式写成:

      回溯输出最长公共子序列过程:

 

       算法分析:
      由于每次调用至少向上或向左(或向上向左同时)移动一步,故最多调用(m + n)次就会遇到i = 0或j = 0的情况,此时开始返回。返回时与递归调用时方向相反,步数相同,故算法时间复杂度为Θ(m + n)。

      完整的实现代码如下:

/** 
找出两个字符串的最长公共子串的长度
** author :liuzhiwei  
** data   :2011-08-15
**/ 
#include "stdio.h"
#include "string.h"
#include "stdlib.h"
int LCSLength(char* str1, char* str2, int **b)
{
	int i,j,length1,length2,len;
	length1 = strlen(str1);
	length2 = strlen(str2);

	//双指针的方法申请动态二维数组
	int **c = new int*[length1+1];      //共有length1+1行
	for(i = 0; i < length1+1; i++)
		c[i] = new int[length2+1];      //共有length2+1列

	for(i = 0; i < length1+1; i++)
		c[i][0]=0;        //第0列都初始化为0
	for(j = 0; j < length2+1; j++)
		c[0][j]=0;        //第0行都初始化为0

	for(i = 1; i < length1+1; i++)
	{
		for(j = 1; j < length2+1; j++)
		{
			if(str1[i-1]==str2[j-1])   //由于c[][]的0行0列没有使用,c[][]的第i行元素对应str1的第i-1个元素
			{
				c[i][j]=c[i-1][j-1]+1;
				b[i][j]=0;          //输出公共子串时的搜索方向
			}
			else if(c[i-1][j]>c[i][j-1])
			{
				c[i][j]=c[i-1][j];
				b[i][j]=1;
			}
			else
			{
				c[i][j]=c[i][j-1];
				b[i][j]=-1;
			}
		}
	}
	/*
	for(i= 0; i < length1+1; i++)
	{
	for(j = 0; j < length2+1; j++)
	printf("%d ",c[i][j]);
	printf("\n");
	}
	*/
	len=c[length1][length2];
	for(i = 0; i < length1+1; i++)    //释放动态申请的二维数组
		delete[] c[i];
	delete[] c;
	return len;
}
void PrintLCS(int **b, char *str1, int i, int j)
{
	if(i==0 || j==0)
		return ;
	if(b[i][j]==0)
	{
		PrintLCS(b, str1, i-1, j-1);   //从后面开始递归,所以要先递归到子串的前面,然后从前往后开始输出子串
		printf("%c",str1[i-1]);        //c[][]的第i行元素对应str1的第i-1个元素
	}
	else if(b[i][j]==1)
		PrintLCS(b, str1, i-1, j);
	else
		PrintLCS(b, str1, i, j-1);
}

int main(void)
{
	char str1[100],str2[100];
	int i,length1,length2,len;
	printf("请输入第一个字符串:");
	gets(str1);
	printf("请输入第二个字符串:");
	gets(str2);
	length1 = strlen(str1);
	length2 = strlen(str2);
	//双指针的方法申请动态二维数组
	int **b = new int*[length1+1];
	for(i= 0; i < length1+1; i++)
		b[i] = new int[length2+1];
	len=LCSLength(str1,str2,b);
	printf("最长公共子串的长度为:%d\n",len);
	printf("最长公共子串为:");
	PrintLCS(b,str1,length1,length2);
	printf("\n");
	for(i = 0; i < length1+1; i++)    //释放动态申请的二维数组
		delete[] b[i];
	delete[] b;
	system("pause");
	return 0;
}

3. 合并两个有序的链表。

方法一使用递归的方法

struct Node
{
 Node* next;
 int value;
};
Node* Merge(Node* head1, Node* head2)
{
	Node* res;
	if(head1 == NULL) return head2;
	if(head2 == NULL) return head1;
	if(head1->value < head2->value)
	{
		res = head1;
		res->next = Merge(head1->next, head2);
	}
	else
	{
		res = head2;
		res->next = Merge(head1, head2->next);
	}
	return res;
}

4. 删除双链表当中的一个指点节点。

5. 原定转置一个链表。

typedef struct node
{
    struct node* next;
    datatype data;
}Node;

Node* reverse(Node *head)
{
    if(head == NULL || head->next == NULL)
    {
        return head;
    }
    Node *p1, *p2, *p3;
    p1 = head;
    p2 = head->next;
    head->next = NULL;
    while(p2 != NULL)
    {
        p3 = p2->next;
        p2->next = p1;
        p1 = p2;
        p2 = p3;
    }
    head = p1;
    return head;
}

6. 找到一棵BST树中第三大的数,但不能将这棵BST数据存到一个额外的结构(例如数组)再进行查找。

给一个二叉查找树(BST),找出第 k 大的值。比如:


该图中,第3大的值是10.

分析:

我们可以通过类似后序遍历的方法把BST从大到小排序,然后,就可以得到第 k 大的值了。代码如下:

	//get the nth largest value in BST
	public void getNthnode(Node root, int n) {
		
		if (root == null) return;
		getNthnode(root.rightChild, n);
		k++;
		if (k == n) {
			System.out.print(root.toString());
		}
		getNthnode(root.leftChild, n);
	}


        
2023西电计算机833/834线下复试经验贴 2023年西安电子科技大学计算机833/834线下复试经验贴,全过程,超详细的复试流程和真题及心得分享 阅读详情

相关推荐

从PWM到精准电流:双光耦与LM317构建的4-20mA隔离输出方案

本文详细介绍了基于双光耦与LM317的4-20mA隔离输出方案,适用于工业自动化中的PWM信号转换。该方案通过电气隔离和精准电流调节,显著提升抗干扰能力和信号传输精度,同时降低成本60%。文章还分享了电路设计、参数计算及调试经验,为工程师提供实用参考。

weixin_32006655的博客 285

腾讯广研笔试总结

参加了这次广研的笔试,总结下考察的题型吧。 首先难度上是以基础知识为主,基本都是课本的内容,主要涉及的学科有数据库,数据结构与算法,计算机网络和操作系统,以及涉及一些编译原理的内容。 数据库主要是SQL的内容。 数据结构与算法主要是排序与查找的相关知识,另外还有一些树等数据结构的知识。 计算机网络主要是HTTP和TCP的内容。 操作系统主要是进程和内存管理的内容。 编译原理主要是动态链

湛江下暴雨 1311

数学文化赏析MOOC笔记【2023】

深圳大学UOOC课程《数学文化赏析》课程笔记

simplenthpower的博客 1753

2014年3月腾讯广研班笔试经验

印象中这样,给师弟师妹们一个复习方向。 选择题: 1 导致数据库数据不一致的根本原因原因 2 window 系统默认分给线程的栈大小是? 3 SQL语句 select where fom order by  group  by  having 执行顺序 4 unix 目录结构 5 深度优先遍历一棵树 6 动态编译和静态编译 7选一个稳定的排序 8 数组的排列顺序对哪种排序算法无影

yes1cpp的专栏 1325

高效低功耗设计:PMOS电子开关在墨水屏与ADC采样电路中的创新应用

本文深入探讨了PMOS电子开关在低功耗设计中的创新应用,特别是在墨水屏和ADC采样电路中的关键作用。通过详细分析PMOS的导通机制和近乎零静态功耗特性,展示了其在待机低功耗场景下的显著优势,并提供了实用的电路设计技巧和元器件选型建议,帮助工程师实现极致的功耗优化。

weixin_29193359的博客 164

Tessent Atpg系列 第七章 Running ATPG Patterns -- 如何书写proc文件

本篇文章是记录Tessent scan ATPG系列 本文并非是对userguide的完全翻译,而是自己对userguide的理解,此外,有部分比较深入的内容可能需要后续实验验证。本系列并不对tessent scan做过多描述。 请勿随意转载: 优快云 博主: ciscomonkey一种是在使用tessent scan之后使用ATPG 另一种是使用第三方工具,如snps的DFTC之后使用tessent的ATPG。 这里我们仅仅介绍without tessent scan之后tessent ATPG:对于t

ciscomonkey的博客 7700

企鹅广研创新班笔试、面试经历

人生第一次正式的技术笔试+面试。 笔试: 这次的笔试与腾讯2013校园招聘的题目类似 http://blog.youkuaiyun.com/muweiyou/article/details/8113448 什么都没复习,直接去考了,发现数据库还有操作系统的一些知识都忘记了,很多题目都是凭着感觉走。 还有就是,感觉题目上面的很多知识点跟课本上的很一样,所以看复习书本还不够,面试宝典也很重要。

qq454822252的专栏 1187

从原理到落地:监控 SAP OData bgRFC 队列的全景实践指南

摘要(150字) 本文系统讲解SAP Gateway/Backend场景中bgRFC队列的监控方法。内容涵盖:1)监控必要性——确保异步可靠传输,及时识别失败消息;2)两种服务质量(EO/EOIO)对监控策略的影响;3)通过事务码SBGRFCMON和SPRO路径访问监控界面;4)关键授权S_BGRFC的配置要求;5)详细操作指南包括筛选条件和动作选项;6)标准巡检脚本;7)三个典型案例(认证错误、顺序阻塞、调度压力)的诊断与修复方案。全文提供完整的监控方法论和实战指导。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 292

炸了吗?25西电卓越工程师学院(广研院)考研录取情况

炸了吗?25西电卓越工程师学院(广研院)考研录取情况

qq_30953547的博客 2603

【Python】秋招机考 —— 2025/8/27 华为 AI 方向

2025 华为 AI 秋招机考题目包含15道单选题、5道多选题和2道机器学习编程题,涵盖核心算法与数学知识。单选题考察了Softmax激活、Transformer位置编码、Jacobi迭代、大模型幻觉现象、特征向量、K-means聚类、矩阵秩、实对称矩阵性质、SVD分解、概率论等知识点。多选题涉及高斯-赛德尔迭代和朴素贝叶斯分类器。

一杯水果茶!足矣~ 842

鸿蒙开发实战项目(四十七):图片编辑(ArkTS)

本篇Codelab主要介绍如何基于图片编解码,实现图片编辑。图片的解码。使用PixelMap进行图片编辑,如裁剪、旋转、亮度、透明度、饱和度等。图片的编码。

斌擎科技 1588

腾讯、微软、网易游戏实习生面试之旅

找实习的苦逼之旅就在悄然之间开始了,本来并没打算投tx广研,可当见舍友去面试后,心里一盘算,如果去广研的话的能留在广州,不错!! ^_^。于是乎让主席帮忙问没投简历能不能去面试。得到回复是可以去参加下午的一个笔试,好吧!那就去笔试吧!! 2B的事情发生了,笔试完了没接到面试通知。好吧!!! 好惨!!         回去了。过了两天通知去面试,好吧!笔试还没投简历来的有效……无语……还是小高兴!

看看写写,记录所学,权当笔记の 1万+

CMake是什么?为什么学习CMake

CMake的主要作用和重要性,包括其在跨平台构建中的应用、如何支持多种编译器及操作系统,以及它在管理大型和复杂项目中的优势。

小鱼酱的博客 3874

复试来啦!西安电子科技大学卓越工程师学院(广研院)考研录取情况

复试来啦!西安电子科技大学卓越工程师学院(广研院)考研录取情况

qq_30953547的博客 4086

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》。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

记录2014找实习经历

014/04/29这是本人的第一篇博客。今天晚上就要回家了,所以想在回家之前把这两个月的找实习经历记录一下同时也总结一下自己不足之处。   3月初参加了2014腾讯广研班的笔试,笔试题目很广泛。因为自己是考研的所以对基础知识还是比较熟悉的。一个星期后通知面试。 面试一开始叫我写了3道程序题:链表逆转、怎么判断链表是否存在环以及环的位置和求二叉树的深度。由于题目简单我很顺利的写完了。 接着讨

FLY20080821的专栏 618

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")

腾讯广研-笔试题(1)2012-3-27

今天去腾讯广州笔试去了,结果很悲剧。不过没关系,只有在不断的被鄙视的过程中才能茁壮成长,加油! 1.输入:一个字符串,其中包括四种运算符:+、-、*、/和一些整数(0-9)。PS:没有括号。    输出:运算结果(double)。实例:输入1*2+4/2-4+5 输出:5.0 分析:先把乘除运算做完,把减运算变成后面那个数的负数,并把前三种运算的结果输入到栈中。后面的就全部是加运算了。 代

onelight1997的专栏 2304

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

2014年腾讯广研创新班笔试题(回忆的)

1.编程题。 数制转换的问题,A=1,B=2,C=3....Z=26,AA=27,输入一个字符串(ACDEDS)输出结果。 2.A,B两个人玩游戏,A写下一个【1,100】的数,让B来猜,如果B猜小了,那么A会告诉他猜小了,但是一旦某一次B猜大了,A就不再提示了,只是告诉B猜对了没有,请问B应该采用什么策略来猜,最少猜多少次,第一次应该猜几。 3.Ackerman函数问题,网上有递推。要求A

LoveJelly 3061

2014年3月 腾讯广研班笔试(中大试场)

原文转自:http://blog.youkuaiyun.com/yes1cpp/article/details/20652931 印象中这样,给师弟师妹们一个复习方向。 选择题: 1 导致数据库数据不一致的根本原因原因 2 window 系统默认分给线程的栈大小是? 3 SQL语句 select where fom order by  group  by  having 执行顺序

yuchen_2012的专栏 1259

记录一下建信金融科技广研事业群java开发工程师的面试

一、笔试 原本的笔试时间定在3月20号,但是我的电脑坏了,也就拒绝了当天的笔试。不过还好,公司将笔试的时间推迟到了3月29号。因为买了一台新的电脑,所以我在3月29号当天参加了笔试。笔试需要开启摄像头,可以使用草稿纸。 笔试的难度不大,各个类型的题目都有,语文的阅读理解,数学的数字找规律,逻辑的推理,当然专业的知识也是考的,比如java基础知识、数据结构、算法、数据库等,这些都属于选择题。最后一道...

英勇的博客 4887

腾讯广研-笔试题(2) 2012-3-27

2.输入:一个有序数组和数组大小    输出:一个有序二叉树(二叉查找树又叫二叉排序树)它只是说是有序二叉树没有说是平衡的,当且当做是平衡的吧! #include using namespace std; struct BTreeNode{     int val;     struct BTreeNode *left;     struct BTreeNode *right;

onelight1997的专栏 2522

用实力说话!笔试、机试满分选手&&模拟面试超高上岸率

用实力说话!笔试、机试满分选手&&模拟面试超高上岸率

qq_30953547的博客 262

改考408,去年西电计科院笔试、机试仍然值得借鉴!

西安电子科技大学2025年硕士研究生招生复试采用现场复试形式,复试内容包括外国语水平、专业知识、综合能力、思想政治素质和品德等方面。

qq_30953547的博客 1414

实习之路漫漫

笔试: 腾讯广研笔试: 华为机试:

zhanghuifang54的专栏 883

西电26考研初/复试分数占比、笔试、面试斩杀线

了解西电26考研复试分数线,助你在复试中脱颖而出,成功上岸西安电子科技大学!

qq_30953547的博客 443

23西安电子科技大学光电工程学院851考研录取情况

23西安电子科技大学光电工程学院851考研录取情况

qq_30953547的博客 1647

Amazon Content Specialist面经

25届双非一本计科专业,坐标四川成都,现在还能走哪些路,本来不太想卷java的,自学了C++刚学完STL,看到都说C++不行了,不知道该走哪条路了,有大佬指点指。双C2,能源与动力工程,安徽人,后续准备冲一下定向选调,想先签个工作保底。四川大学线下面试,营销或设备岗,一面都是群面,十个人一组,感觉良好,发言积极,逻辑清晰,总结发现,mmp,但是最后没过,我以为我太菜了不要我。但是觉得更想去北京,一开始头脑发热从北京换了成都,好后悔啊,还没到谈薪引流:腾讯,阿里,百度,字节跳动,美团,快手,京东,微软。

每天多一点干货 395
上一篇: java.util.Scanner应用详解
下一篇: 寻找第K大的数的方法总结
overstack
博客等级 码龄14年 115粉丝 55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
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