洛谷 1456 隐藏口令 (链表/队列优化)

基于STM32F407的摄像头(不带FIFO的OV7670)图像采集及LCD显示实验-笔记整理 硬件说明 STM32F4开发板 stm32f4系列的芯片处理的能力可以说非常强大了的,而且内部还自带有数字摄像头接口(DCMI),可以说stm32f407的核心板和不带FIFO的摄像头模块OV7670简直就是绝配! 我手上的这块张这个样子 (图片来源:某宝): F4系列的DCMI接口内部结构框图如下图3所示,具体的配置使用方式可以参考以下这篇博文:《stm32f4的数字摄像头接口(DCMI)使用》 这位博主大大已经很详细地介绍了DCMI接口的具体使用方法和原理,更重要的是里面还有接口的配置函数,虽然不完 阅读详情

ps:洛谷题解里有O(n)的dp,这里就不再赘述了。

我们先来看一下这道题,我们的任务是从从一堆字符串中选出一个序列,使其字典序最小,很明显我们要找以最小的字母打头的序列,如果有多个我们再继续比对下一位。直到只剩下一个最小的字母,这就是我们的思路。

但是当我们遇到
aaaaaaaaaaaaaaaaaaaaaaaaaaab……
or
abcabcabcabcabcabcabcabcabc……

像这样的字符串就会卡成O(n^2)。

我们来观察一下这两个式子,发现他们的链表会有重叠部分。由于链表头总是最小的,所以当某链表的头被包含在前一个链表的尾部时,这个答案一定不如前一个链表优。所以这个链表我们会删去。值得一提的是,这个被删去的链表的下一位我们最好也访问一下,因为如果这个链表后面又是一个链表头,我们可以追加删去一条链表。

那我们来估一下时间复杂度,我们发现每条链表都没有重叠部分,那时间复杂度就是的链表平均长度 * 链表的条数,由于链表平均长度 * 链表条数 = 链表总长度。所以几乎是O(n)的。

实际上,很多人不是很会用链表,比如说我。我们可以观察到,我们使用的所有的链表实际上都只与链表尾部与链表头有关,那么我们只用一个只记录头与尾结构体队列就可以了,而对于删去一条链表,我们只需要阻止它重新入队就可以了。

附加代码:

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<queue>
using namespace std;
struct zt
{
    int f,v;
}dian[5000005];
queue<zt>q,p;
int n,ans,cnt,vis[5000005];
char num[5000005],b,c;
int main()
{
    scanf("%d",&n);
    for(int i=0;i<n;i++)
    {
        cin>>num[i];
        if(num[i] < b||!b) b = num[i];
    }
    for(int i = 0;i < n;i ++)
        if(num[i] == b) q.push((zt){i,i});
    while(q.size() > 1)
    {
        c = '0';cnt ++;
        while(!q.empty())
        {
            zt u = q.front();q.pop();
            if(u.v + 1 >= n) u.v -= n;
            if(c != '0'&&num[u.v + 1] > c) continue;
            vis[u.v + 1] = 1;
            if(vis[u.f]) continue;
            if(c == '0') c = num[u.v + 1];
            else if(c > num[u.v + 1]) {while(!p.empty()) p.pop();c = num[u.v + 1];}
            p.push((zt){u.f,u.v + 1});
        }
        while(!p.empty())
        {
            zt u = p.front();p.pop();q.push((zt){u.f,u.v});
        }
    }
    zt u = q.front();
    ans = u.v;
    ans = (n + ans - cnt) % n;
    printf("%d",ans);
    return 0;
}
安装WSL过程中出现注册表编辑器无法重命名WSL。重命名项时出现错误的解决方案 本文主要介绍了安装WSL过程中出现注册表编辑器无法重命名WSL。重命名项时出现错误的解决方案,希望能对使用Windows WSL的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案 阅读详情

相关推荐

ComfyUI实战:AnimateDiff与ControlNet结合,打造无缝风格化视频转绘

本文详细介绍了如何利用ComfyUI平台,结合AnimateDiff与ControlNet插件,实现高质量的视频风格化转绘。通过搭建节点工作流、调整关键参数,有效解决画面闪烁与失真问题,并分享了进阶玩法与常见问题解决方案,帮助用户轻松打造流畅、风格统一的动态视觉效果。

weixin_29039773的博客 339

洛谷P1160 队列安排 从单链表到数组实现循环双链表

数组+结构体实现循环双链表

qq_45587309的博客 385

SMPLify-X关键点映射与OpenPose格式转换实战

本文深入解析了SMPLify-X与OpenPose之间关键点映射与格式转换的实战方法。针对SMPL、SMPL-H、SMPLX等参数化人体模型与OpenPose 2D姿态估计标准之间的数据鸿沟,文章详细对比了双方的关键点定义差异,并提供了核心的Python转换代码与映射表构建思路。通过清晰的步骤讲解与调试技巧,帮助开发者实现3D关节数据到OpenPose标准格式的高效、准确转换,为动作捕捉、3D姿态估计等应用奠定数据基础。

weixin_29046035的博客 166

洛谷--链表

因为这个题的数据是1~n连续的,所以我们可以用数组的下标来代表数据的内容,比如nxt[1] = 就是指第1个人的下一个是第2个,以此类推,nxt[2] = 3,nxt[3] = 4...第10个 的下一个当然是第一个了。我们定义一个变量p,类似于一个指针,一直重复m次p取下一个的操作,然后输出出圈人的位置,然后把出圈人的前一个人指向他的下下个来跳出圈就行了。把p放在出圈人的前一个位置就可以,输出的话再输出p的下一个,然后把next[p] 改成next[next[p]]其次,链表的删除操作非常简便。

2301_79602614的博客 1122

DeepSeek跨会话协作指南:让AI成为你的「第二大脑」

通过DeepSeek的跨会话协作系统,用户实测工作效率提升63%。

紫夜若涵的博客 1476

ESP-IDF 利用ESP32构建智能音乐播放器(一)---------- 实现SD卡MP3文件的解码与播放

本文详细介绍了如何利用ESP32和ESP-IDF开发框架,从零开始构建一个智能音乐播放器。文章重点讲解了如何通过SD卡模块读取MP3文件,并集成Helix MP3解码库进行软件解码,最终通过I2S接口驱动音频模块实现播放。内容涵盖硬件连接、软件环境搭建、核心解码与输出逻辑,为嵌入式音频开发提供了完整的实战指南。

weixin_29163797的博客 234

洛谷 P1878 舞蹈课(优先队列 + 双链表)

有 nnn 个人参加一个舞蹈课。每个人的舞蹈技术由整数来决定。在舞蹈课的开始,他们从左到右站成一排。当这一排中至少有一对相邻的异性时,舞蹈技术相差最小的那一对会出列并开始跳舞。如果不止一对,那么最左边的那一对出列。一对异性出列之后,队伍中的空白按原顺序补上(即:若队伍为 ,那么 出列之后队伍变为 )。舞蹈技术相差最小即是 aia_iai​ 的绝对值最小。任务是模拟以上过程,确定跳舞的配对及顺序。第一行一个正整数 nnn 表示队伍中的人数。第二行包含 nnn 个字符 或者 , 代表男, 代表女。第三行为

Jacob0824的博客 506

博图Advanced实战:VB脚本实现HMI画面智能弹出(附完整代码解析)

本文详细介绍了在西门子博图Advanced平台中利用VB脚本实现HMI画面智能弹出的实战方法。通过动态计算坐标、分辨率自适应方案和完整代码解析,帮助工程师解决不同显示环境下的定位难题,提升工业自动化界面的交互体验。

weixin_29041767的博客 343

洛谷(2947)向右看齐-单调栈-链表

洛谷2947(向右看齐),单调栈、链表、

功不唐捐,玉汝于成 685

外设测试 - ATAES132A 加解密芯片测试

原理 使用芯片官方提供的读写操作库,进行先写后读并校验,确认数据一致。 示例代码 int main(void) { uint8_t ret; aes132p_enable_interface(); ret = write_memory_test(); if (ret != AES132_FUNCTION_RETCODE_SUCCESS) { aes132p_disable_interface(); printf

一个软件工程师的技术笔记 859

第110章 PCL PointCloudFusing 点云融合重建详细讲解

点云融合是指将多个不同视角、不同位置、不同传感器获取的点云数据进行合并,得到一个更加完整、准确的三维模型。多视角扫描:从多个相机或传感器获取点云数据,需要将这些数据融合成一个统一的三维模型。传感器融合:例如将激光雷达(LiDAR)点云与相机的图像数据融合,以便获得更高质量的三维重建。动态场景重建:动态环境中的物体,点云数据不断更新,如何平滑地融合这些点云是一个重要课题。点云融合的目标是将不同来源的点云数据准确地合并,消除冗余,减少噪声,并提高整体的点云密度和精度。

yumeiguo的博客 503

数据结构:链表(洛谷P3613题解)

一、链表的特点 链表可以用来处理数据下标不连续,数据长度动态增加的情况。 常见的有单向链表、双向链表和环形链表,本文记载单向链表的实现。 单向链表中,有显式的域,data用来存储该节点的数据,next指针指向下一个节点的地址,节点地址就是该节点在内存中的地址。 二、链表的实现 本文中采用c++实现链表的基本结构。 1.节点的基本结构 struct Node{ int data;//数据类型根据需...

痞子王的博客 2273

96.在 Vue 3 中使用 OpenLayers 探究加载 Point、Polygon 的极限

在前端 GIS(地理信息系统)开发中,OpenLayers 作为一个功能强大的 Web 地图库,广泛用于加载地图、渲染矢量数据(点、线、面)、叠加图层等场景。然而,当涉及到。

小彭的博客 1157

猴子选大王(约瑟夫问题)洛谷P1996

题目: 题目描述 nn个人围成一圈,从第一个人开始报数,数到mm的人出列,再由下一个人重新从11开始报数,数到mm的人再出圈,依次类推,直到所有的人都出圈,请输出依次出圈人的编号。 注意:本题和《深入浅出-基础篇》上例题的表述稍有不同。书上表述是给出淘汰 n-1 名小朋友,而该题是全部出圈。 输入格式 输入两个整数n,mn,m。 输出格式 输出一行nn个整数,按顺序输出每个出圈人的编号。 输入输出样例 输入 #1复制 10 3 输出 #1复制 3 6 9 2 ...

yyf525的博客 677

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")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

洛谷P1323 删数问题

洛谷P1323 删数问题 思路基本就是模拟。优先队列加链表的方式挺特别。第一次见有关于手写链表的代码,特此纪念一下。 代码非本人手写,来源于洛谷题解。写博客存粹是为了学习一下大佬的代码。 #include<bits/stdc++.h> /*#include <stdio.h> #include <algorithm> #include<iostream&g...

czyzx的博客 599

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

HDU 4286 Data Handler (双向链表)

Time Limit: 20000/10000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Others) Problem Description   You are in charge of data in a company, so you are called "Data Handler". Differ

超级菜鸟ZiP的小窝 1399

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

12/9链表 洛谷p1996p1160+12/16链表习题

(即指针)串起的珠子,无论将珠子如何摆放,当拎起第一个head珠子时,所有的珠子仍然会按。给你单链表的头节点 head ,请你反转链表,并返回反转后的链表。不能,因为作为线性结构,链表元素间通过指针进行相连,类似于用。++或--在前 先运算再执行语句 反之则先执行语句再运算。链表中节点的数目范围是 [0, 5000]-“对称元素交换”的方法是否能够反转链表?第一行:输入5个元素,输出倒数第二个元素。需要修改的是线的链接顺序。输入n个数 从尾到头输出。第二行:五个元素的值。

Ludwig_1028的博客 1176

洛谷题单-线性表(链表,队列,栈)

数据结构1-1题单数组点名寄包柜栈洗盘子洗盘子2括号匹配后缀表达式队列超市排队超市排队2约瑟夫问题链表排队记录排队模拟队列安排约瑟夫问题 数组 点名 寄包柜 栈 洗盘子 洗盘子2 括号匹配 后缀表达式 队列 超市排队 超市排队2 约瑟夫问题 链表 排队记录 排队模拟 队列安排 约瑟夫问题 ...

pingting_的博客 1967

【2022.11.11】1. 链表 --- 洛谷P1996 约瑟夫问题 的n种解法

今日开始记录学习罗勇军老师的《算法竞赛》这本书的过程,学校事较多,更新不太稳定,但能看到进度,并记录坑点。同时因为代码上注释什么的都是书上的,就不会对代码进行注释,代码全部是自己手动复现后写入文章中。

JYSimilar的博客 738

洛谷题:链表知识

题目来自洛谷社区: 我的第一种做法,用C++库里面的list,还有算法库里的find函数,感觉代码很简单,但是通过不了,运行超时。 #include <iostream> #include <list> #include <algorithm> using namespace std; int main() { list<int&gt...

sudu_su的博客 903

【洛谷P1160】队列安排【链表】

题目大意: 题目链接:https://www.luogu.org/problemnew/show/P1160 先有n−1n−1n-1个入队操作,每次两个数ppp xxx,表示第i+1i+1i+1个人插入到第ppp个人的左边或右边,然后mmm个出队操作,每次输入xxx,表示编号为xxx的人出队。如果已经出队就忽视这次操作。求最终的队列。 思路: 有插入和删除两个操作,很容易想到链表。 ...

stoorz 705

【题解】洛谷P2334 营业额统计(链表)

题解里有各种神奇的算法,实际上我们用链表模拟一下就可以解决。。 读入数据后我们记录下其序号和代表的值,然后按值从小到大进行排序,再对序号从大到小进行左右比较操作(排序后左右差值绝对值较小的一个肯定是它之前天数内营业额减当天营业额绝对值最小的一个),把答案加上,再把左右数组更新。注意到1时只剩它一个了,这时候特判把序号为1的权值输出即可。 代码很乱。。。凑合看吧 #include&lt;cs...

Rem_Inory的博客 557

【链表】洛谷_1160 队列安排

题意 给出n个人,一开始1号站在第一位,之后给出n-1个操作,每次给出一对数a b,如果b为0那么就把人i插到人a的左边,否则插到人a的右边。后面给出m个操作,每次给出一个数,代表把这个人从队列里删掉(如果已经不在队列里就忽视),最后输出这个队列。 思路 这道题我们可以用到双向链表,然后按照题目说的做就可以了。 代码 #include&lt;cstdio&gt; using ...

GOODPLACE 571

【洛谷B3631】单向链表 解题报告

令人感叹,正规写法超时,“野鸡”写法AC,不过也是因为这题是这么出的,所以才能对症下药……

Engels_Si_Fish的博客 3455

洛谷—P3156 询问学号—链表题目(数据结构算法)

【代码】(洛谷)P3156 【深基15.例1】询问学号。

2301_79724394的博客 470

【洛谷 B3656】【模板】双端队列 1 题解(链表)

Aya 衷心祝愿大家不再因为重蹈覆辙。

HEX9CF的技术博客 1653
上一篇: n皇后的二进制做法
下一篇: 引水入城(dfs的做法)洛谷p1514
loi__wzhd
博客等级 码龄10年 52粉丝 50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