VJ—亲和数

读《Microsoft VJ++的威胁》有感       《borland传奇》中有专门的一篇介绍了在JAVA工具市场群雄追鹿的时候微软推出的一款JAVA编程工具,VJ++对其他工具厂商尤其是BORLAND的公司的威胁。      当ANDERS离开BORLAND公司后(前面有一篇博客提到了微软的挖角),第一款作品就是微软的VJ++。这个工具一推出就对其他很多工具厂商造成了极大的震撼,对于JAVA的老大SUN公司,开发工具在那个时候一 阅读详情

与大家阔别了一周,我又来分享算法题了,这次是一道相对来说简单的算法题,我将会分享我的思维和代码,希望大家能够喜欢!
在这里插入图片描述首先呈现题目
在这里插入图片描述1.我们先来分析题目,需要输入M行数据,第一行输入的数据决定了接下来需要输入几行

scanf("%d",&M);
	for(int i=0;i<M;i++){
		scanf("%d %d",&A,&B);

运用for循环来决定接下来需要输入几行
接下来需要求其中一个真约数(除它本身以外)的和

        int sum=0;
		int add=0;
		for(int j=1;j<A;j++){
			if(A%j==0)
			sum=sum+j;
		}
		for(int j=1;j<B;j++){
			if(B%j==0)
			add=add+j;
		}

同样运用for循环从1开始遍历找出约数,一直到本身的前一个,通过本身和i作比较看是否有余数,如果没有则为约数
3.最后进行判断两者中是否有其中一个数是另一个数的真约数之和(注意:一个或者两者都是对方的真约数)

if(sum==B&&add==A)
		printf("YES\n");
		else
		printf("NO\n");

附上完整代码:

#include <stdio.h>
int main(){
	int M,A,B;
	scanf("%d",&M);
	for(int i=0;i<M;i++){
		scanf("%d %d",&A,&B);
		int sum=0;
		int add=0;
		for(int j=1;j<A;j++){
			if(A%j==0)
			sum=sum+j;
		}
		for(int j=1;j<B;j++){
			if(B%j==0)
			add=add+j;
		}
		if(sum==B&&add==A)
		printf("YES\n");
		else
		printf("NO\n");
	}
	return 0;
}

简单的代码就完成了,大家可以根据思路写出更为简洁的代码,如有好的方法也可与博主进行交流,欢迎大家对本篇博客提出宝贵的建议!
在这里插入图片描述

【AI智能体】Skills 智能体驱动开发从使用到项目实战详解 Skills 智能体驱动开发从使用到项目实战详解 阅读详情

相关推荐

别再凭感觉了!手把手教你用Excel搞定激光器MPE与NOHD安全计算(附模板下载)

本文详细介绍了如何利用Excel自动化计算激光器的MPE(最大允许照射量)和NOHD(标称眼危害距离),提升激光安全评估的效率和准确性。通过实战案例和模板下载,帮助工程师快速掌握GB/T 7247标准中的关键计算,避免常见错误,适用于激光测距仪等设备的安评工作。

weixin_30954265的博客 466

NOIP C++ 1154:亲和数

1154:亲和数 时间限制: 1000 ms 内存限制: 65536 KB 提交数: 32592 通过数: 19760 【题目描述】 自然数a的因子是指能整除a的所有自然数,但不含a本身。例如12的因子为:1,2,3,4,6。若自然数a的因子之和为b,而且b的因子之和又等于a,则称a,b为一对“亲和数” 。求最小的一对亲和数(a<>b)。 【输入】 (无) 【输出】 1行,分别为a和b(a<b)。 【输入样例】 (无) 【输出样...

纸带的博客 3583

自抗扰控制(ADRC)原理与MATLAB实现详解

自抗扰控制(ADRC)是一种先进的鲁棒控制策略,其核心在于通过扩张状态观测器(ESO)实时估计并补偿系统总扰动。相比传统PID控制,ADRC不依赖精确数学模型,特别适合处理非线性、时变系统。从控制原理看,ADRC将系统内部动态和外部扰动统一建模,通过带宽参数化方法实现快速响应与强抗扰能力。在工程实践中,ADRC已成功应用于无人机飞控、伺服系统等场景,MATLAB仿真显示其上升时间可比PID提升46%,抗扰动恢复时间缩短60%。典型实现包含ESO设计、扰动补偿和PD控制三部分,参数整定遵循ω₀=3~5倍系统带

weixin_33585822的博客 95

亲和数问题

题目描述 求500万以内的所有亲和数 如果两个数a和b,a的所有真因数之和等于b,b的所有真因数之和等于a,则称a,b是一对亲和数。 例如220和284,1184和1210,2620和2924。 思路分析 首先得明确到底是什么是亲和数? 亲和数问题最早是由毕达哥拉斯学派发现和研究的。他们在研究数字的规律的时候发现有以下性质特点的两个数: 220的真因子是:1、2

码农之道 3057

HT7533与1117稳压芯片动态特性对比:实测分析与优化策略

本文深入对比了HT7533与1117稳压芯片的动态特性,包括电压过冲和瞬态响应能力,并提供了实测数据与优化策略。HT7533适合低功耗设备,而1117在大电流和稳定性要求高的场景表现更优。文章还分享了PCB布局和电容选择的实用建议,帮助工程师根据项目需求选择合适的稳压芯片。

weixin_28454475的博客 610

TCP三次握手,四次挥手的全过程,为什么需要三次握手,四次挥手

文章目录TCP介绍三次握手四次挥手滑动窗口拥塞避免算法 TCP介绍 三次握手 四次挥手

热爱编程的菜鸟 1万+

HNU程序设计训练2023——亲和数

而 284 的所有真约数为 1、2、4、71、 142,加起来恰好为 220。人们对这样的数感到很惊奇,并称之为亲和数。一般地讲,如果两个数中任何一个数都是另一个数的真约数之和,则这两个数就是亲和数。输入若干行数据(大于0),每行一个实例,包含两个整数A,B;其中 0

m0_73589405的博客 222

浅析MOS管导通过程及RC吸收电路设计要点

RC吸收电路 米勒电容 MOS导通过程

liangbo1999的博客 2万+

VJ框架 与 人脸检测/物体检测 详解

本文详细阐述 Viola-Joines 人脸检测/物体检测 实时处理框架,主要参考 Robust Real-Time Face Detection 这篇论文以及本人工程实践经验。

段哥哥的博客 9349

基于freesurfer和3Dslicer的脑区分割与电极定位全流程解析(实战指南)

本文提供了一套基于FreeSurfer和3D Slicer的颅内电极定位实战指南。详细解析了从环境搭建、数据预处理、FreeSurfer脑区分割、影像配准,到3D Slicer中手动与自动化电极定位的全流程。重点介绍了如何利用FreeSurfer进行高精度脑区分割,并在3D Slicer中实现电极触点的可视化标记与坐标提取,最终获得带脑区信息的电极数据,为iEEG/SEEG研究奠定基础。

banana的博客 299

msf后渗透之获取登入password、远程控制、调用摄像头

在terminal输入load kili creds_all直接获取密码(不一定成功) 使用kiwi_cmd sekurlsa::logonpasswords获取密码

m0_61506558的博客 2964

【LDU】新生训练营杭电100题(二)

A - 发工资咯:)  http://acm.hdu.edu.cn/showproblem.php?pid=2021 Problem Description 作为杭电的老师,最盼望的日子就是每月的8号了,因为这一天是发工资的日子,养家糊口就靠它了,呵呵 但是对于学校财务处的工作人员来说,这一天则是很忙碌的一天,财务处的小胡老师最近就在考虑一个问题:如果每个老师的工资额都知道

Z_sea的博客 4745

学Simulink——基于电能质量治理的场景实例:静止无功发生器(SVG)与并网逆变器的结合

本文详细介绍了基于Simulink的SVG与光伏并网逆变器联合仿真建模方法。系统包含光伏单元、SVG主电路、控制策略(无功检测+双闭环控制)等模块,通过ip-iq法实现动态无功补偿。仿真结果表明,SVG能快速响应负载变化,将功率因数提升至0.98以上,有效稳定母线电压。该方案为新能源并网系统提供了有功/无功协同控制解决方案,具有10ms级响应速度和±5kvar补偿能力。文章提供了完整的建模流程、控制算法实现和结果分析,可作为电力电子与电能质量治理领域的实践指导。

amy_mhd的博客 167

深入 TCP VJ-Style

VJ 创造了很多技巧,这些技巧携带了很多神秘的 magic number,现在看来这些技巧被认为理所当然到微不足道,早已没人过问理由(一句 “调一手好参数”),但在 1988 年却是精彩且轰动的,它决定了后续至今的 TCP 演化风格。,理由是它包含乘法,乘方运算,存在整数溢出的风险, “不太容易计算” 一直是 VJ 的动力,VJ-Style 偏爱简单的整数加减和移位运算。后面的形式直接就有了 “物理意义”,(m - a) 即误差,这个迭代过程展示的是一个校准过程,rtt 不断收敛到正确的值。

TCP/IP 2万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

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")

VJ洛谷提交指南

由于种种原因,VJ上不能直接提交洛谷代码,需要我们绑定自己的账户或者提交记录才能提交,这篇文章教大家如何绑定洛谷账号

qq_30961125的博客 5736

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

VJ 对 SRTT/RTO 公式参数的推导

这些推导和参数的确定在 VJ-Style 指导下一气呵成,都是有理由的,要说调参的难度,还得看 Why TCP Timers Don’t Work Well 中体现出的焦灼和纠结。昨天简单扯了一会儿 VJ-Style,但著名经理反馈说 RTO 的来龙去脉有点乱,我让著名经理自己去看。为兼容 RFC793,n = 3 时,g1 = 0.125,近似 0.1,于是 g1 = 0.125。通常的误差分布下,mdev 和 sdev 间存在简单关系,如果误差正态分布,则二者之间转换因子为。,同时我再单独梳理一下。

TCP/IP 2万+

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

8个优质VJ背景视频素材网站推荐,让你的视觉创作更出彩

简单实用的素材库,虽然界面朴素但质量不俗。完全免费的商用授权让你在创作时无后顾之忧。

qq_25295997的博客 5774

vj节点_创意编码—如何在JavaScript中创建VJ引擎

vj节点by George Gally 通过乔治·加利 创意编码—如何在JavaScript中创建VJ引擎 (Creative Coding — How to create a VJ engine in JavaScript) 了解如何将JavaScript动态注入网页 (Learn how to dynamically inject JavaScript into webpages) Fo...

cumi7754的博客 764

从 VJ 拥塞控制到 BBR:ACK 自时钟和 pacing

固定时刻,pacing 的不同意味着对链路 buffer 的抢占力不同,特别是竞争流抢占周期小于 pacing 周期(比如 1 个 RTT)时尤为严重,高速公路维持安全车距与此类似,如果你保持车距,总会有车加塞插入,你若坚持保持车距就不得不继续退让,最终维持不住原有时速,事实上很少有人会遵守安全车距的规则,在网络传输中也一样,保持 pacing 可能会丢失吞吐,进而丢失 pacing,BBR 的做法是维持一个 maxbw-win,大约 10-round,在此期间不理会由于 pacing 丢失的吞吐。

TCP/IP 1万+

人脸识别入门学习(二):VJ人脸检测器的基本组成

入门学习第一篇(人脸识别的基本概念)介绍了人脸识别的各个基本环节和基本概念,但同时又指出了,只用这些简单的概念是无法精准却高效地进行人脸识别。VJ人脸检测器的出现对人脸识别具有重大意义,极大地加快了人脸识别的速度,后人对人脸识别的研究大都基于VJ人脸检测器,对VJ中的基本环节做改进。 VJ人脸检测器的关键? 采用Harr特征来描述窗口,并具备高效率的特征计算方法:积分图 高效...

Q_M_X_D_D_的博客 1652

周边pd是什么意思_韩国综艺里经常说的VJ、PD是什么意思

展开全部VJ的全称是“62616964757a686964616fe78988e69d8331333365656637Visual Jockey”,中文意思“影像骑师”。PD的全称是“Program Director”,中文意思是“节目导演”。拓展资料:编辑助理 Assistant Editor广播制作人 Broadcast Producer编辑主任 Editorial Director信息专员 ...

weixin_39902107的博客 3754

2014/08/08——VJ的rank不刷新!

问题: 由于白天已经在在本地部署成功了VJ(为此我还乐了呢),而全哥催我升级VJ(为了修复抓oj题目不全的bug)好几天了。 于是晚上8点四十左右我开始备份vjudge和xjudge.war并删除原文件,但是由于这个时候集训队员还在做训练题,我想还是9点半以后再部署吧(此刻众人在为VJ挂了而摸不着头脑)。 于是我把备份文件改回原名并重启tomcat6,vj又运作了,似乎一切正常了。 但是一

生死看淡,不服就干! 937

走近人脸检测(2)——VJ人脸检测器及其发展

人脸检测技术的突破发生在2001年,两位杰出的科研工作者Paul Viola和Michael Jones设计了出了一个快速而准确的人脸检测器:在获得相同甚至更好准确度的同时,速度提升了几十上百倍——在当时的硬件条件下达到了每秒处理15张图像的速度,已经接近实时速度25fps(即25帧每秒)。

zchang81的博客 1万+

一个另类vj

一个另类vj

chen_zan_yu_的博客 134

关于VJ 的个人看法

google_ad_client = "pub-8800625213955058";/* 336x280, 创建于 07-11-21 */google_ad_slot = "0989131976";google_ad_width = 336;google_ad_height = 280;//<script type="text/java

java专栏 486

人脸检测发展:从VJ到深度学习(上)

人脸检测发展:从VJ到深度学习(上) 2016-08-10 14:13 转载 深度学习大讲堂 0条评论 雷锋网(搜索“雷锋网”公众号关注)按:本文作者邬书哲, 中科院计算所智能信息处理重点实验室VIPL课题组博士生,研究方向:目标检测,尤其关注基于深度学习的目标检测方法。 本文分上下两篇,上篇主要介绍人脸检测的基本流程,以及传统的VJ人脸检测器及其改进,下篇介绍基于

凌风探梅的专栏 2333
上一篇: c语言-学生成绩查找系统
下一篇: VJ—今年暑假不AC
是一帆哦!
博客等级 码龄5年 42粉丝 37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