背包问题另解

递归解决背包问题 问题描述:有不同价值、不同重量的物品n件,求从这n件物品中选取一部分物品的方案,使得选中物品的总重量不超过指定的限制重量,但选中的物品总价值最大。 揭解法描述:采用递归寻找物品的寻找方案。设前面已有多种选择方案,并保留其中总价值最大的方案与一个数组option[]中,该方案的总价值存于变量maxval中,当前正在考虑新方案,其物品选择情况存于数组cop[]中。假设当前方案已经考虑了前i-1件物品,... 阅读详情

背包问题:有不同价值,不同重量的物品n件,求这 件物品中选取一部分,
是选中物品的总重量不超过指定的限制重量,但选取的物品总价值要最大。


解题思想:利用递归求出所选取的物品的所有可能,将满足限制重量条件的进行复值,
Value始终存放最大的物品总价值,Weight是满足条件的物品的总重量,以下
是我自己写的一段代码,与《系统设计师》教程中的思路是不一样的,代码
经过编译的,而且运行结果正确:
 
#include<stdio.h>
#include<stdlib.h>
#define MAX 100
struct Bag
{ int weight;
  int value;
}Bag[MAX];
int a[MAX];
int Value=0;
int Weight;
int comb(int m,int k)
{int i,j;
 int wei,val;
 for(i=m;i>=k;i--)
   { a[k]=i;
     if(k>1)
  comb(i-1,k-1);
     else
       { wei=0;                                //预值0
  val=0;
  for(j=a[0];j>0;j--)                  //每一种组合求它们的重量和价值
     { wei=wei+Bag[a[j]].weight;
       val=val+Bag[a[j]].value;
     }
  if(wei<=Weight&&val>Value)          //判断是否满足条件进行附值
     Value=val;
       }
    }
 return Value;
 }
void main()
{ int num,subnum;
  int l,
  clrscr();
  printf("/nenter the number of total Bag:"); //输入背包的总个数
  scanf("%d",&num);
  printf("/nenter %d number Bag'weight and Bag'value(sample *,* )/n",num);  //输入背包的重量和价值
  for(l=1;l<=num;l++)
      scanf("%d,%d",&Bag[l].weight,&Bag[l].value);
  printf("/nenter the subnumber of the Bag:");                             //输入要求背包的个数
  scanf("%d",&subnum);
  printf("/nenter the Weight for %d Bag:",subnum);                         //输入满足条件的重量
  scanf("%d",&Weight);
  a[0]=subnum;
  printf("/nthe max value is:%d",comb(num,subnum));
  getch();
}
总结:在看参考书的例子的时候,应该多动脑筋先想一想。再进行比较,对自己有很大帮助。

背包问题的多项式时间近似解 背包问题的多项式时间近似解一些概念背包问题的伪多项式时间算法强NP难问题和FPTAS 一些概念 ∏\prod∏ 是一个NP难问题的优化问题 f∏f_{\prod}f∏​ 是这个优化问题的目标函数,也就是我们要优化得到的近似解 I 是问题实例 ϵ\epsilonϵ 是错误参数,我们得到的近似算法,有下面的性质 如果ΠΠΠ是一个最小化问题,则fΠf_ΠfΠ​(I,s)≤(1 +ε)· OPT。 如果ΠΠΠ是一个最大化问题,则fΠf_ΠfΠ​(I,s)≥(1-ε)· OPT。 PTAS:Polynomial 阅读详情

相关推荐

动态规划解二维多重背包问题

背包问题 背包问题是一个很经典的算法问题,根据其复杂程度不同又可分为01背包问题、完全背包问题、多重背包问题、二维背包问题等等。本文讲一讲二维多重背包问题的动态规划解法。 01背包问题 有N件物品和一个容量为V的背包。第i件物品的体积是a[i],价值是w[i]。求解将哪些物品装入背包可使价值总和最大 完全背包问题 有N种物品和一个容量为V的背包,每种物品都有无限件可用。第i种物品...

u012707739的博客 1万+

数据结构作业之背包问题

问题及代码: 编写一个程序,求解背包问题:设有不同价值、不同重量的物品n件,求从这n件物品中选取一部分物品的方案,使选中物品的总重量不超过指定的限制重量,但选中物品的总价值最大。 /*烟台大学计算机学院 作者:景怡乐 完成时间:2017年6月6日 */ #include #include #define x 20 int w[x];//物品重量 int v[x];//物品价格 int ca

越努力,越幸运!!! 3111

背包问题高维线性规划解

背包问题是一个1896年提出的经典问题,在100余年的时间里出现了许多变种,而他最早的形式是01背包。 大意是指背包容量V,有n个物体每个物体体积ViViV_i,质量MiMiM_i,问在空间允许下,可装入物体的最大质量总和为多少. 不难贪心的想到当物体的密度越大时,他的效益也就越高,那么… 学过背包的朋友看到这里可能就要笑了,因为这个贪心明显是错的,但至于我为什么要提这个贪心,后面再说。...

Bzy的ε-δ邻域 3965

软考复习专题十---算法设计

专题十:算法分析与设计 算法基础部分: 算法是对特定问题求解步骤的一种描述,算法是指令的有限序列,其中每一条指令表示一个或多个操作。 算法具有以下5个属性:   有穷性:一个算法必须总是在执行有穷步之后结束,且每一步都在有穷时间内完成。   确定性:算法中每一条指令必须有确切的含义。不存在二义性。只有一个入口和一个出口   可行性:一个算法是可行的就是算法描述的操作是可以通过已经实

2774

PTA-浙大版 《Python程序设计》 第三章编程题目及答案

博主第一次写优快云的博客,所以排版上可能有些不尽人意,代码部分均为自己的思路,可能复杂或者考虑欠妥,欢迎大家一起讨论~ 第一题:大于身高的平均值 这里用了np数组求得平均数,当然for循环累加也是可以的 import numpy as np data = input().split() data = list(map(int,data)) avg = np.mean(data) for i in data: if i > avg: print(i,end = '

Legendwqs的博客 1万+

告别CPU空转!用STC8的SPI+DMA高效驱动上百颗WS2812B灯珠

本文详细解析了如何利用STC8单片机的SPI+DMA外设高效驱动WS2812B全彩灯珠,解决传统软件延时驱动方式在长灯带应用中的性能瓶颈。通过硬件方案设计、数据格式转换和DMA传输配置,实现高达400Hz的刷新率和低于5%的CPU占用率,适用于大规模灯光项目。

weixin_30847939的博客 397

背包问题

 问题描述设有不同价值,不同重量的物品n件,求这n件物品中选取一部分物品的方案,使选中物品的总重量不超过指定的限定重量,但选中的价值之和最大。算法思想我们假定:w为当前选择已达到的重量之和;v为可能达到的价值;maxv为最大的价值;a[]为保留最大之的方案;b[]为物品选择情况保存。对于第i件物品的选择考虑有两种可能:1考虑物品i被选择,这种可能性仅当包含它不会超过方案总重量时才可

xiangrizao的专栏 825

最新Mamba环境配置教程:从CUDA到causal-conv1d的完整安装流程

本文提供最新Mamba环境配置教程,涵盖从CUDA到causal-conv1d的完整安装流程。针对深度学习领域的长序列处理需求,详细指导如何正确配置CUDA工具链、安装PyTorch及关键依赖causal-conv1d,解决常见报错问题,并验证mamba-ssm集成效果。

bush的博客 418

01背包问题递归算法c语言,递归算法解决01背包问题并输出最佳方案

问题及代码:/** Copyright (c) 2016, 烟台大学计算机与控制工程学院* All rights reserved.* 文件名称:01.cpp* 作 者:单昕昕* 完成日期:2016年5月16日* 版 本 号:v1.0* 问题描述:编写一个程序exp5-2.cpp,求解背包问题:设有不同价值、不同重量的物品n件,求从这n件物品中选取一部分物品的方案,使选中物品的总重量不超过指...

weixin_39842937的博客 1119

【实战指南】利用CAN适配器高效调试CAN总线通信

本文提供了一份利用CAN适配器高效调试CAN总线通信的实战指南。文章从硬件连接、终端电阻配置、软件参数设置等基础环节入手,详细解析了CAN适配器作为关键调试工具的工作原理与使用方法,并针对常见的通信故障提供了系统化的问题排查思路,帮助工程师快速打通通信链路,提升调试效率。

weixin_28285943的博客 415

SAPGUI 与 ADT 的时代分野:在多云架构下,谁还能代表现代 SAP 开发

摘要(149字) SAP开发工具正经历代际更迭:SAPGUI基于专有协议(NI/DIAG)的厚客户端架构难以适配多云环境,而ADT(ABAP Development Tools)通过HTTP(S)协议和Eclipse生态成为ABAP Cloud/RAP开发的唯一入口。关键差异体现在:ADT支持CDS、行为定义等云原生对象建模,天然对齐BTP的零信任网络;集成ATC、Git等DevOps工具链;而SAPGUI无法创建RAP核心对象,在跨平台、自动化方面存在硬限制。官方文档明确将ADT作为Clean Core战

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 392

Beautiful Land(01背包问题另解)

链接:https://www.nowcoder.com/acm/contest/119/F来源:牛客网时间限制:C/C++ 1秒,其他语言2秒空间限制:C/C++ 131072K,其他语言262144K 64bit IO Format: %lld题目描述It’s universally acknowledged that there’re innumerable trees in the camp...

HarvestWu的博客 253

鸿蒙ArkUI内部API10以及11开发,输入框唤起输入法键盘,页面会被顶起的解决办法

鸿蒙ArkUI内部API10以及11开发,输入框唤起输入法键盘,页面会被顶起的解决办法

zmx781284440的博客 3215

面试题34:简单背包问题

“背包题目”的基本描述是:有一个背包,能盛放的物品总重量为S,设有N件物品,其重量分别为w1,w2,…,wn,希看从N件物品中选择若干物品,所选物品的重量之和恰能放进该背包,即所选物品的重量之和即是S。 递归代码: #include "stdafx.h" #include #include using namespace std; const int N = 7;//物品数量

8839

【WRF-Chem 工具】CAMStoWRF详解:CAMS数据下载及处理

【WRF-Chem 工具】CAMStoWRF详解:CAMS数据下载及处理

WW、forever的博客 195

机器学习算法原理:详细介绍各种机器学习算法的原理、优缺点和适用场景

现在,我们将进入到机器学习的核心部分——算法原理。在本篇文章中,我们将详细探讨各种机器学习算法的原理、优缺点和适用场景。

a871923942的博客 2965

uva 624 CD(01背包问题)输出最小字典序是个问题虽然题目不要求

此题就是赤裸的01背包问题,不过路径是个问题,一开始用

glq007的acm的奋斗 1288

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

回溯法经典例题(一):java解01背包问题

经典例题 0-1背包问题 问题定义【来自百度百科】 我们有n种物品,物品j的重量为wj,价格为pj。 我们假定所有物品的重量和价格都是非负的。背包所能承受的最大重量为c。 如果限定每种物品只能选择0个或1个,则问题称为0-1背包问题 实例描述 对于n=3的0-1背包问题, 物品的重量为w={16, 15, 15}, 物品的价值为p={45, 25, 25},背包承重最大值:C=30,求背包中能够装...

sc2333的博客 1万+

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")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

贪心算法解背包问题

辨析: 背包问题能用贪心算法求解,但是01背包问题不能用贪心算法求解(因为01背包问题不具备贪心选择性质----通过局部最优,达不到全局最优) 举个例子:背包容量=50; w[]={10,20,30} ,p[]={60,100,120} 用贪心选择(10+20)<50,p=160,但这并不是最优解,事实上(20+30)=50,p=100+120=220.才是问题的...

远行的博客 2万+

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

K优解背包问题

所谓的K优解指的是求在一个背包中的前K优解。 由题可以得出[1…K]优解一定为一个单调递减序列。 其中1代表最优解。 思路:我们在进行普通的01背包时,我们的状态转移方程为f[v]=max{f[v],f[v-c]+w}(c代表费用,w代表价值) 对于每一次i循环和v循环,我们都只是去求前i件物品在容量为v的背包中的最优解,从而忽略了次优解;那么如何在进行01背包时记录下我们对应的第K优解呢?答案很...

qq_43585641的博客 924

回溯法解01背包问题

概念: 回溯法采用深搜+剪枝来搜索生成树: 步骤: 1. 假设规定左叉标1(代表选择该物品装入背包),右叉标0(代表不选择该物品装入背包)。给定示例输入: 背包容量c=10 物品个数n=5 物品重量w={2,2,6,5,4} 物品价格p={6,3,5,4,6} 注意: 左子树的解的上界与父节点相同,不用计算。右子树的解的界值:较好的就算方法是将剩余物品依其单位重量价...

远行的博客 2万+

动态规划解0-1背包问题

动态规划解0-1背包问题 动态规划解0-1背包问题是一个十分典型案例,我从网上查询好多相关资料,但是大部分都深奥难懂,并不适合初学算法的小白,其中涉及的递推关系式、填表,以及最后的二维表简化为一维表的优化过程,好多都是一笔带过,所以,今天就尽我所能,来叙述一下对于0-1背包问题使用动态规划来求解。 要解决0-1背包问题,首先咱们要解决的是什么是动态规划。 动态规划 先说一说什么是动态规划。 动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题

weixin_49571787的博客 6432

动态规划算法解背包问题的一些想法

背包问题是这样的:背包有一个重量的约束,不能无限制的装入物品,被装的物品是不可以切割的,整体的装或者不装。另外如果物品数量没有限制的话,那其实就是一个完全背包问题,如果数量有限制,只能装进去1次或者不装进去那这就是零一背包问题,现在我们研究完全背包问题。 一、实例分析 现在我们看这个实例,有一个物品重量是:2,价值是:1(省去单位),第二个物品重量是:3,价值是:3(省去单位)。总限制b是:10。所以现在就是装第三个物品W3,就可以装第一个和第二个物品(4+3+2<10),而不能装第四个物品(

极客园地 883

背包问题问法变化之---求次优解、k优解[以hud Bone Collector II 为例]

/* 背包问题问法变化--求次优解、K优解 实际上:一个正确的状态转移方程在求解的过程中遍历了所有的 可用策略,也就覆盖了问题的所有方案。只不过由于是 求最优解,把其他达不到最优策略的方案都给忽律了。 对于求次优解和第K优解的方法: 对于任两个状态的max运算等价于两个由大到小的有序队列的合并. 由该题明白了,状态方程求解的过程若的

1856

四种方法解0-1背包问题-基于python

文章目录四种方法解0-1背包问题-基于python1.暴力法1.1 设计思想1.2代码实现1.3 实验结果2.动态规划2.1设计思想2.2 代码实现2.3实验结果3.回溯3.1设计思想3.2代码实现3.3实验结果4.分支限界法4.1设计思想4.2代码实现4.3实验结果 四种方法解0-1背包问题-基于python 1.暴力法 1.1 设计思想 蛮力法即找出所有可能的解,在所有的解中选择最优解。由于物品众多,不可能采用for循环的形式,所以这个实验考虑使用递归调用的方式找出所有满足条件的解,设置一个记录最大价值

weixin_45490507的博客 6385

背包问题(第k优解问题)

这篇博客先说一道洛谷蓝题(实际难度其实可能也就是在橙题左右,难度不大,请放心食用)

2301_80475191的博客 1129
上一篇: 猫吃老鼠问题
下一篇: KMP_Algorithm
stone1982
博客等级 码龄23年 1粉丝 6原创
评论 1
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