【华为OD考点分类】

字符串、数组、集合操作
试卷分值题目知识点 
B卷100选修课字符串,数组,集合操作
B卷100响应报文时间字符串,数组,集合操作
B卷100代码编辑器字符串,数组,集合操作
B卷100拔河比赛字符串,数组,集合操作
B卷100最长公共后缀字符串,数组,集合操作
B卷100支持优先级的队列字符串,数组,集合操作
B卷200字符串化繁为简字符串,数组,集合操作
B卷200查字典字符串,数组,集合操作
B卷100敏感字段加密字符串,数组,集合操作
B卷100IPv4地址转换成整数字符串,数组,集合操作
B卷100字符串分割(二)字符串,数组,集合操作
B卷100一种字符串压缩表示的解压字符串,数组,集合操作
B卷100单词接龙字符串,数组,集合操作
B卷100找出符合要求的字符串子串字符串,数组,集合操作
B卷100英文输入法字符串,数组,集合操作
B卷100按单词下标区间翻转文章内容字符串,数组,集合操作
B卷100TLV解析Ⅰ字符串,数组,集合操作
B卷100字符串筛选排序字符串,数组,集合操作
B卷100连续字母长度字符串,数组,集合操作
B卷100拼接URL字符串,数组,集合操作
B卷100计算最大乘积字符串,数组,集合操作
B卷100字符串变换最小字符串字符串,数组,集合操作
B卷100全量和已占用字符集字符串,数组,集合操作
B卷100密钥格式化字符串,数组,集合操作
B卷100数字字符串组合倒序字符串,数组,集合操作
B卷100最大N个数与最小N个数的和字符串,数组,集合操作
B卷100数组去重和排序字符串,数组,集合操作
B卷100数组拼接字符串,数组,集合操作
B卷100数组组成的最小数字字符串,数组,集合操作
B卷100整型数组按个位值排序字符串,数组,集合操作
B卷100日志排序字符串,数组,集合操作
B卷100字符统计及重排字符串,数组,集合操作
B卷100比赛字符串,数组,集合操作
B卷100按身高和体重排队字符串,数组,集合操作
B卷100组成最大数字符串,数组,集合操作
B卷100字符串排序字符串,数组,集合操作
B卷100冠亚军排名字符串,数组,集合操作
B卷100统计射击比赛成绩字符串,数组,集合操作
B卷100输出指定字母在字符串的中的索引字符串,数组,集合操作
B卷100免单统计字符串,数组,集合操作
B卷100整数编码字符串,数组,集合操作
B卷200打印任务排序字符串,数组,集合操作
B卷200比较两个版本号的大小字符串,数组,集合操作
B卷200N进制减法字符串,数组,集合操作
B卷200热点网站统计字符串,数组,集合操作
B卷200TLV解码2字符串,数组,集合操作
A卷100字符串重新排列、字符串重新排序字符串,数组,集合操作
A卷100通信误码字符串,数组,集合操作
A卷100获取最大软件版本号字符串,数组,集合操作
A卷100猜字谜字符串,数组,集合操作
A卷100异常的打卡记录字符串,数组,集合操作
A卷100优秀学员统计字符串,数组,集合操作
A卷100寻找相似单词字符串,数组,集合操作
A卷100回文字符串字符串,数组,集合操作
A卷200字符串解密字符串,数组,集合操作
逻辑分析
考卷分值题目知识点 
B卷100需要打开多少监控器逻辑分析
B卷100告警抑制逻辑分析
B卷100AI面板识别逻辑分析
B卷100报文回路逻辑分析
B卷100矩阵稀疏扫描逻辑分析
B卷100模拟消息队列逻辑分析
B卷100座位调整逻辑分析
B卷100比赛的冠亚季军逻辑分析
B卷100字符串摘要逻辑分析
B卷100阿里巴巴找黄金宝箱(III)逻辑分析
B卷100求最小步数逻辑分析
B卷100矩阵元素的边界值逻辑分析
B卷200相同数字组成图形的周长逻辑分析
B卷200找出两个整数数组中同时出现的整数逻辑分析
B卷200计算误码率逻辑分析
B卷200不开心的小朋友逻辑分析
B卷100VLAN资源池逻辑分析
B卷100求字符串中所有整数的最小和逻辑分析
B卷100考勤信息逻辑分析
B卷100找终点逻辑分析
B卷100执行时长逻辑分析
B卷100用户调度问题逻辑分析
B卷100查找众数及中位数逻辑分析
B卷100整数对最小和逻辑分析
B卷100ABR 车路协同场景逻辑分析
B卷100水仙花数逻辑分析
B卷100数字涂色逻辑分析
B卷100寻找身高相近的小朋友逻辑分析
B卷100判断一组不等式是否满足约束并输出最大差逻辑分析
B卷1005键键盘的输出逻辑分析
B卷100分班逻辑分析
B卷100数大雁逻辑分析
B卷100数字反转打印逻辑分析
B卷100停车场车辆统计逻辑分析
B卷100绘图机器逻辑分析
B卷100找车位逻辑分析
B卷100流水线逻辑分析
B卷100单词重量逻辑分析
B卷100BOSS的收入逻辑分析
B卷100求解连续数列逻辑分析
B卷100求符合要求的结对方式逻辑分析
B卷100德州扑克逻辑分析
B卷100两数之和绝对值最小逻辑分析
B卷200贪吃蛇逻辑分析
B卷200最大社交距离逻辑分析
B卷200学生方阵逻辑分析
B卷200数据分类逻辑分析
B卷200转骰子逻辑分析
B卷200信道分配逻辑分析
B卷200找到比自己强的人数逻辑分析
B卷200竖直四子棋逻辑分析
A卷100真正的密码逻辑分析
A卷100最小调整顺序次数、特异性双端队列逻辑分析
A卷100模拟商场优惠打折逻辑分析
A卷100二元组个数逻辑分析
A卷100积木最远距离、相同数字的积木游戏逻辑分析
A卷100最长的密码逻辑分析
A卷100端口合并逻辑分析
A卷100箱子之字形摆放逻辑分析
A卷100匿名信逻辑分析
A卷100密室逃生游戏逻辑分析
A卷100挑选字符串逻辑分析
A卷100投篮大赛逻辑分析
A卷100简单的自动曝光逻辑分析
A卷100预订酒店逻辑分析
A卷100找数字、找等值元素逻辑分析
A卷100整理扑克牌逻辑分析
A卷100任务总执行时长逻辑分析
A卷100货币单位换算逻辑分析
A卷100新员工座位逻辑分析
A卷100网上商城优惠活动逻辑分析
A卷100猜数字逻辑分析
A卷200Excel单元格数值统计逻辑分析
A卷200垃圾短信识别逻辑分析
A卷200快递投放问题逻辑分析
A卷200组合出合法最小数逻辑分析
A卷200最优资源分配逻辑分析
A卷200二进制差异数逻辑分析
A卷200去除多余空格逻辑分析
数学问题、位运算
考卷分值题目知识点
B卷100经典屏保数学问题
B卷100构成正方形的数量数学问题
B卷100靠谱的车位运算
B卷100勾股数元组数学问题
B卷100素数之积数学问题
B卷100工号不够用了怎么办?数学问题
B卷100全排列数学问题
B卷100矩形相交面积数学问题
B卷100分苹果位运算
B卷200分积木位运算
B卷200出错的或电路位运算
A卷100新学校选址、学校的位置数学问题 / 中位数定理
A卷100最快到达医院的方法数学问题
A卷100幻方修复数学问题
A卷200数字加减游戏数学问题
正则匹配
考卷分值题目知识点
B卷100报文重排序正则匹配
B卷100增强的strstr正则匹配
B卷100相对开音节正则匹配
B卷100火星文计算正则匹配
B卷100单词加密正则匹配
B卷200文本统计数量正则匹配
A卷100单词倒序正则匹配
分治递归
考卷分值题目知识点 
B卷100符合要求的元组的个数分治递归 + 双指针 + k数之和问题
B卷100分糖果分治递归
B卷100字符串分割分治递归
B卷100对称美学分治递归
A卷100微服务的集成测试分治递归
回溯算法
B卷200数据最节约的备份方法二分法 + 回溯算法
B卷100篮球比赛回溯算法 / 组合问题
B卷200连续出牌数量回溯算法
B卷200找到它、单词搜索回溯算法
B卷200快速人名查找回溯算法
A卷100处理器问题、AI处理器组合回溯算法 / 组合问题
A卷100等和子数组最小和回溯算法
A卷100过滤组合字符串、字母组合回溯算法 / 组合问题
A卷100星际篮球争霸赛、MVP争夺战回溯算法
A卷200无向图染色、红黑图回溯算法 / 组合问题
A卷200最多几个直角三角形回溯算法 / 组合问题
A卷200最大平分数组回溯算法
A卷200基站维护工程师回溯算法 / 排列问题
A卷200组装新数组回溯算法
A卷200硬件产品销售方案回溯算法 / 组合问题
A卷200九宫格回溯算法 / 排列问
深度优先搜索
考卷分值题目知识点
B卷100文件目录大小深度优先搜索(栈实现)
B卷200寻找最大价值的矿堆深度优先搜索(栈实现)
B卷200战场索敌深度优先搜索(栈实现)
B卷100找出经过特定点的路径长度深度优先搜索
B卷100解密犯罪时间深度优先搜索
B卷100最大时间深度优先搜索
B卷200考古学家深度优先搜索
B卷200机器人走迷宫深度优先搜索
B卷200猜密码深度优先搜索
B卷200迷宫问题深度优先搜索
B卷200最小传输时延Ⅱ深度优先搜索
B卷200找单词深度优先搜索
B卷200迷宫问题深度优先搜索 || 广度优先搜索
A卷100查找单入口空闲区域深度优先搜索
A卷200查找树中元素深度优先搜索
A卷200上班之路深度优先搜索
广度优先搜索
考卷分值题目知识点
B卷200宜居星球改造计划图论 / 图的多源BFS
B卷200周末爬山广度优先搜索
B卷200矩阵扩散深度优先搜索(栈实现)
B卷200树状结构查询广度优先搜索
B卷200返回矩阵中非1的元素个数广度优先搜索
B卷200污染水域图论 / 图的多源BFS
B卷200分割数组的最大差值广度优先搜索
B卷200矩阵扩散图论 / 图的多源BFS
B卷200可以组成网络的服务器深度优先搜索 
B卷200计算疫情扩散时间图论 / 图的多源BFS
A卷200计算网络信号、信号强度图论 / 图的多源BFS
单指针||双指针
考卷分值题目知识点
B卷100阿里巴巴找黄金宝箱(I)单指针
B卷100五子棋迷双指针
B卷100跳房子I哈希表 + 两数之和
B卷100分割数组的最大差值单指针
B卷200跳房子II双指针 + 三数之和
B卷100最长的指定瑕疵度的 元音子串双指针
B卷100五子棋迷双指针
B卷100

最长的指定瑕疵度的元音子串

双指针
B卷100

在字符串中找出连续最长的数字串(含“+-”号)

双指针
B卷100最长连续子序列双指针
B卷100

乱序整数序列两数之和绝对值最小

双指针
B卷100最大花费金额双指针
B卷100磁盘容量排序双指针
B卷100太阳能板最大面积双指针
B卷100判断字符串子序列双指针
B卷100求最多可以派出多少支团队双指针
B卷100事件推送​​​​​​​双指针 || 二分查找
B卷200叠积木双指针 + 贪心思维
B卷200最长的顺子双指针
B卷200字符串比较双指针
A卷100计算数组中心位置​​​​​​​单指针 + 大数处理
A卷200天然蓄水库双指针 + 动态规划
滑动窗口
考卷分值题目知识点
B卷100阿里巴巴找黄金宝箱(V)滑动窗口
B卷100恢复数字序列滑动窗口
B卷100计算最接近的数滑动窗口
B卷100求满足条件的最长子串的长度​​​​​​​滑动窗口
B卷100用连续自然数之和来表达整数滑动窗口
B卷100滑动窗口最大和滑动窗口
B卷100高矮个子排队滑动窗口
B卷100补种未成活胡杨滑动窗口
B卷100最少交换次数滑动窗口
B卷100关联子串滑动窗口 / 尺取法
A卷100完美走位滑动窗口 / 尺取法
A卷100最多颜色的车辆滑动窗口
A卷100冗余覆盖​​​​​​​、最左侧冗余覆盖子串滑动窗口 / 尺取法
A卷100识图谱新词挖掘滑动窗口
A卷200区块链文件转储系统滑动窗口 
A卷200寻找符合要求的最长子串滑动窗口
A卷200最差产品奖滑动窗口 / 单调队列

二分法、三分法

考卷分值题目知识点
B卷100食堂供餐二分法
B卷100生日礼物二分法 / 二分查找
B卷200最佳植树距离

二分法 / 最小值最

大化问题

B卷200组装最大可靠性设备二分法
B卷200数据最节约的备份方法二分法 + 回溯算法
B卷100事件推送双指针 || 二分查找
B卷200书籍叠放耐心排序 + 二分查找
B卷200事件推送二分法 / 二分查找
A卷100日志限流二分法 / 二分查找
A卷200服务中心选址三分法
A卷200开放日活动、取出尽量少的球二分法 / 二分查找
A卷200农场施肥、不爱施肥的小布二分法 / 二分查找
区间  
考卷分值题目知识点
B卷100路灯照明问题区间问题 / 区间合并
B卷200简易内存池区间问题 / 区间交集
B卷200区间交集区间问题 / 区间合并
B卷200观看文艺汇演问题

区间问题 / 最多不相交

区间个数

A卷200最大化控制资源成本、任务混部区间问题 / 最大重叠区间
A卷200连接器问题、区间连接器区间问题 / 区间合并
A卷200区间交叠问题、最少数量线段覆盖区间问题 / 区间合并
A卷200优选核酸检测点区间问题 / 区间交集
A卷200机房布局区间问题 / 区间交集
A卷200最多等和不相交连续子序列​​​​​​​

区间问题 / 最大不相交

区间数量

数据结构 / 栈
考卷分值题目知识点
B卷200阿里巴巴找黄金宝箱(IV)数据结构 / 栈 / 单调栈
B卷100最远足迹数据结构 / 栈
B卷100表达式括号匹配数据结构 / 栈
B卷100括号匹配数据结构 / 栈
B卷100最大括号深度数据结构 / 栈
B卷100消消乐游戏数据结构 / 栈
B卷100计算堆栈中的剩余数字数据结构 / 栈
B卷100找朋友数据结构 / 栈
B卷200解压报文数据结构 / 栈
B卷200九宫格按键输入数据结构 / 栈
B卷200仿LISP运算数据结构 / 栈
B卷200斗地主之顺子数据结构 / 栈
B卷200找最小数数据结构 / 栈
B卷200最长方连续方波信号数据结构 / 栈
B卷200二叉树遍历数据结构 / 栈
A卷200信号发射和接收数据结构 / 栈 / 单调栈
A卷200简单的解压缩算法数据结构 / 栈
A卷200分奖金数据结构 / 栈 / 单调栈
A卷200最大数字数据结构 / 栈
数据结构 / 队列
考卷分值题目知识点
B卷200评论转换输出数据结构 / 队列 + 递归
B卷100矩阵最大值数据结构 / 双端队列
数据结构 / 链表
考卷分值题目知识点
B卷100约瑟夫问题约瑟夫环问题
B卷100报数游戏约瑟夫环问题
B卷100喊7的次数重排约瑟夫环问题
B卷100报数问题约瑟夫环问题 + 循环链表
A卷100单向链表中间节点数据结构 / 链表

数据结构 /二叉树

考卷分值题目知识点
B卷200

完全二叉树非叶子部

分后序遍历

数据结构 / 二叉树
B卷200数组二叉树数据结构 / 二叉树
B卷200目录删除数据结构 / 二叉树
A卷200创建二叉树数据结构 / 二叉树

高级数据结构 并查集

考卷分值题目知识点
B卷200寻找最大价值的矿堆

深度优先搜索(栈实现)

|| 并查集

B卷100We Are A Team数据结构 / 并查集
B卷200发广播数据结构 / 并查集
B卷200服务失效判断数据结构 / 并查集
B卷200欢乐的周末数据结构 / 并查集
B卷200图像物体的边界数据结构 / 并查集
B卷200找城市数据结构 / 并查集
A卷100快递业务站数据结构 / 并查集
A卷100机器人、机器人活动区域数据结构 / 并查集
A卷100开心消消乐数据结构 / 并查集
A卷100Linux发行版的数量数据结构 / 并查集
A卷200计算快递主站点数据结构 / 并查集

高级数据结构 / 优先队列

考卷分值题目知识点
B卷200购物数据结构 / 优先队列
A卷100打印机队列数据结构 / 优先队列
A卷100总最快检测效率数据结构 / 优先队列
A卷100统一限载货物数最小值数据结构 / 优先队列
A卷100插队数据结构 / 优先队列
A卷200任务调度数据结构 / 优先队列
A卷200工单调度策略数据结构 / 优先队列

图论 / 单源最短路径

考卷分值题目知识点
B卷200最长广播响应

图论 / 单源

最短路径(dijkstra)

B卷200最小传输时延

图论 / 单源

最短路径(dijkstra)

图论 / 拓扑排序

考卷分值题目知识点
B卷200跳格子游戏图论 / 拓扑排序
A卷200快速开租建站图论 / 拓扑排序
 

图论 / 最小生成树

考卷分值题目知识点
A卷200最优高铁城市修建方案

图论 / 最小生成

树(Prim算法、Kruskal算法)

 

动态规划 / 背包DP

考卷分值题目知识点
B卷200代表团坐车动态规划 / 背包DP / 01背包
B卷200通过软盘拷贝文件动态规划 / 背包DP / 01背包
B卷200MELON的难题动态规划 / 背包DP / 01背包
A卷100最大报酬动态规划 / 背包DP / 01背包
A卷100称砝码动态规划 / 背包DP / 多重背包
A卷200

最多获得的短信条数、

云短信平台优惠活动

动态规划 / 背包DP / 完全背包
A卷200查找充电设备组合动态规划 / 背包DP / 01背包
 

动态规划 / 其他

考卷分值题目知识点
B卷200数字游戏

动态规划 / 前缀和

+ 数学问题

B卷200跳格子1动态规划
B卷200跳格子2动态规划
B卷100字符串加密动态规划
B卷100数列描述动态规划
B卷100查找接口成功率最优时间段动态规划 + 前缀和应用
B卷100猴子爬山动态规划
B卷100翻牌求最大分动态规划
B卷100玩牌高手动态规划
B卷100数组连续和动态规划
B卷100最大矩阵和动态规划
B卷200高效的任务规划动态规划 + 贪心思维
B卷200字符匹配动态规划
A卷100日志首次上报最多积分动态规划
A卷100查找重复代码动态规划 / 最长公共子串
A卷100人数最多的站点动态规划 / 差分数列
A卷200探索地块建立动态规划 / 前缀和
A卷200天然蓄水库双指针 + 动态规划
A卷200不含101的数动态规划 / 数位DP
A卷200士兵过河贪心思维 || 动态规划
A卷200优雅子数组动态规划 / 前缀和
A卷200荒地动态规划 / 前缀和
A卷200递增字符串动态规划
A卷200几何平均值最大子数组动态规划 / 前缀积
贪心思维
考卷分值题目知识点
B卷100阿里巴巴找黄金宝箱(II)贪心思维
B卷200最佳的出牌方法贪心思维
B卷200数字序列比大小贪心思维
B卷100快递运输贪心思维
B卷100计算礼品发放的最小分组数目贪心思维
B卷100最大股票收益贪心思维
B卷200叠积木双指针 + 贪心思维
B卷200任务最优调度贪心思维
B卷200高效的任务规划动态规划 + 贪心思维
B卷200最少面试官数贪心思维
B卷200导师请吃火锅贪心思维
A卷100租车骑绿岛贪心思维
A卷100最短木板长度贪心思维
A卷100最大利润、贪心的商人贪心思维
A卷100静态扫描贪心思维
A卷200士兵过河贪心思维 || 动态规划
A卷200最佳对手贪心思维
 
数位搜索
考卷分值题目知识点
B卷200没有回文串

数位搜索 +

回文子串涵盖判断

A卷200不含101的数动态规划 / 数位DP
KMP算法
考卷分值题目知识点
B卷200最小循环子数组

KMP算法 /

最小重复子串问题

B卷100寻找相同子串KMP算法
 
暴力枚举
考卷分值题目知识点
B卷100

检查是否存在满足条件的数字组合

暴力破解
A卷200羊、狼、农夫过河暴力枚举
【华为OD机考】2024E+D卷真题【完全原创题解 详细考点分类 不断更新题目 六种主流语言Py+Java+Cpp+C+Js+Go】 可上练习华子OD、大厂真题绿色聊天软件戳oj1441了解算法冲刺训练(备注【优快云】否则不通过) 阅读详情

相关推荐

华为OD机试 - 字符串化繁为简(Java & JS & Python)

给定一个输入字符串,字符串只可能由英文字母( 'a' ~ 'z'、'A' ~ 'Z' )和左右小括号( '('、')' )组成。当字符里存在小括号时,小括号是成对的,可以有一个或多个小括号对,小括号对不会嵌套,小括号对内可以包含1个或多个英文字母,也可以不包含英文字母。

u012657708的博客 594

【华为OD机试】字符串化繁为简【2023 B卷|200分】

给定一个输入字符串,字符串只可能由英文字母 (a ~z、A~ Z ) 和左右小括号 (、) 组成当字符里存在小括号时,小括号是成对的,可以有一个或多个小括号对,小括号对不会嵌套,小括号对内可以包含1个或多个英文字母也可以不包含英文字母。

goldarmour的博客 933

2025华为OD机试真题(C++语言) 真题目录介绍,机试真题 B+C+D+E卷(530道)

本文是2023华为OD机试真题(C++语言)专栏的目录贴(持续更新中…)华为OD是Outsourcing Dispacth模式,是华为和外企德科联合招聘的简称。目前华为大多数是OD招聘。OD模式也是华为提出的一种新的用工形式,每年都会从OD项目挑优秀员工转为正编。所有OD和正式员工一样对待,没有差别,部门平时开会、评审等活动都是一起参加的,是同薪同酬,都是由华为的HR直接定的薪资,看的是我们技术能力。华为是大企业,能到华为上班也是有能力的,每个部门都有好多职位,是金子,在哪都会发光。

KJ.JK 11万+

华为OD机试-2023真题-考点分类

从2022年11月以后,OD机试换了新题库,新题库考察的算法比较偏,题目难度加大。了解到部分同学的一些需求,博主根据考点对题目进行了分类,如果时间紧迫,可以针对特 定题型优先选择一两道进行练习。

goldarmour的博客 7568

【华为OD机考】2025C+B+2024E+D卷真题【完全原创题解 | 详细考点分类 | 不断更新题目 | 六种主流语言Py+Java+Cpp+C+Js+Go】

可上练习华子OD、大厂真题绿色聊天软件戳od1441了解算法冲刺训练(备注【优快云】否则不通过)

weixin_48157259的博客 1万+

华为OD机试 - 数据分类(Java) | 机试题+算法思路+考点+代码解析 【2023】

10个数据4个字节相加后的结果分别为1 2 3 4 5 6 7 8 9 10,故对4取模的结果为1 2 3 0 1 2 3 0 1 2,c为3,所以0 1 2都是有效类型,类型为1和2的有3个数据,类型为0的只有2个数据,故输出3。如果得到的结果大于或者等于c,则数据a为无效类型。最后,遍历数组以找到最大值。10个数据4个字节相加后的结果分别为1 2 3 4 5 6 7 8 9 10,故对4取模的结果为1 2 3 0 1 2 3 0 1 2,c为1,所以只有0是有效类型,类型为0的有2个数据,故输出2。

坚果的博客 473

华为OD机试 - 数据分类(JavaScript) | 机试题+算法思路+考点+代码解析 【2023】

对一个数据a进行分类,分类方法是,此数据a(4个字节大小)的4个字节相加对一个给定值b取模,如果得到的结果小于一个给定的值c则数据a为有效类型,其类型为取模的值。如果得到的结果大于或者等于c则数据a为无效类型。比如一个数据b = 3所以如果c等于2,则此a就是有效类型,其类型为1如果c等于1,则此a是无效类型又比如一个数据b = 3所以如果c = 2则此a就是有效类型,其类型为0如果c = 0则此a是无效类型输入12个数据,第一个数据为c,第二个数据为b剩余10。

坚果的博客 2093

2024华为OD机试真题-数据分类算法(C++)-E卷-100分

对一个数据 a 进行分类,分类方法为:此数据 a(四个字节大小)的四个字节相加对一个给定的值 b 取模 如果得到的结果小于一个给定的值 c,则数据 a 为有效类型,其类型为取模的值 如果得到的结果大于或者等于 c,则数据 a 为无效类型

goldarmour的博客 429

【2025华为OD机考真题】- 数据分类(B卷-100分)(JS版)

🔔本文收录于「最新最全华为OD机试真题(JavaScript版)」专栏,手把手带你零基础教学华为OD机试。本题集提供最优题解思路,解题步骤,代码解析,复杂度分析及最优题解源码等,支持多语言题解,助你轻松拿捏OD机考,一举上岸!安利大家关注&&收藏&&订阅!题库正在疯狂收录中,up!up!up!! 🚫提醒:拒绝一切代考/替考,违法必究!专栏所写题库均精心搜集于互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验所撰,欢迎订阅。    💗订阅福利:一次订阅,可永久免费阅读,提供在线答疑解惑,

**My Coding Family** 922

华为OD机试 新系统 双机位C卷 往年真题 机考题库(持续收录中)以及算法考点详解

每一题都有详细的答题思路、详细的代码注释、样例测试,发现新题目,随时更新,全天优快云在线答疑。

学Java,找哪吒 7万+

2026华为OD机试 新系统真题题库目录|机考题库 + 算法考点详解

华为OD机试 新系统真题题库目录|机考题库 + 算法考点详解华为od机试,华为od机试真题,华为od机试E卷,华为odE卷,华为od机试真题E卷,华为OD,华为OD机试,华为OD机试真题,华为od机考,华为od机试D卷,华为od机试真题D卷,华为od手撕代码,华为od,华为od机试C卷,华为od e卷,华为2026e卷,od机试,2026E卷,华为OD机试E卷,什么是华为od,华为od介绍,全面了解华为od,2026华为od,如何备战华为od,华为od算法,华为od手撕代码,华为OD机试2024年最新题库,

KJ.JK 4703

【华为OD机考正在更新】2025年双机位A卷真题【完全原创题解 | 详细考点分类 | 不断更新题目 | 六种主流语言Py+Java+Cpp+C+Js+Go】

可上练习华子OD、大厂真题绿色聊天软件戳od1441了解算法冲刺训练(备注【优快云】否则不通过)

weixin_48157259的博客 2412

2025华为OD机试最新题库-(2025A卷+E卷+D卷)-(JAVA、Python、C++)

2024年8月-2025年2月,OD统一考试考的都是(E卷),题库已为大家准备好,命中率95%以上。

goldarmour的博客 9236

【华为OD机考真题】- 数据分类(B卷-100分)(C++版)

🔔本文收录于「最新最全华为OD机试真题(C++版)」专栏,手把手带你零基础教学华为OD机试。本题集提供最优题解思路,解题步骤,代码解析,复杂度分析及最优题解源码等,支持多语言题解,助你轻松拿捏OD机考,一举上岸!安利大家关注&&收藏&&订阅!题库正在疯狂收录中,up!up!up!! 🚫提醒:拒绝一切代考/替考,违法必究!专栏所写题库均搜集于互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验所撰,欢迎订阅。    💗订阅福利:一次订阅,可永久免费阅读,提供在线答疑解惑,后续题库更新皆可阅

**My Coding Family** 1139

华为OD机试 - 百钱买百鸡问题(Python/JS/C/C++ 牛客练习题 HJ72)

本专栏收录于《华为OD机试真题(Python/JS/C/C++)》。刷的越多,抽中的概率越大,私信哪吒,备注华为OD,加入华为OD刷题交流群,每一题都有详细的答题思路、详细的代码注释、3个测试用例、为什么这道题采用XX算法、XX算法的适用场景,发现新题目,随时更新。公元五世纪,我国古代数学家张丘建在《算经》一书中提出了“百鸡问题”:鸡翁一值钱五,鸡母一值钱三,鸡雏三值钱一。百钱买百鸡,问鸡翁、鸡母、鸡雏各几何?现要求你打印出所有花一百元买一百只鸡的方式。输入任何一个整数,即可运行程序。输出有数行,每行三个整

学Java,找哪吒 1140

【华为OD机考真题】- 数据分类(B卷-100分)(JS版)

🔔本文收录于「最新最全华为OD机试真题(JavaScript版)」专栏,手把手带你零基础教学华为OD机试。本题集提供最优题解思路,解题步骤,代码解析,复杂度分析及最优题解源码等,支持多语言题解,助你轻松拿捏OD机考,一举上岸!安利大家关注&&收藏&&订阅!题库正在疯狂收录中,up!up!up!! 🚫提醒:拒绝一切代考/替考,违法必究!专栏所写题库均精心搜集于互联网,经过精心筛选和整理,结合数位十多年大厂实战经验资深大佬经验所撰,欢迎订阅。    💗订阅福利:一次订阅,可永久免费阅读,提供在线答疑解惑,

**My Coding Family** 458

TDSQL-单机安装

根据腾讯云官方要求,TDSQL安装至少需要三台机器。本人想要学习TDSQL但是没有足够的机器资源,经过仔细分析研究TDSQL安装过程,尝试发现单台机器也可以成功安装TDSQL,现将本人单台机器安装TDSQL的过程以及安装过程中遇到的问题在此分享。具体安装过程可参考腾讯官方文档,本文仅分享与官方文档不一致的步骤。

u012607648的博客 6808

企业级防火墙实战:用深信服AF8.0打造安全办公网络(含流控/僵尸防护配置)

本文详细介绍了如何利用深信服AF8.0防火墙构建企业级安全办公网络,涵盖设备初始化、多接入方式配置、三维一体安全防护体系(包括应用控制、僵尸防护和智能流控)以及典型问题排查。通过实战案例和配置模板,帮助IT管理员高效部署和优化网络安全管理,提升企业网络安全防护能力。

weixin_28716443的博客 281

阻容降压 vs 开关电源:5V小功率供电方案成本与安全深度对比

本文深度对比了阻容降压电路与开关电源在5V小功率供电方案中的核心差异。重点剖析了二者在成本、体积、效率、温升及安全隔离等方面的优劣,并结合智能温控器、LED驱动等典型应用场景,为硬件工程师提供了清晰的选型决策框架,帮助在成本与安全之间做出最佳权衡。

weixin_29310631的博客 702

OpenClaw赚钱实录:从“养龙虾“到可持续变现的实践指南——OpenClaw的赚钱底层逻辑与“记忆”革命

AI 的商业价值不在于替代思考,而在于沉淀关系。当 Agent 记住你的偏好、你的历史、你的目标,它就不再是冷冰冰的软件,而是成为数字化的关系资产。这种资产的稀缺性不在于技术复杂度,而在于时间无法被压缩——你无法用更好的算法替代 3 个月的协作记忆。在这场“记忆革命”中,护城河不是模型参数,而是用户与 AI 共同书写的历史。OpenClaw 用一套优雅的文件系统架构,将这种历史转化为可积累、可复用、可变现的数字资产。从“计算即服务”(CaaS)到“记忆即服务”(MaaS)。

冯·诺依曼 1342

自动驾驶---Planning模块详细介绍(以Apollo为例)

主要介绍高速场景下Planning模块,至于低速的泊车场景对比高速场景或者城区场景有比较大的差距(后面也会介绍泊车场景),本篇Planning介绍主要包括三大子模块Routing,Behavioural Planning以及Motion Planining,并且对比较重要的Decider和Optimizer都做了通俗化的说明供大家思考,以便于后续理解更深入的内容,后面有时间会再开一些篇幅对这些模块进行更加深入的讲解。

智能汽车人的博客 2087

Whisper 模型在嘈杂环境中的表现:降噪与增强技术

本报告系统分析了OpenAI Whisper模型在嘈杂环境中的表现机制,重点揭示其内在降噪能力的技术边界,并结合语音增强(SE)、时频分析等前沿技术提出优化方案。内容覆盖从基础概念(如噪声类型对ASR的影响)到理论框架(模型架构与数学形式化),再到实际应用(端到端部署策略)的全链路分析,同时通过案例研究与可视化工具(如梅尔频谱对比图)降低复杂概念的认知门槛。核心结论指出:Whisper的多语言预训练虽提升了泛化性,但在低信噪比(SNR<5dB)场景下需结合前端降噪或联合训练技术以突破性能瓶颈。

AI 原生应用开发的博客 489

QGis二次开发 —— 5.2、基于qgis搭建离线地图服务并开发雷达扫描、无人机飞行跟踪等(附:源码及工程)

QGis二次开发 —— 5.2、基于qgis搭建离线地图服务并开发雷达扫描、无人机飞行跟踪等(附:源码及工程)

224

备战2025数学建模国赛(算法65):Fisher判别分析

在数学建模竞赛中,我们常常会遇到需要对研究对象进行分类或判断的问题。例如,根据西瓜的各类指标判断其好坏,根据经济数据判断一个国家的发展程度,或根据病人的医学影像特征判断其是否患病。这类“分类判别”问题,是建模竞赛中最常见的题型之一。Fisher判别分析(或称线性判别分析,LDA)作为一种经典的、有监督的降维与分类方法,因其模型简洁、可解释性强、计算高效而备受青睐。

YOLO 422

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

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")

上一篇: 华为OD机试 - 宜居星球改造计划(Java)
下一篇: 【华为OD机试 - 投篮大赛(Java)】
清水乐园
博客等级 码龄13年 175粉丝 398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

打赏作者

清水乐园

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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