墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
165平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
题目描述
公司最近准备进行拔河比赛，需要在全部员工中进行挑选。
选拔的规则如下：
请实现一个选拔队员的小程序。
输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重]的方式放置；
部门全部成员数量为大于10的一个数组。
要求输出一个size为10的二维数组。
输入描述
输入为N行员工信息，表示部门报名参加选拔的候选人信息，每行有两个数字，使用空格分隔，表示员工的身高、体重信息
如
181 70
182 70
表示两位候选员工，第一人身高181厘米，体重70公斤;第二人身高182厘米，体重70公斤
输出描述
要求输出一个10行的已经排序的参赛员工信息数据，每行有两个数字，使用空格分隔，表示员工的身高、体重信息如
182 70
181 70
输入数据范围：
用例
| 输入 | 181 70 182 |
2023华为od机试统一考试B卷【拔河比赛】Java 实现
公司最近准备进行拔河比赛，需要在全部员工中进行挑选选拔的规则如下: 1.按照身高优先、体重次优先的方式准备比赛阵容 2.规定参赛的队伍派出10名选手 请实现一个选拔队员的小程序。 输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重的方式放置;部门全部成员数量为大于10的一个数组要求输出一个size为10的二维数组，
华为OD机试Java - 拔河比赛
公司最近准备进行拔河比赛，需要在全部员工中进行挑选。 选拔的规则如下： 按照身高优先、体重次优先的方式准备比赛阵容； 规定参赛的队伍派出10名选手。 请实现一个选拔队员的小程序。 输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重]的方式放置； 部门全部成员数量为大于10的一个数组。 要求输出一个size为10的二维数组。
华为OD机试 Java -拔河比赛
公司最近准备进行拔河比赛，需要在全部员工中进行挑选。 选拔的规则如下： 按照身高优先、体重次优先的方式准备比赛阵容； 规定参赛的队伍派出10名选手。 请实现一个选拔队员的小程序。 输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重]的方式放置； 部门全部成员数量为大于10的一个数组。 要求输出一个size为10的二维数组。
【华为OD机试真题 2025B卷】312、拔河比赛 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）
题目描述 >公司最近准备进行拔河比赛，需要在全部员工中进行挑选。 选拔的规则如下： 1、按照身高优先、体重次优先的方式准备比赛阵容； 2、规定参赛的队伍派出10名选手 请实现一个选拔队员的小程序。 输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重]的方式放置； 部门全部成员数量为大于10的一个数组。 要求输出一个size为10的二维数组。
华为OD机试 - 拔河比赛（Java 2025 B卷 100分）
刷的越多，抽中的概率越大，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。
【华为OD机试真题 Java语言】312、拔河比赛 | 机试真题+思路参考+代码解析
>公司最近准备进行拔河比赛，需要在全部员工中进行挑选。 选拔的规则如下： 1、按照身高优先、体重次优先的方式准备比赛阵容； 2、规定参赛的队伍派出10名选手 请实现一个选拔队员的小程序。 输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重]的方式放置； 部门全部成员数量为大于10的一个数组。 要求输出一个size为10的二维数组。
【华为OD机试真题 2025B卷】748、拔河比赛 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS）
【华为OD机试真题 2025B卷】748、拔河比赛 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS） 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2025e卷，od机试，2025E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，2025华为od，如何备战华为o
2023华为OD机试真题 Java【拔河比赛/排序】
输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重的方式放置;部门全部成员数量为大于10的一个数组要求输出一个size为10的二维数组，这道题主要考察的是排序，调用自带的sort()方法对员工信息进行排序。输入为N行员工信息，表示部门报名参加选拔的候选人信息，每行有两个数字，使用空格分隔，表示员工的身高、体重信息。要求输出一个10行的已经排序的参赛员工信息数据，每行有两个数字，使用空格分隔，表示员工的身高、体重信息如。第二人身高182厘米，体重70公斤。输出选中的10名选手的身高和体重信息。
【华为OD统一考试（B卷）】拔河比赛，JAVA 题解 | 华为OD机试考题
输入为 N 行员工信息，表示部门报名参加选拔的候选人信息，每行有两个数字，使用空格分隔，表示员工的身高、提供信息。要求输出一个 10 行的已经排序的参赛员工信息数据，每行有两个数字，使用空格分隔，表示员工的身高、提供信息。参加华为 od 机试，一定要注意不要完全背诵代码，需要理解之后模仿写出，通过率才会高。输入为一个数组，记录了部门人员的升高、提供信息，如[身高,体重]的方式放置；2）输入备选成员数量为 N，10
【2024年华为OD机试】 (B卷,100分)- 拔河比赛（Java & JS & Python&C/C++）
华为OD（Outsourcing Developer，外包开发工程师）是华为针对软件开发工程师岗位的一种招聘形式，主要包括笔试、技术面试以及综合面试等环节。尤其在笔试部分，算法题的机试至关重要。
华为OD机试2024(JS,C++,JAVA,PYTHON)-拔河比赛
输入为N行员工信息，表示部门报名参加选拔的候选人信息，每行有两个数字，使用空格分隔，表示员工的身高、体重信息。要求输出一个10行的已经排序的参赛员工信息数据，每行有两个数字，使用空格分隔，表示员工的身高、体重信息如。表示两位候选员工，第一人身高181厘米，体重70公斤;第二人身高182厘米，体重70公斤。输入为一个数组，记录了部门人员的身高、体重信息，如[身高,体重]的方式放置；公司最近准备进行拔河比赛，需要在全部员工中进行挑选。部门全部成员数量为大于10的一个数组。要求输出一个size为10的二维数组。
华为OD机试 - 拔河比赛（C++ Java JavaScript Python）
公司最近准备进行拔河比赛，需要在全部员工中进行挑选。 选拔的规则如下： 按照身高优先、体重次优先的方式准备比赛阵容； 规定参赛的队伍派出10名选手。
2023华为OD机试真题 Java 【拔河比赛/排序】
输出10行，每行有两个数字，分别代表被选中员工的身高和体重，数据之间用一个空格隔开。要确保身高最高的员工在前，身高相同的情况下体重较重的员工在前。背景简介：公司决定举办一场拔河大赛，每个部门需要选出10名身材最佳的员工。身材最佳的定义是：身高越高越好，身高相同的话，体重越重越好。你的任务：编写一个程序，帮助部门从众多员工中筛选出10名身材最佳的员工。输入多行员工数据，每行数据有两个数字，用空格分隔。注意：员工总数会超过10人，但不会超过100人。第二个数字表示员工的体重（单位：公斤）。
Java写项目前的准备工作指南（技术栈选择 环境搭建和工具配置 项目结构设计与模块划分）
在开始编写一个 Java 项目之前，做好充分的准备工作是至关重要的。很多初学者可能在没有清晰规划的情况下就开始编写代码，导致项目开发进度缓慢、结构混乱，甚至最终无法按预期完成。而事实上，项目的成功不仅仅取决于编码能力，还包括项目初期的规划和准备。准备工作是确保项目顺利进行的基础，它包括技术选型、环境搭建、需求分析、团队协作及项目管理等多个方面。通过这些准备，我们可以确保项目的开发不仅高效而且有可维护性，最终能交付出高质量的代码。在项目开发过程中，异常处理是非常关键的一部分。
5分钟搞定CST周期性结构仿真：共面波导色散曲线快速生成技巧
本文提供了一套在CST Studio Suite中快速仿真周期性结构并生成色散曲线的标准化流程。针对共面波导设计，重点解析了周期性边界条件的核心设置、本征模求解器（JDM算法）的优化技巧，以及通过参数扫描与后处理模板实现自动化，旨在帮助射频与微波工程师在5分钟内高效完成关键性能验证。
envi反演水质参数_遥感水质反演之反演模型
水质反演的框架图此为反演模型的章节第一部分，统计学基础：概率论、矩阵和数理统计的知识统计学知识框架# 1 基本统计概念知识在于应用，而非记忆！我们都是在样本的层面去操作数据的，以达到对总体性质的估计和推断，拿到一组数据首先进行基本的统计描述，常用的有：样本均值： 样本方差(调整方差)不是除以n,而是n-1， 标准差为样本方差开方即可皮尔逊积矩相关系数(简称相关系数)： 相关系数范围在[-1,...
Verilog中generate for循环的5个实战技巧（附完整代码示例）
本文详细介绍了Verilog中generate for循环的5个高级实战技巧，包括参数化模块实例化、条件化生成、多维硬件结构实现等，并附有完整代码示例。这些技巧能显著提升FPGA开发效率，特别适合中级Verilog开发者学习应用。
流体动力学仿真软件：CFX_（10）.案例实践：复杂流场分析
在“Phases”选项卡中，定义参与仿真的不同相。例如，如果您要分析气液两相流，可以定义“Air”和“Water”两个相。
光伏硅片瑕疵检测边缘计算方案：Java+YOLOv11n+GraalVM Native Image+树莓派5部署，工业级高可靠落地
本文提出了一种基于边缘计算的光伏硅片瑕疵检测方案，针对传统人工检测和云端AI方案的不足，采用Java+YOLOv11n+树莓派5的技术路线，实现了低延迟、高可靠的工业级检测。方案核心特点包括： 分层解耦的边缘架构，将感知、推理全链路下沉到树莓派5，端到端延迟<100ms； 创新性技术选型组合：Java 17+ONNX Runtime+GraalVM Native Image，内存占用<200MB； 安防级可靠性设计，支持断网缓存、看门狗守护、异常自动恢复等工业场景需求； 完全基于开源技术栈，硬件
通过Python实现物联网金橙子自动打标
对于自家公司使用金橙子打标卡时，为了与生产线或者PLC联动等，往往需要对金橙子打标卡进行二次开发，而在二次开发中不得不涉及到MarkEzd.dll这个文件，而这个dll文件网上版本多不说，一般都没法直接使用，最后还不得不花大价钱购买专用库。而本文针对这个问题，涉法通过python来绕过MarkEzd.dll文件，直接进行自动化控制EzCad来实现联动，可应用于实际生产。文章最后拓展一下以物联网的形式，实现手机平台等登录网页，输入想要的印字内容后，远程打印的案例。
老版QQ原生表情gif动态
这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。
温度PID控制PLC程序
温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值
复分析 阿尔福斯(Ahlfors) 第三版答案 英文
答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
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');```[](https://bitdeli.com/free "Bitdeli Badge")
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
2036
扫一扫
