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
116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
给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。
单词仅包括字母，但可能大小写并存（大写不一定只出现在首字母）。
相似单词说明：给定一个单词X，如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词（大小写是不同的字母，如a和A算两个不同字母）。
字典序排序： 大写字母<小写字母。同样大小写的字母，遵循26字母顺序大小关系。
即A<B<C<…<X<Y<Z<a<b<c<…<x<y<z. 如Bac<aBc<acB<cBa.
输入描述
第一行为给定的单词个数N（N为非负整数）
从第二行到地N+1行是具体的单词（每行一个单词）
最后一行是指定的待检测单词（用于检测上面给定的单词中哪些是与该指定单词是相似单词，该单词可以不是上面给定的单词）
输出描述
从给定的单词组中，找出指定单词的相似单词，并且按照从小到大字典序排列输出，中间以空格隔开
如果不存在，则输出null（字符串null）
用例
【华为OD机试真题】A卷-寻找相似单词（JAVA）
【华为OD机试真题】A卷-寻找相似单词（JAVA）：给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。单词仅包括字母，但可能大小写并存 (大写不一定只出现在首字母)。相似单词说明: 给定一个单词X，如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词 (大小写是不同的字母，如a和A算两个不同字母)。字典序只排序: 大写字母
如何在华为OD机试中获得满分？Java实现【寻找相似单词】一文详解！
✅创作者：陈书予 🎉个人主页：陈书予的个人主页 🍁陈书予的个人社区，欢迎你的加入: 陈书予的社区 🌟专栏地址: Java华为OD机试真题（2022&2023) 给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。单词仅包括字母，但可能大小写并存。相似单词说明： 给定一个单词X，如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词。字典序排序： 大写字母
华为OD机试 - 寻找相似单词（Java 2024 E卷 100分）
给定一个单词X，如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词（大小写是不同的字母，如a和A算两个不同字母）。在给定的输入中，与zhane是兄弟单词的是nezha zhane ，且输出按照字典序大小排序，输出的所有单词以空格隔开。最后一行是指定的待检测单词（用于检测上面给定的单词中哪些是与该指定单词是相似单词，该单词可以不是上面给定的单词）；给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。
【华为机考真题】寻找相似单词，JAVA 题解 | 华为OD机试考生（新抽中题）
本篇华为OD机试：寻找相似单词 题目描述 给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。单词仅包括字母，但可能大小写并存（大写不一定只出现在首字母）。
华为OD机试A卷 - 寻找相似单词 (C++ & Python & JAVA & JS & GO)
华为OD机试A卷 寻找相似单词，提供Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解。
【华为OD机试真题 Java语言】218、寻找相似单词 | 机试真题+思路参考+代码分析
>给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出 > 单词仅包括字母，但可能大写并存(大写不一定贝出现在首字母) > 相似单词说明：给定一个单词X， 如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词(大写是不同的字母，如a和A算两个不同字母) > 字典序排序：大写字母 即A
华为OD机试 - 寻找相似单词（C++ Java JavaScript Python ）
给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。单词仅包括字母，但可能大小写并存（大写不一定只出现在首字母）。
华为OD机试 - 寻找相似单词（Java)
相似单词说明：给定一个单词X，如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词（大小写是不同的字母，如a和A算两个不同字母）。最后一行是指定的待检测单词（用于检测上面给定的单词中哪些是与该指定单词是相似单词，该单词可以不是上面给定的单词）
【华为OD机考真题】- 寻找相似单词（Java）
🔔本文收录于「2025华为OD机试真题(Java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！ 💗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读使用！
【满分】【华为OD机试真题2023 JAVA&JS】寻找相似单词
寻找相似单词 时间限制：1s空间限制：256MB限定语言：不限 题目描述：给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。单词仅包括字母，但可能大小写并存（大写不一定只出现在首字母）。
【华为OD机试真题】218、寻找相似单词 | 机试真题+思路参考+代码分析（C语言、C++、Java、Py、JS）
题目描述 >给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出 > 单词仅包括字母，但可能大写并存(大写不一定贝出现在首字母) > 相似单词说明：给定一个单词X， 如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词(大写是不同的字母，如a和A算两个不同字母) > 字典序排序：大写字母 即A
【华为OD机试】寻找相似单词（C++/Java/JavaScript/Python ）
【华为OD机试】寻找相似单词（C++/Java/JavaScript/Python ）
华为OD机试2023(JS,C++,JAVA,PYTHON)-寻找相似单词
给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出。单词仅包括字母，但可能大小写并存（大写不一定只出现在首字母）。 相似单词说明：给定一个单词X，如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词（大小写是不同的字母，如a和A算两个不同字母）。
【华为OD机试真题】218、寻找相似单词 | 机试真题+思路参考+代码分析（C++、Java、Py、JS）
题目描述 >给定一个可存储若干单词的字典，找出指定单词的所有相似单词，并且按照单词名称从小到大排序输出 > 单词仅包括字母，但可能大写并存(大写不一定贝出现在首字母) > 相似单词说明：给定一个单词X， 如果通过任意交换单词中字母的位置得到不同的单词Y，那么定义Y是X的相似单词，如abc、bca即为相似单词(大写是不同的字母，如a和A算两个不同字母) > 字典序排序：大写字母 即A
【华为OD机试真题 2025C卷】218、寻找相似单词 | 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 2025C卷】218、寻找相似单词 | 机试真题+思路参考+代码解析（C++、Java、Py、C语言、JS） 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od，华为od算法，华为od手撕代码，华为OD机试2024年最新题库，一文带你读懂华为OD，华为机试e卷
别再手动算临界转速了！用ANSYS Workbench 2023 R2快速搞定转子坎贝尔图（附完整APDL命令流）
本文详细介绍了如何利用ANSYS Workbench 2023 R2快速生成转子坎贝尔图，实现全自动临界转速分析。通过对比传统手动计算与Workbench自动化流程的效率差异，展示了其在旋转机械设计中的革命性优势，包括大幅缩短分析周期、提升精度至98.7%。文章还提供了完整的APDL命令流和实战案例，帮助工程师快速掌握这一高效工具。
ADS新手必看：5分钟搞定Smith圆图阻抗匹配（附详细操作截图）
本文为射频电路设计新手提供了在ADS软件中快速使用Smith圆图进行阻抗匹配的实战指南。通过清晰的步骤和操作截图，详细演示了如何从负载阻抗点出发，通过添加电感和电容元件，在5分钟内完成向50欧姆标准阻抗的匹配，并介绍了仿真验证与性能调优的方法，帮助工程师和学生直观掌握这一核心技能。
ODBC 连接数据库 SQL server 2008
1、打开【控制面板】-> 【系统和安全】 -> 【管理工具】-> 【数据源(ODBC)】 2、双击【数据源(ODBC)】-> 选中【系统DSN】 3、单击【添加】，会弹出如下对话框，选中【SQL server】->【完成】 4、弹出如下对话框，在【名称】中填入数据源名称 例如：我命名为： LocalServer，在【服务器】中填入计算机名或者IP地址，我连接
保姆级教程如何进行本地局域网布署openclaw小龙虾
全网唯一一篇一步步实战教程，图文并茂方式的方式教你如何本地部署安装小龙虾openclaw
YOLO11的持续学习：如何在不遗忘旧数据的情况下学习新类别
类增量学习（Class-Incremental Learning, CIL）是持续学习（Continual Learning）的一个重要分支，它指的是模型在不遗忘已学旧类别知识的前提下，逐步学习新类别的能力。与传统机器学习假设所有数据一次可用不同，类增量学习更贴近现实世界应用场景——新的类别数据往往会随着时间推移逐步出现。 举个例子，假设我们已经训练好一个YOLOv11模型用于检测"猫"和"狗"两种动物，现在需要让模型新增识别"兔子"的能力。传统方法需要收集所有类别（猫、狗、兔子）的数据重新训练，而类增量
【WRF安装】WRF编译错误：problems building executables look for error in the build log
WRF编译错误：problems building executables look for error in the build log
【YOLOv13多模态融合改进】| CFT：跨模态融合Transformer | 利用Transformer的自注意力机制，解决跨模态融合中的长距离依赖和全局信息整合问题
本文记录的是利用 CFT 模块改进 YOLOv13 的多模态目标检测网络模型。的设计出发点在于解决传统多模态检测中跨模态特征融合不充分的问题，即当不同模态数据需协同检测时，基于CNN的方法因局部卷积的局限性，难以捕捉长距离依赖和全局模态间的互补信息，导致复杂光照、遮挡等场景下检测精度不足。本文利用模块，将多模态特征序列拼接后自动学习模态内与模态间的交互权重，在特征提取阶段整合全局上下文信息，增强对不同模态互补特征的利用能力，从而提升模型在多模态场景下的检测鲁棒性与准确性。Cross-Modality Fus
磁环电感参数计算
电感饱和是指当电感中的电流超过一定阈值时，电感中的磁场无法继续增加，而是达到一个饱和状态，导致电感的感应电动势减小或消失。电感通常由线圈组成，当通过线圈的电流不断增加时，线圈内部的磁场也随之增加。然而，当电流达到一定程度时，线圈的铁芯磁化达到饱和，无法进一步增加磁场强度。电感饱和的阈值取决于电感的结构、材料和尺寸等因素。通常情况下，电感的额定电流会标明其饱和电流值。一旦电感中的电流超过了饱和电流，电感将饱和并出现异常行为。当我们谈论电感饱和的时候，实际上是在谈论磁芯饱和——空心的电感永远不会饱和。
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
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
677
扫一扫
