2019年三峡大学新生编程赛||时间排序

该博客介绍了2019年三峡大学新生编程赛中的时间排序题目,包括题目内容、输入输出描述、限制条件、解题思路和总结。参赛者需要对一组代码的最后修改时间进行排序,时间格式为'year/month/day-hour.minute.second',并提供了输入样例和输出样例。解题关键在于正确处理包含特殊字符的时间字符串排序。
摘要由CSDN通过智能技术生成

2019年三峡大学新生编程赛

2.时间排序

(1)题目内容:

出题组的小Y有突然有一天心血来潮想要整理出题组写过的代码,
但是他发现这群人写过太多的代码啦,分类整理的时候弄得他很头秃,所以他一不做二不休的选择了—— 放弃!
是不可能的放弃的, 这里个个都是人才,说话又好听,超喜欢这里的,所以他是不会放弃帮大家整理代码的!
所以他选择了最划水的一种方式, 用时间排序!
他整理出来了每一个代码的最后修改时间, 打算将它们从小到大进行排序
时间的格式是 year/month/day-hour.minute.second
分别代表 年,月,日,小时,分钟,秒
年月日之间用’/‘字符分隔,日和小时之间用’-‘字符分隔,小时,分钟,秒之间用’.'分隔

(2)输入描述

第一行一个n,代表要排序的时间有n个
接下来有n行,每行一个字符串代表要排序的时间(时间都是合法的)
其中 1<=n<=1000, 1<=year<=9999, 1<=month<=12, 1<=day<=28, 0<=hour<24, 0<=minute<60, 0<=second<60。

(3)输出描述

输出有n行,分别是排好序的时间

(4)输入样例1

6
2019/11/13-21.5.56
2019/11/15-20.59.56
2019/11/15-19.59.56
2018/1/1-0.0.0
2018/1/1-0.0.0
2018/1/1-0.0.1

(5)输出样例1

2018/1/1-0.0.0
2018/1/1-0.0.0
2018/1/1-0.0.1
2019/11/13-21.5.56
2019/11/15-19.59.56
2019/11/15-20.59.56

(6)限制条件

JAVA 运行时间 2000ms 运行内存 524288kb
C++ 运行时间 1000ms 运行内存 262144kb

(7)程序代码

#include<stdio.h>
struct sj{
	int a,b,c,d,e,f;
};
struct sj s[1005];
int main()
{
	char A,B,C,D,E;
	int x,y,i,j;
	scanf("%d",&x);
	for(i=0;i<x;i++)
		scanf("%d%c%d%c%d%c%d%c%d%c%d",&s[i].a,&A,&s[i].b,&B,&s[i].c,&C,&s[i].d,&D,&s[i].e,&E,&s[i].f);
	for(i=1;i<x;i++)
		for(j=0;j<x-i;j++)
		{
			if(s[j].a>s[j+1].a)
			{
			s[1005]=s[j];
			s[j]=s[j+1];
			s[j+1]=s[1005];
			}
			if(s[j].a==s[j+1].a)
			{
				if(s[j].b>s[j+1].b)
				{
				s[1005]=s[j];
				s[j]=s[j+1];
				s[j+1]=s[1005];
				}
				if(s[j].b==s[j+1].b)
				{
					if(s[j].c>s[j+1].c)
					{
					s[1005]=s[j];
					s[j]=s[j+1];
					s[j+1]=s[1005];
					}
					if(s[j].c==s[j+1].c)
					{
						if(s[j].d>s[j+1].d)
						{
							s[1005]=s[j];
							s[j]=s[j+1];
							s[j+1]=s[1005];
						}
						if(s[j].d==s[j+1].d)
						{
							if(s[j].e>s[j+1].e)
							{
							s[1005]=s[j];
							s[j]=s[j+1];
							s[j+1]=s[1005];
							}
							if(s[j].e==s[j+1].e)
							{
								if(s[j].f>s[j+1].f)
								{
								s[1005]=s[j];
								s[j]=s[j+1];
								s[j+1]=s[1005];
								}		
							}		
						}	
					}
				}
			}
		}
	for(i=0;i<x;i++)
		printf("%d%c%d%c%d%c%d%c%d%c%d\n",s[i].a,A,s[i].b,B,s[i].c,C,s[i].d,D,s[i].e,E,s[i].f);
		return 0;
}

(8)解题思路以及题目分析

本题考查的时间排序涉及到的是对几组数据的排序,小的在前,大的在后,上述代码选取的是最基础的冒泡排序,本题另外一个难点在于数据的输入,由于存在“/”与“-”等符号与数据交替,于是选择如上图所示输入方法,然后逐步进行大小判断,再进行结构体元素交换,最后输出。

(9)题目总结

此题难度较小,但大小比较和数据交换较为复杂,重点在于数据的输入。
至于多种排序方法,分享一个链接。
链接: http://wenku.cyjzzd.com/a/137197.


  1. 比赛中分钟后出现的“/”已经去掉 ↩︎ ↩︎

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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