腾讯2017暑期实习生编程题之我见

1.

第一题如上所示,我的解决思路是首先将原字符串反转,然后利用回文串的特点-对称性,求出反转后的字符串与原字符串的最长公共子串的长度,最后用原字符串的长度减去最长公共子串的长度,即是最少要删除的字符串个数。(LCS算法)

     以下是我在牛客网中提交的代码:

      

#include<iostream>
#include<cstring>
using namespace std;
int LCS(char* p, char* q) 
{
	//int lable = 0;//用于判断是否要存储子序列字符的标记
	int m = strlen(q);
	int n = strlen(p);
	//构造存放最长lcs的二位数组
	int** c = new int*[m+1];
	for (int k = 0; k < m + 1; ++k)
	{
		c[k] = new int[n + 1];
	}
	//初始化二维数组,将第一行和第一列都置0
	for (int i = 0; i < n + 1; ++i)
	{
		c[0][i] = 0;
	}
	for (int j = 0; j < m + 1; ++j)
	{
		c[j][0] = 0;
	}
	//给二维数组赋值
	for (int i = 1; i < m+1; ++i)
	{
		for (int j = 1; j < n+1; ++j)
		{
			if (*(q + i - 1) == *(p + j - 1))
			{
				c[i][j] = c[i - 1][j - 1] + 1;
			}
			else
			{
				c[i ][j ] = c[i - 1][j]>=c[i][j - 1] ? c[i - 1][j] : c[i][j - 1];
			}
		}
	}
	return c[m][n];
}

int main()
{
	char Dest[1001];
	char Reverse[1001];
	while (cin >> Dest)
	{
		int len = strlen(Dest);
		for (int i = len - 1; i >= 0; --i)
			Reverse[len - 1 - i] = Dest[i];
		Reverse[len] = '\0';
		int lcs = LCS(Dest, Reverse);
		int outcome = len - lcs;
		cout << outcome << endl;
		memset(Dest, 0, sizeof(Dest));
		memset(Reverse, 0, sizeof(Reverse));
	}
	return 0;
}


2.


   第二题如上所示,我的解决思路是先获取字符串的长度,然后从尾部向头扫描,遇到大写字母时首先将该大写字母保存到临时变量中,然后将该大写字母与尾部方向的前一个大写字母之间的小写字母依次向头部方向前移一位,最后将保存在临时变量中的该大写字母放到正确的位置。依照此方法依次处理每一个大写字母即可。

以下是我在牛客网中提交的代码:

<span style="font-size:18px;">#include<iostream>
#include<cstring>
using namespace std;
char* CapitalPostposition(char* a)
{
	int capitalCount = 0;
	char tmp;
	int n = strlen(a);
	int size = n;
	while(n>0)
	{
		if('A'<=a[n-1]&&a[n-1]<='Z')
		{
			++capitalCount;
			tmp = a[n-1];
			for(int i=n;i<=size-capitalCount;++i)
			{
				a[i-1] = a[i];
			}
			a[size-capitalCount] = tmp;
			--n;
		}
		else
			--n;
	}
	return a;
}
int main()
{
	char test[1001];
	char* result;
	memset(test,0,sizeof(test));
	while(cin>>test)
	{
		result = CapitalPostposition(test);
		cout<<result<<endl;
	}
	return 0;
}</span>


3.


第三题如上所示,我的解决思路是,首先对原始序列排序,然后扫描原始序列,获得原始序列每一个元素重复的次数构成的向量repeat_vector。根据判断该数组的最大值是否大于1来分两种情况处理。当最大值大于1时,说明原始序列中有重复的元素,差值最大的对数等于repeat_vector的首尾两个元素的积。差值最小的对数用公式n*(n-1)/2对repeat_vector累加即可获得。当最大值为1时,即原始序列没有重复的元素,差值最大的对数等于1。要获取差值最小对数,需进一步获得相邻两个元素差值构成的向量adjacent,差值最小对数等于adjacent中最小元素出现的次数。

以下是我在牛客网中提交的代码:

#include<iostream>
#include<vector>
#include<algorithm>
using namespace std;
vector<int> GetRepeat(vector<int>source_sorted)
{
	vector<int>::iterator p = source_sorted.begin();
	vector<int>::iterator q;
	vector<int> repeat;
	while (p != source_sorted.end())
	{
		int k = 0;
		q = p;
		while (*q == *p)
		{
			if (p == source_sorted.end() - 1)
			{
				++p;
				++k;
				break;
			}
			else
			{
				++p;
				++k;
			}
		}
		repeat.push_back(k);
	}
	return repeat;
}

int GetMinGapPairs_NoRepeat(vector<int>source)
{
	int MinGapPairs = 0;
	vector<int>adjacent;
	//扫描source获取相邻差值构成的vector
	vector<int>::iterator it_src = source.begin();
	for (; it_src != source.end()-1; ++it_src)
	{
		adjacent.push_back(*(it_src+1) - *it_src);
	}
	//相邻差值构成的vector中最小值出现的次数即最小差值的对数
	int minInGap = *min_element(adjacent.begin(), adjacent.end());
	vector<int>::iterator it_adj = adjacent.begin();
	for (; it_adj != adjacent.end(); ++it_adj)
	{
		if (*it_adj == minInGap)
			++MinGapPairs;
	}
	return MinGapPairs;
}

void PairsOfMinMaxGap(vector<int>source)
{
	vector<int> repeat_sorted;
	int maxGapPairs, minGapPairs;
	maxGapPairs = minGapPairs = 0;
	sort(source.begin(), source.end());
	repeat_sorted = GetRepeat(source);
	//判断有无差值为0的情况
	int maxInRepeat = *max_element(repeat_sorted.begin(), repeat_sorted.end());
	if (maxInRepeat > 1)//有差值为0的情况
	{
		maxGapPairs = repeat_sorted.front() * repeat_sorted.back();
		vector<int>::iterator it = repeat_sorted.begin();
		for (; it != repeat_sorted.end(); ++it)
		{
			minGapPairs += (*it) * (*it - 1) / 2;
		}
	}
	else
	{
		maxGapPairs = 1;
		minGapPairs = GetMinGapPairs_NoRepeat(source);
	}
	cout << minGapPairs << " " << maxGapPairs << endl;
}

int main()
{
	int n;
	while (cin >> n)
	{
		vector<int>source(n);
		for (int i = 0; i < n; ++i)
			cin >> source[i];
		PairsOfMinMaxGap(source);
	}
	return 0;
}


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
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