刷题

简介: 接下来先刷几道题


13. 罗马数字转整数

这道题,我刚开始一看,觉得挺简单,多种情况用switch语句分情况选择不就行了,直接上手代码,但是却忽略了题目中的话:

通常情况下,罗马数字中小的数字在大的数字的右边。但也存在特例,例如 4 不写做 IIII,而是 IV。数字 1 在数字 5 的左边,所表示的数等于大数 5 减小数 1 得到的数值 4 。同样地,数字 9 表示为 IX。这个特殊的规则只适用于以下六种情况:

  • I 可以放在 V (5) 和 X (10) 的左边,来表示 4 和 9。
  • X 可以放在 L (50) 和 C (100) 的左边,来表示 40 和 90。
  • C 可以放在 D (500) 和 M (1000) 的左边,来表示 400 和 900。

所以这三个点我们要单独分情况进行讨论

代码:

提交运行:

14. 最长公共前缀

题目的意思就是让你输出最长的公共前缀。

解题思路:我们拿示例1作为例子把:

{“flower”,

“flow”,

“flight”}

我们可以拿数组中的任何一组元素作为对比的标准,这里我就一第一组做为对比标准了,既strs[0],通过遍历的方法,让str[0]中的每一个元素与后面组别的元素逐个去比较,当出现不相等的时候,把此时str[0]中的元素置为’\0’,并且退出循环即可。下面,我们来看看代码实现的过程:

提交运行:

88. 合并两个有序数组

经典题目,思路也是比较清晰的,去比较两个数组中的元素的大小,我们可以动态开辟一个数组来存放数据,但是本题略微有所差异,注意题目要求:

合并nums2nums1 中,使合并后的数组同样按 非递减顺序 排列,所以如果开辟一个数组存放数据的话,最后要重新把数据复制到num1中,这步操作可以直接调用函数memcpy完成即可。

下面,一起来看看代码:

提交运行:

58. 最后一个单词的长度

解题思路:从后往前遍历遇到空格结束即可。用计数器记录长度即可。不过要注意到一个问题:看到示例2,可能存在最后位置的几个都是空格,所以我们遍历过程跳出循环的条件可不能只是遇到空格就退出啊,同时要满足计数器不能为0,否则输出结果会是0,这不是我们想要的结果。下面,代码演示:

169. 多数元素

多数元素是指在数组中出现次数 大于⌊ n/2 ⌋ 的元素。知道什么是多数元素之后,那就好办了,直接排序好数组,统计出现的次数是否大于n/2即可。

提交运行:

268. 丢失的数字

解题思路:异或

代码:

提交运行:



相关文章
|
14天前
|
存储 关系型数据库 分布式数据库
PostgreSQL 18 发布,快来 PolarDB 尝鲜!
PostgreSQL 18 发布,PolarDB for PostgreSQL 全面兼容。新版本支持异步I/O、UUIDv7、虚拟生成列、逻辑复制增强及OAuth认证,显著提升性能与安全。PolarDB-PG 18 支持存算分离架构,融合海量弹性存储与极致计算性能,搭配丰富插件生态,为企业提供高效、稳定、灵活的云数据库解决方案,助力企业数字化转型如虎添翼!
|
9天前
|
缓存 并行计算 PyTorch
144_推理时延优化:Profiling与瓶颈分析 - 使用PyTorch Profiler诊断推理延迟,优化矩阵运算的独特瓶颈
在2025年的大模型时代,推理时延优化已经成为部署LLM服务的关键挑战之一。随着模型规模的不断扩大(从数亿参数到数千亿甚至万亿参数),即使在最先进的硬件上,推理延迟也常常成为用户体验和系统吞吐量的主要瓶颈。
340 147
|
9天前
|
机器学习/深度学习 存储 缓存
92_自我反思提示:输出迭代优化
在大型语言模型(LLM)应用日益普及的今天,如何持续提升模型输出质量成为了业界关注的核心问题。传统的提示工程方法往往依赖一次性输入输出,难以应对复杂任务中的多轮优化需求。2025年,自我反思提示技术(Self-Reflection Prompting)作为提示工程的前沿方向,正在改变我们与LLM交互的方式。这项技术通过模拟人类的自我反思认知过程,让模型能够对自身输出进行评估、反馈和优化,从而实现输出质量的持续提升。
392 136
|
3天前
|
人工智能 移动开发 自然语言处理
阿里云百炼产品月刊【2025年9月】
本月通义千问模型大升级,新增多模态、语音、视频生成等高性能模型,支持图文理解、端到端视频生成。官网改版上线全新体验中心,推出高代码应用与智能体多模态知识融合,RAG能力增强,助力企业高效部署AI应用。
220 1
|
13天前
|
存储 人工智能 搜索推荐
终身学习型智能体
当前人工智能前沿研究的一个重要方向:构建能够自主学习、调用工具、积累经验的小型智能体(Agent)。 我们可以称这种系统为“终身学习型智能体”或“自适应认知代理”。它的设计理念就是: 不靠庞大的内置知识取胜,而是依靠高效的推理能力 + 动态获取知识的能力 + 经验积累机制。
399 135
|
13天前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
本文讲解 Prompt 基本概念与 10 个优化技巧,结合学术分析 AI 应用的需求分析、设计方案,介绍 Spring AI 中 ChatClient 及 Advisors 的使用。
515 132
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
|
13天前
|
人工智能 Java API
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)
本文介绍AI大模型的核心概念、分类及开发者学习路径,重点讲解如何选择与接入大模型。项目基于Spring Boot,使用阿里云灵积模型(Qwen-Plus),对比SDK、HTTP、Spring AI和LangChain4j四种接入方式,助力开发者高效构建AI应用。
522 122
AI 超级智能体全栈项目阶段一:AI大模型概述、选型、项目初始化以及基于阿里云灵积模型 Qwen-Plus实现模型接入四种方式(SDK/HTTP/SpringAI/langchain4j)