技术改变生活——QQ等级计算工具

简介:

  最近老有人问我升到皇冠需要多少时间,我就回“你查下皇冠的活跃天数,减去你当前天数不就行了”,但是后来我发现,除了大家熟知的QQ会员能加速外,还有超级QQ、QQ拼音、QQ电脑管家和腾讯微博,都能进行加速,而且根据不同规则,加速天数也各不相同。本想网上找找看有没有现成的相关软件,结果只发现1个,而且版本特别老,是08年的产物,功能上完全不能达到现在的需求,于是,我就自己做了个。

  因为不是搞设计的,界面上就这样了,自我感觉还不错,简洁即美嘛。

  其实做这个并不难,只要把思路理清就行,需求在腾讯各个增值业务的相关页面都能找到,下面我就稍微点一下:

  1、会员:会员一共6级,一级增加0.1天,二级增加0.2天,以此类推。另外,如果是包年会员(年费),在此基础上,再增加0.2天。

  2、超级QQ:一共7级,一级增加0.1天,二级增加0.2天,以此类推。同样,年费另外再增加0.2天。需注意,超级QQ和会员不能累加,如果两者并存的时候,取最大值。

  3、QQ输入法:加0.1天

  4、QQ电脑管家:加1天

  5、腾讯微博:微博等级大于等于4级,加0.2天,反之加0.1天

  6、等级换算天数公式(N=等级,D=所需天数):D=N2+4×N

  需求明确了,代码编写起来就很快了。

  demo演示页:http://jsfiddle.net/ABxx3/8/

  为了方便,我还制作了chm格式的文档,大家就当作软件存放吧,毕竟我只是个前端er,.exe什么的对我来说太深奥了。

点击下载





   本文转自胡尐睿丶博客园博客,原文链接:http://www.cnblogs.com/hooray/archive/2011/10/28/2227185.html,如需转载请自行联系原作者


相关文章
|
6月前
|
存储 前端开发 JavaScript
Go语言实战案例-项目实战篇:编写一个轻量级在线聊天室
本文介绍如何用Go语言从零实现一个轻量级在线聊天室,基于WebSocket实现实时通信,支持多人消息广播。涵盖前后端开发、技术选型与功能扩展,助你掌握Go高并发与实时通信核心技术。
762 158
|
10月前
|
数据采集 人工智能 Ubuntu
MyEMS开源能源管理系统开发工具
MyEMS 是一款基于 ISO 50001 标准的开源能源管理系统,支持建筑、工厂等场景的电、水、气等能源数据采集与分析,提供光伏、储能、微电网、AI 优化等功能。系统采用开源工具开发,包括 PyCharm、VS Code、Docker、Ubuntu 等,并搭配 MySQL 数据库及 DBeaver 客户端,助力企业实现低碳发展。社区版完全免费,适合开发者学习和部署。下载地址:[https://gitee.com/myems/myems](./https://gitee.com/myems/myems)。
471 32
|
机器学习/深度学习 人工智能 文字识别
POINTS 1.5:腾讯微信开源的多模态大模型,超越了业界其他的开源视觉语言模型,具备强大的视觉和语言处理能力
POINTS 1.5是腾讯微信推出的多模态大模型,基于LLaVA架构,具备强大的视觉和语言处理能力。它在复杂场景的OCR、推理能力、关键信息提取等方面表现出色,是全球10B以下开源模型中的佼佼者。
806 58
POINTS 1.5:腾讯微信开源的多模态大模型,超越了业界其他的开源视觉语言模型,具备强大的视觉和语言处理能力
|
SQL Python
Pycharm优化
Pycharm优化
|
缓存 负载均衡 网络协议
|
机器人
给 Mac 添加右键菜单「使用 VSCode 打开」
如何在 Mac 下右键文件或文件夹,直接通过菜单项「用 VSCode 打开」。
1138 2
|
Linux 网络安全 虚拟化
适用于Linux的Windows子系统(WSL1)的安装与使用记录
并放到启动文件夹,就可以开机自动启动了。
2000 0
|
存储 网络协议 Ubuntu
Linux环境下SVN服务器的搭建与公网访问:使用cpolar端口映射的实现方法
由于文档资料越来越多,将所有资料都存放在自己的电脑上容易混淆,并且也不利于分享。这种情况下,考虑将资料上传SVN统一管理,这样一来其他人也能很方便的查略各种资料。
|
机器学习/深度学习 算法 数据挖掘
基于PSO优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
摘要: 本文介绍了运用粒子群优化(PSO)调整深度学习模型超参数以提升时间序列预测性能的方法。在比较了优化前后的效果(Ttttttttttt12 vs Ttttttttttt34)后,阐述了使用matlab2022a软件的算法。文章详细讨论了CNN、GRU网络和注意力机制在时间序列预测中的作用,以及PSO如何优化这些模型的超参数。核心程序展示了PSO的迭代过程,通过限制和调整粒子的位置(x1)和速度(v1),寻找最佳解决方案(gbest1)。最终,结果保存在R2.mat文件中。
基于PSO优化的CNN-GRU-Attention的时间序列回归预测matlab仿真