2025华为OD机试双机位C卷 - 华为OD上机考试双机位C卷 100分题型华为OD机试双机位C卷真题目录点击查看: 华为OD机试双机位C卷真题题库目录｜机考题库 + 算法考点详解
游乐园有一款互动游戏，游戏开始时会提供n个宝石，每个宝石都一个属性值a1,a2,…an.玩家在游戏前可以挑选x颗宝石，将这些宝石的属性值相乘组成玩家的属性值。游戏玩家需要y点属性值，请帮助游戏玩家计算有多少种计算方式。
第一行：三个整数n,x,y
第二行：n个整数，a1,a2,…an(-100 < ai < 100)，表示每个宝石的属性值。
输出一个整数，表示玩家可以通过游戏的挑选方式的数量。
一 核心概念与适用场景 * IVFFlat（Inverted File with Flat） * 基于K‑means 聚类将向量空间划分为多个簇（列表/桶），为每个簇维护倒排列表；查询时先找最近的若干簇，再在簇内做暴力精确距离计算（Flat 表示不压缩）。适合对召回精度较高、内存较充足、数据相对静态的场景。其优点是索引结构简单、可解释，缺点是需要训练、对数据分布变化敏感、频繁更新后可能需要重建索引。典型应用包括高精图像对比、需要可控召回的业务。 * HNSW（Hierarchical Navigable Small World） * 基于多层小世界图的近似最近邻搜索：顶层稀疏用于快速导航，底层稠密用于精检；查询从顶层入口点逐层下降，在底层通过贪婪/受限搜索找 Top‑K。优点是高召回、低延迟、对高维向量和大规模数据更稳健；缺点是构建更慢、内存占用更高（需存储图连接）。常用于RAG、语义搜索、推荐系统等对召回与时延都敏感的场景。 二
📝前言说明： * 本专栏主要记录本人的贪心算法学习以及LeetCode刷题记录，按专题划分 * 每题主要记录：（1）本人解法 + 本人屎山代码；（2）优质解法 + 优质代码；（3）精益求精，更好的解法和独特的思想（如果有的话）；（4）贪心策略正确性的 “证明” * 文章中的理解仅为个人理解。如有错误，感谢纠错 🎬个人简介：努力学习ing 📋本专栏：C++刷题专栏 📋其他专栏：C语言入门基础，python入门基础，C++学习笔记，Linux 🎀ZEEKLOG主页 愚润泽 你可以点击下方链接，进行其他贪心算法题目的学习 点击链接开始学习贪心day1贪心day2贪心day3贪心day4贪心day5贪心day6贪心day7贪心day8贪心day9贪心day10 也可以点击下面连接，学习其他算法 点击链接开始学习优选专题动态规划递归、搜索与回溯贪心算法 题单获取→ 【贪心算法】题单汇总 题目 * 55. 跳跃游戏 * 个人解 * 134. 加油站 * 优质解
【保姆级】TrendRadar本地部署：告别算法推荐，打造个人专属AI热点情报局 摘要 本文基于 TrendRadar 项目，详细拆解如何通过 Docker 本地部署一套个人专属的 AI 热点情报系统。涵盖从环境准备、Docker 镜像拉取、局域网访问配置、飞书推送修复到 Cherry Studio MCP 服务对接的全流程。通过 Nvidia 免费模型 API，实现零成本的深度热点分析与趋势追踪。 关键词： TrendRadar, Docker部署, AI热点分析, MCP服务, Cherry Studio 1. 背景与需求：为什么我们需要 TrendRadar？ 在这个大数据算法横行的时代，我们每天被头条、抖音等平台“投喂”大量信息，不仅容易陷入信息茧房，还浪费了大量时间筛选有效资讯。 我的核心需求很简单： 1. 拒绝算法绑架：需要一个个人定制化的新闻推送服务。 2.
今年STC单片机首次增设摄像头组别，相信不少备战的同学想要知道这颗新U是否能够快速上手并能够像传统摄像头组别一样，高效完成图像处理，提高车模控制系统上限。 其中最突出的痛点的是：有同学搭建完核心算法组合后，可能感觉到略微卡顿或系统延迟，影响车模调试上限，我们第一次搭建完经过测试单帧处理耗时高达20多ms，这导致车辆运行稳定性和反应速度受限、甚至可能有冲出赛道的情况发生，导致调试陷入瓶颈，提速困难，短时间内难以找到有效突破方向。 针对这一高频痛点，我们结合备战同学的实际调试场景，经过反复测试、迭代优化，整理出一套实用性极强的帧率优化思路，实测验证有效，优化后单帧处理耗时可稳定降至9-11ms，彻底解决卡顿难题，这里将图像处理和以西优化思路分享给大家，希望能够帮助到更多的同学！ 实测数据对比，直观呈现优化效果 图像处理方案单帧采集+处理耗时未优化（采集+处理）20ms-25ms（能感觉到慢，上限较低）优化后（采集+处理）9ms-11ms（流畅稳定，提高了上限） 同学们遇到的卡顿问题，核心症结主要集中在两点：一是内存资源不足，二是算法计算耗时过长。在拆解具体优化方法前，我