当前位置: 首页 > news >正文

【康复学习--LeetCode每日一题】3115. 质数的最大距离

题目:

给你一个整数数组 nums。
返回两个(不一定不同的)质数在 nums 中 下标 的 最大距离。

示例 1:
输入: nums = [4,2,9,5,3]
输出: 3
解释: nums[1]、nums[3] 和 nums[4] 是质数。因此答案是 |4 - 1| = 3。

示例 2:
输入: nums = [4,8,2,8]
输出: 0
解释: nums[2] 是质数。因为只有一个质数,所以答案是 |2 - 2| = 0。

提示:
1 <= nums.length <= 3 * 105
1 <= nums[i] <= 100
输入保证 nums 中至少有一个质数。

思路:

打表,将100以内的质数先穷举出来,然后用一个tmp记录第一个质数的下标,后面每遇到一个质数就去更新ans

代码:

class Solution {// 打表,将100以内的质数先穷举出来// 然后用一个tmp记录第一个质数的下标,后面每遇到一个质数就去更新anspublic int maximumPrimeDifference(int[] nums) {Set<Integer> primes = new HashSet<>(Arrays.asList(2, 3, 5, 7, 11,13, 17, 19, 23, 29,31, 37, 41, 43, 47,53, 59, 61, 67, 71,73, 79, 83, 89, 97));int n = nums.length;int tmp = -1, ans = 0;for (int i = 0; i < n; ++i) {if (primes.contains(nums[i])) {if (tmp != -1) {ans = Math.max(ans, i - tmp);} else {tmp = i;}}}return ans;}
}

相关文章:

【康复学习--LeetCode每日一题】3115. 质数的最大距离

题目&#xff1a; 给你一个整数数组 nums。 返回两个&#xff08;不一定不同的&#xff09;质数在 nums 中 下标 的 最大距离。 示例 1&#xff1a; 输入&#xff1a; nums [4,2,9,5,3] 输出&#xff1a; 3 解释&#xff1a; nums[1]、nums[3] 和 nums[4] 是质数。因此答案是…...

【yolov8系列】ubuntu上yolov8的开启训练的简单记录

前言 yolov8的广泛使用&#xff0c;拉取yolov8源码工程&#xff0c;然后配置环境后直接运行&#xff0c;初步验证自己数据的检测效果&#xff0c;在数据集准备OK的情况下 需要信手拈来&#xff0c;以保证开发过程的高效进行。 本篇博客更注意为了方便自己使用时参考。顺便也记录…...

Scala学习笔记15: 文件和正则表达式

目录 第十五章 文件和正则表达式1- 读取行2- 从URL或者其它源读取3- 写入文本文件4- 序列化5- 正则表达式6- 正则表达式验证输入数据格式end 第十五章 文件和正则表达式 1- 读取行 在Scala中读取文件中的行可以通过不同的方法实现 ; 一种常见的方法是使用 scala.io.Source 对…...

外卖员面试现状

说明&#xff1a; 以下身份角色用符号代替 # 面试官 $ 求职者 # 看了您的简历你有两年半的送外卖经验&#xff0c;可以简单说一下您平时是怎么送外卖的吗? $ 我首先在平台接单然后到店里取餐&#xff0c;取到餐后到顾客留下的地址&#xff0c;再通知顾客取餐 # 你们也用电动…...

异步加载与动态加载

异步加载和动态加载在概念上有相似之处&#xff0c;但并不完全等同。 异步加载&#xff08;Asynchronous Loading&#xff09;通常指的是不阻塞后续代码执行或页面渲染的数据或资源加载方式。在Web开发中&#xff0c;异步加载常用于从服务器获取数据&#xff0c;而不需要用户等…...

MUNIK解读ISO26262--什么是DFA

我们在学习功能安全过程中&#xff0c;经常会听到很多安全分析方法&#xff0c;有我们熟知的FMEA(Failure Modes Effects Analysis)和FTA(Fault Tree Analysis)还有功能安全产品设计中几乎绕不开的FMEDA(Failure Modes Effects and Diagnostic Analysis)&#xff0c;相比于它们…...

启动spring boot项目停止 提示80端口已经被占用

可能的情况: 检查并结束占用进程: 首先,你需要确定哪个进程正在使用80端口。在Windows上,可以通过命令行输入netstat -ano | findstr LISTENING | findstr :80来查看80端口的PID,然后在任务管理器中结束该进程。在...

SOLIDWORKS分期许可(订阅形式),降低前期的投入成本!

SOLIDWORKS 分期许可使您能够降低前期软件成本&#xff0c;同时提供对 SOLIDWORKS 新版本和升级程序的即时访问&#xff0c;以及在每个期限结束时调整产品的灵活性&#xff0c;帮助您跟上市场需求和竞争压力的步伐。 目 录&#xff1a; ★ 1 什么是SOLIDWORKS分期许可 ★ 2 …...

详细分析Spring Boot 数据源配置的基本知识(附配置)

目录 前言1. 基本知识2. 模版3. 实战经验前言 对于Java的基本知识推荐阅读: java框架 零基础从入门到精通的学习路线 附开源项目面经等(超全)【Java项目】实战CRUD的功能整理(持续更新)1. 基本知识 包括数据源的概念、连接池的作用、多数据源的实现与管理、Druid 连接池…...

海思SD3403/SS928V100开发(15)9轴IMU ICM-20948模块SPI接口调试

1.前言 芯片平台: 海思SD3403/SS928V100 操作系统平台: Ubuntu20.04.05【自己移植】 9轴IMU模块:ICM-20948 通讯接口: SPI 模块datasheet手册: https://download.csdn.net/download/jzwjzw19900922/89517096 2. 调试记录 2.1 pinmux配置 #spi0 bspmm 0x0102F01D8 …...

大力出奇迹:大语言模型的崛起与挑战

随着人工智能&#xff08;AI&#xff09;技术的迅猛发展&#xff0c;特别是在自然语言处理&#xff08;NLP&#xff09;领域&#xff0c;大语言模型&#xff08;LLM&#xff09;的出现与应用&#xff0c;彻底改变了我们与机器互动的方式。本文将探讨ChatGPT等大语言模型的定义、…...

【算法 - 哈希表】两数之和

这里写自定义目录标题 两数之和题目解析思路解法一 &#xff1a;暴力枚举 依次遍历解法二 &#xff1a;使用哈希表来做优化 核心逻辑为什么之前的暴力枚举策略不太好用了&#xff1f;所以&#xff0c;这就是 这道题选择 固定一个数&#xff0c;再与其前面的数逐一对比完后&…...

【深度学习】图形模型基础(5):线性回归模型第一部分:认识线性回归模型

1. 回归模型定义 最简单的回归模型是具有单一预测变量的线性模型&#xff0c;其基本形式如下&#xff1a; y a b x ϵ y a bx \epsilon yabxϵ 其中&#xff0c; a a a 和 b b b 被称为模型的系数或更一般地&#xff0c;模型的参数。 ϵ \epsilon ϵ 代表误差项&#…...

2024 年第十四届 APMCM 亚太地区大学生数学建模竞赛B题超详细解题思路+数据预处理问题一代码分享

B题 洪水灾害的数据分析与预测 亚太中文赛事本次报名队伍约3000队&#xff0c;竞赛规模体量大致相当于2024年认证杯&#xff0c;1/3个妈杯&#xff0c;1/10个国赛。赛题难度大致相当于0.6个国赛&#xff0c;0.8个妈杯。该比例仅供大家参考。 本次竞赛赛题难度A:B:C3:1:4&…...

Yarn有哪些功能特点

Yarn是一个由Facebook团队开发&#xff0c;并联合Google、Exponent和Tilde等公司推出的JavaScript包管理工具&#xff0c;旨在提供更优的包管理体验&#xff0c;解决npm&#xff08;Node Package Manager&#xff09;的一些痛点。Yarn的功能特点主要包括以下几个方面&#xff1…...

深度学习算法bert

bert 属于自监督学习的一种&#xff08;输入x的部分作为label&#xff09; 1. bert是 transformer 中的 encoder &#xff0c;不同的bert在encoder层数、注意力头数、隐藏单元数不同 2. 假设我们有一个模型 m &#xff0c;首先我们为某种任务使用大规模的语料库预训练模型 m …...

PyTorch - 神经网络基础

神经网络的主要原理包括一组基本元素&#xff0c;即人工神经元或感知器。它包括几个基本输入&#xff0c;例如 x1、x2… xn &#xff0c;如果总和大于激活电位&#xff0c;则会产生二进制输出。 样本神经元的示意图如下所述。 产生的输出可以被认为是具有激活电位或偏差的加权…...

docker-compose搭建minio对象存储服务器

docker-compose搭建minio对象存储服务器 最近想使用oss对象存储进行用户图片上传的管理&#xff0c;了解了一下例如aliyun或者腾讯云的oss对象存储服务&#xff0c;但是呢涉及到对象存储以及经费有限的缘故&#xff0c;决定自己手动搭建一个oss对象存储服务器&#xff1b; 首先…...

vue3使用pinia中的actions,需要调用接口的话

actions&#xff0c;需要调用接口的话&#xff0c;假如页面想要调用actions中的方法获取数据&#xff0c; 必须使用try catch async await 进行包裹&#xff0c;详情看下面代码 import {defineStore} from pinia import {reqCode,reqUserLogin} from ../../api/hospital/i…...

Python酷库之旅-第三方库Pandas(003)

目录 一、用法精讲 4、pandas.read_csv函数 4-1、语法 4-2、参数 4-3、功能 4-4、返回值 4-5、说明 4-6、用法 4-6-1、创建csv文件 4-6-2、代码示例 4-6-3、结果输出 二、推荐阅读 1、Python筑基之旅 2、Python函数之旅 3、Python算法之旅 4、Python魔法之旅 …...

课题框架设计:认知流形的拓扑缺陷与精神病理学映射(世毫九实验室原创课题)

课题框架设计&#xff1a;认知流形的拓扑缺陷与精神病理学映射&#xff08;世毫九实验室原创课题&#xff09; 作者&#xff1a;方见华 单位&#xff1a;世毫九实验室 摘要与核心观点 本课题基于世毫九实验室原创认知几何学框架及GLZ认知拓扑互补理论支撑&#xff0c;核心假设为…...

Video2X完整指南:用AI免费无损放大视频到4K的终极解决方案

Video2X完整指南&#xff1a;用AI免费无损放大视频到4K的终极解决方案 【免费下载链接】video2x A machine learning-based video super resolution and frame interpolation framework. Est. Hack the Valley II, 2018. 项目地址: https://gitcode.com/GitHub_Trending/vi/v…...

【实战指南】如何用LIWC-python进行心理语言分析:5步快速上手方案

【实战指南】如何用LIWC-python进行心理语言分析&#xff1a;5步快速上手方案 【免费下载链接】liwc-python Linguistic Inquiry and Word Count (LIWC) analyzer 项目地址: https://gitcode.com/gh_mirrors/li/liwc-python LIWC-python是一个强大的心理语言学分析工具&…...

Obsidian PDF导出终极指南:从零开始掌握Better Export PDF插件的完整教程

Obsidian PDF导出终极指南&#xff1a;从零开始掌握Better Export PDF插件的完整教程 【免费下载链接】obsidian-better-export-pdf Obsidian PDF export enhancement plugin 项目地址: https://gitcode.com/gh_mirrors/ob/obsidian-better-export-pdf 在知识管理领域&a…...

连续处理效应下的双重差分:从二元到连续的范式演进与DML应用

1. 连续处理效应下的双重差分&#xff1a;从二元到连续的范式演进双重差分&#xff08;Difference-in-Differences, DiD&#xff09;是评估政策或干预因果效应的基石方法。它的核心逻辑直观而有力&#xff1a;比较处理组和对照组在干预前后的结果变化&#xff0c;其差值就被认为…...

LLM在硬件验证中的应用与FLAG框架解析

1. 硬件验证中的LLM应用现状 在芯片设计领域&#xff0c;形式化验证是确保设计正确性的关键环节。传统上&#xff0c;工程师需要手动编写SystemVerilog断言(SVA)来描述信号间的时序关系&#xff0c;这个过程既耗时又容易出错。以AXI总线协议为例&#xff0c;一个完整验证套件可…...

软体机器人跳跃:离散弹性杆仿真与动态分岔原理详解

1. 软体机器人跳跃&#xff1a;从生物灵感走向工程现实如果你观察过一只蚂蚱的起跳&#xff0c;或者一只青蛙的弹射&#xff0c;那种瞬间爆发、姿态优雅的运动&#xff0c;背后是自然界亿万年来优化的高效能量转换机制。传统的刚性机器人&#xff0c;靠着电机、齿轮和连杆&…...

机器人跨模态感知:用视觉替代触觉实现非抓取操作

1. 项目概述&#xff1a;当机器人“看不见”接触时&#xff0c;如何让它“感觉”到&#xff1f;在机器人移动操作领域&#xff0c;尤其是非抓取操作&#xff08;比如推、拉、滑动物体&#xff09;&#xff0c;精确感知机器人与物体之间的接触状态至关重要。传统的解决方案依赖于…...

范畴论与拓扑斯理论:为深度神经网络构建形式化语义分析框架

1. 项目概述&#xff1a;当范畴论遇见深度神经网络如果你和我一样&#xff0c;既对深度神经网络&#xff08;DNN&#xff09;内部那看似“黑箱”的运作机制感到好奇&#xff0c;又对背后那套精妙的数学语言心向往之&#xff0c;那么“范畴论”和“拓扑斯理论”这两个词&#xf…...

C#调用Windows软键盘的系统级实现方案

1. 为什么在C#桌面应用里“调出软键盘”会变成一场系统级博弈在做Windows触控屏项目时&#xff0c;我遇到过最让人抓狂的场景之一&#xff1a;用户手指点到一个TextBox上&#xff0c;屏幕却一片寂静——没有软键盘弹出。不是代码没写&#xff0c;不是事件没绑&#xff0c;而是W…...