GESP2025年12月认证C++八级真题与解析(判断题1-3)


🧠 判断题第 1 题

1、题目原文

若一项任务可用两种互斥方案完成:
方案 A 有a 种做法,方案 B 有b 种做法,
则总做法数为a + b

✅ 判断结果:正确(√)


2、📖 故事讲解:

(1)🏫 小明上学的两条路

小明每天早上要去学校,他只能选择一条路去学校(不能同时走两条)。

  • 🛣️A 路(公园路)
    3 种不同的走法
    (比如:走左边小道 / 中间大路 / 右边小道)

  • 🛣️B 路(商店街)
    2 种不同的走法
    (比如:走甜品店前 / 走文具店前)


(2)❓ 问题

请问:
👉小明一共有多少种不同的上学走法?


(3)🧠 我们一步一步想

第一步:看清楚“只能选一个” ⚠️

题目说得很清楚:

只能走一条路

也就是说:

  • 走 A 路 → ❌ 不能走 B 路

  • 走 B 路 → ❌ 不能走 A 路

这就叫做:

🌟互斥


第二步:分别数一数

  • 如果走A 路
    👉 有3 种走法

  • 如果走B 路
    👉 有2 种走法


第三步:合在一起数(加法原理)

因为:

  • 要么选 A

  • 要么选 B

  • 不能同时选

所以我们只需要把“所有可能”加起来:

3 + 2 = 5

(4)✅ 正确答案

👉一共有 5 种不同的上学走法


3、🎨 图像化理解

你可以画成这样:

上学方式 ├── A 路 │ ├── A1 │ ├── A2 │ └── A3 └── B 路 ├── B1 └── B2

👉 把所有叶子数一数:5 个


4、🧠 把原理说成一句“魔法口诀”

🎯“互斥”选一个,只能用加法
🎯如果能同时选,就要用乘法


5、🧩 再给一个“超短判断题”

(1)判断题

小红买冰淇淋:

  • 🍦 蛋筒来装,有 4 种口味

  • 🍧 玻璃杯来装,有 3 种口味

  • 她只能买一种(蛋筒或玻璃杯装)

问:一共有多少种买法?

(2)“互斥”选一个,只能用加法

👉4 + 3 = 7 种


6、🏁 记忆口诀

看情况用什么
只能选一个方案✅ 加法
可以同时选多个❌ 不是加法


🧠 判断题第 2 题

1、题目原文

在 C++ 语言中,引用一旦被初始化,就不能再改为引用另一个变量。

✅ 判断结果:正确(√)


2、📖 故事讲解:

(1)🧍‍♂️ 名字 和“外号”的故事

int a = 10; int &b = a;

现在发生了什么?

  • a是一个小朋友名字

  • b是 名字为a 小朋友的外号

  • 👉 他们是同一个人


(2)🔍 接下来发生什么?

b = 20;

等价于:

a = 20;

✔️ 因为b 就是 a


(3)❌ 那能不能这样?

int c = 30; b = c; // ❌ 不是改引用对象!

⚠️ 这一步不是b改成引用c

而是:

把 c 的值赋给 a

(4)🚫 为什么不能“改引用对象”?

因为:

📌引用 = 一次认主,终身不换

  • 引用必须初始化

  • 初始化之后
    👉不能再指向别人


(5)🧠 和指针的区别

特点引用指针
能不能改指向❌ 不行✅ 可以
用起来简单稍复杂

3🧠 记忆口诀

引用一认主,永远不换人



🧠 判断题第 3 题

1、题目原文

快速排序和归并排序的平均时间复杂度都是O(n log n)
快速排序是不稳定的归并排序是稳定的排序算法

✅ 判断结果:正确(√)


2、我们从不同层次讲一讲 👇


(1)第一层:什么是排序?

📦 故事:整理奖品盒

有一排盒子:

🎁5 🎁3 🎁8 🎁3

排序后(从小到大):

🎁3 🎁3 🎁5 🎁8

(2)第二层:什么是“稳定”?

🧸 带编号的小熊

假设我们有:

(3号红熊) (5号蓝熊) (3号绿熊)

排序时只按数字大小


✅ 稳定排序(归并排序)

排序后:

(3号红熊) (3号绿熊) (5号蓝熊)

👉两个 3 的相对顺序没变


❌ 不稳定排序(快速排序)

可能变成:

(3号绿熊) (3号红熊) (5号蓝熊)

👉 数字对了
👉 但“谁在前谁在后”变了


(3)第三层:算法角度讲解(展开)

🌀 快速排序(Quick Sort)

  • 思想:
    👉 选一个“老大”(pivot)
    👉 小的站左边,大的站右边

  • 特点:

    • 🚀 很快

    • 😅 会交换元素

    • ❌ 可能打乱相同元素顺序

📌 所以:不稳定


🧩 归并排序(Merge Sort)

  • 思想:
    👉 不断分成两半
    👉 排好再“合并”

  • 合并时:

    • 如果两个数一样

    • 👉先拿左边的

📌 所以:稳定


(4)第四层:时间复杂度 O(n log n)

📈 为什么都是 O(n log n)?

  • 每次都在“对半分” → log n 层

  • 每一层都要处理 n 个元素

👉n × log n


3、🧠 记忆口诀

快排虽快,但爱换位
归并很稳,特守规矩


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/1130727.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

JAVA百万文件分块上传性能优化策略

大文件上传系统开发指南(基于原生JSSpringBoot) 项目概述 大家好,我是一个在浙江奋斗的Java程序员,最近接了个"刺激"的外包项目 - 开发一个支持20G大文件上传下载的系统,还要兼容IE9这种上古浏览器。客户要…

图像文字识别与比对系统设计与实现

图像文字识别与比对系统设计与实现 1. 系统总体设计 1.1 系统架构 本系统采用C/S架构,前端使用WPF框架,后端检测功能使用C#实现。系统模块主要包括: 用户界面模块:WPF前端界面 图像采集模块:海康相机控制与触发 图像处理模块:OpenCV图像预处理 文字识别模块:基于OCR技…

企业多场景应用:客服、文档、邮件自动翻译系统搭建指南

企业多场景应用:客服、文档、邮件自动翻译系统搭建指南 在跨国协作日益频繁的今天,语言障碍成为企业运营中不可忽视的挑战。无论是客户服务响应、内部文档流转,还是跨区域邮件沟通,高效、准确的中英翻译能力已成为企业数字化基础设…

教育科技融合案例:在线课程字幕实时翻译实现路径

教育科技融合案例:在线课程字幕实时翻译实现路径 📌 引言:AI 赋能教育,打破语言壁垒 在全球化加速的今天,优质教育资源的跨语言传播成为教育科技发展的重要方向。大量高质量的中文在线课程因缺乏多语言支持&#xff0c…

自动化部署:用Docker封装M2FP服务

自动化部署:用Docker封装M2FP服务 🧩 M2FP 多人人体解析服务(WebUI API) 项目背景与技术痛点 在计算机视觉领域,人体解析(Human Parsing)是语义分割的一个重要子任务,目标是对图像中…

避开CUDA地狱:MGeo地址匹配模型的最佳实践

避开CUDA地狱:MGeo地址匹配模型的最佳实践 作为一名长期被CUDA版本和依赖冲突折磨的开发者,我深知在本地搭建MGeo地址匹配模型环境有多痛苦。本文将分享如何通过预置镜像快速部署MGeo模型,完全避开环境配置的坑,让你专注于地址匹…

告别环境配置噩梦:一键部署阿里通义Z-Image-Turbo的终极指南

告别环境配置噩梦:一键部署阿里通义Z-Image-Turbo的终极指南 作为独立开发者,你是否也遇到过这样的困境:想为电商平台添加AI生成商品图功能,却被各种依赖冲突和显存限制搞得焦头烂额?阿里通义Z-Image-Turbo正是为解决这…

GESP2025年12月认证C++八级真题与解析(判断题4-7)

🧠 判断题第 4 题1、📌 题目原文使用 math.h 或 cmath 头文件中的函数,表达式 sqrt(4) 的结果类型为 double。✅ 判断结果:正确(√)2、📖 故事讲解:(1)&#…

M2FP模型多任务学习:结合姿态估计的改进

M2FP模型多任务学习:结合姿态估计的改进 📌 引言:从人体解析到多任务协同的演进 在计算机视觉领域,多人人体解析(Human Parsing) 是一项极具挑战性的任务,其目标是对图像中每个个体的身体部位进…

Z-Image-Turbo模型压缩技术解析:快速复现实验环境

Z-Image-Turbo模型压缩技术解析:快速复现实验环境 为什么需要预配置的研究环境 作为一名研究生,想要复现Z-Image-Turbo论文中的实验结果,最大的挑战往往不是理解算法本身,而是搭建一个能够运行实验的环境。Z-Image-Turbo作为阿里巴…

阿里通义Z-Image-Turbo WebUI与个性化推荐:如何生成符合用户偏好的图像

阿里通义Z-Image-Turbo WebUI与个性化推荐:如何生成符合用户偏好的图像 在电商领域,个性化产品展示图能显著提升用户转化率。阿里通义Z-Image-Turbo WebUI 是一款基于AI的图像生成工具,可帮助电商平台根据用户偏好快速生成定制化的产品展示图…

如何评估翻译质量?BLEU之外的人工评测标准

如何评估翻译质量?BLEU之外的人工评测标准 📌 引言:AI 智能中英翻译服务的兴起与挑战 随着全球化进程加速,跨语言沟通需求激增,AI 驱动的智能翻译服务正成为企业、开发者乃至个人用户的刚需工具。当前市场上的中英翻…

如何扩展M2FP模型支持更多身体部位识别?

如何扩展M2FP模型支持更多身体部位识别? 🧩 M2FP 多人人体解析服务:从基础到进阶 在当前计算机视觉领域,人体解析(Human Parsing) 正成为智能交互、虚拟试衣、动作分析等应用的核心技术。其中,M…

机械臂视觉抓取系统:从仿真到部署的完整实现

机械臂视觉抓取系统:从仿真到部署的完整实现 摘要 本文详细阐述了一个完整的机械臂视觉抓取系统的设计与实现,涵盖从仿真环境搭建到实物部署的全过程。系统基于ROS(Robot Operating System)框架,整合了Intel RealSense D435i深度相机、六自由度机械臂、DH夹爪以及自主开…

金融报告翻译实战:数字与单位的精确转换策略

金融报告翻译实战:数字与单位的精确转换策略 在金融、投资和跨国企业沟通中,高质量的中英翻译服务是确保信息准确传递的关键。尤其在处理财务报表、年度报告、市场分析等专业文档时,不仅要求语言通顺自然,更对数字表达、计量单位、…

灾备恢复计划:镜像备份与快速重建流程

灾备恢复计划:镜像备份与快速重建流程 🌐 AI 智能中英翻译服务 (WebUI API) 在现代软件开发与AI服务部署中,系统的高可用性与快速灾备恢复能力已成为衡量服务稳定性的关键指标。本文以“AI 智能中英翻译服务”为实际案例,深入探讨…

M2FP模型边缘计算部署:树莓派实战案例

M2FP模型边缘计算部署:树莓派实战案例 🌐 项目背景与技术选型动因 随着智能安防、体感交互和虚拟试衣等应用的兴起,多人人体解析(Multi-person Human Parsing)作为细粒度语义分割的重要分支,正逐步从云端走…

如何用M2FP优化安防系统中的人体检测?

如何用M2FP优化安防系统中的人体检测? 🧩 M2FP 多人人体解析服务:重新定义精细化人体理解 在现代智能安防系统中,传统的人体检测技术(如YOLO、SSD等)虽然能够快速定位画面中是否有人,但其输出…

M2FP模型在时尚行业的7个创新应用场景

M2FP模型在时尚行业的7个创新应用场景 🌐 技术背景与行业痛点 随着个性化消费和数字化体验的兴起,时尚行业正加速向智能化转型。传统服装设计、虚拟试穿、搭配推荐等环节高度依赖人工经验,效率低、成本高,且难以满足用户对“千人…

基于M2FP的智能广告系统:精准人群画像生成

基于M2FP的智能广告系统:精准人群画像生成 在数字广告日益追求“千人千面”的今天,用户画像的粒度决定了广告投放的精度。传统基于行为数据和基础属性的人群标签已难以满足精细化运营需求。而视觉信息——尤其是用户在真实场景中的穿着、姿态与外貌特征…