博客
关于我
A + B Problem II HDU - 1002(简单string)
阅读量:173 次
发布时间:2019-02-28

本文共 1060 字,大约阅读时间需要 3 分钟。

#include 
#include
#include
using namespace std;string sum(string a, string b) { if (a.length() < b.length()) { string tmp = a; a = b; b = tmp; } string ans = ""; int carry = 0; for (int i = a.length() - b.length() - 1; i >= 0; i--) { int digitSum = a[i] - '0' + b[i] - '0' + carry; carry = digitSum / 10; ans = "0" + ans + (char)(digitSum % 10 + '0'); } if (carry) { ans = "1" + ans; } reverse(ans.begin(), ans.end()); return ans;}int main() { string str1, str2, ans; int n; cin >> n; for (int i = 1; i <= n; i++) { cin >> str1 >> str2; cout << "Case " << i << ":" << endl; cout << str1 << " + " << str2 << " = " << sum(str1, str2) << endl; if (i != n) { cout << endl; } } return 0;}

以上代码实现了两个字符串的加法,主要采用了仿射转换和进位处理的算法。代码中首先比较两个字符串的长度,确保a是较长的字符串,然后通过反向遍历逐位相加并处理进位。最后将结果反转得到最终的和。

这个实现的关键点在于:

  • 逐位相加并处理进位
  • 仿射转换确保两个字符串对齐
  • 最后反转结果以得到正确的顺序
  • 整体思路清晰,代码结构简洁易懂,适合学习字符串处理算法的入门级练习。

    转载地址:http://cdrn.baihongyu.com/

    你可能感兴趣的文章
    opencv9-膨胀和腐蚀
    查看>>
    OpenCV_ cv2.imshow()
    查看>>
    opencv——图像缩放1(resize)
    查看>>
    Opencv——模块介绍
    查看>>
    OpenCV与AI深度学习 | 2024年AI初学者需要掌握的热门技能有哪些?
    查看>>
    OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍
    查看>>
    OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
    查看>>
    OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
    查看>>
    OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
    查看>>
    OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
    查看>>
    OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
    查看>>