【TWVRP】遗传算法求解带时间窗的车辆路径规划问题 【含Matlab源码 3276期】

车辆路径问题(Vehicle Routing Problem,VRP)【典型路径问题】 VRP作为车辆路径问题中的一大经典题型,在这里进行简单的介绍,以及调用Gurobi所需要的约束条件做一下简单的整理。 阅读详情

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
在这里插入图片描述
🔊博主简介:985研究生,Matlab领域科研开发者;

🚅座右铭:行百里者,半于九十。

🏆代码获取方式:
优快云 Matlab武动乾坤—代码获取方式

更多Matlab路径规划仿真内容点击👇
①Matlab路径规划(进阶版)

⛳️关注优快云 Matlab武动乾坤,更多资源等你来!!

⛄一、VRP简介

1 VRP基本原理
车辆路径规划问题(Vehicle Routing Problem,VRP)是运筹学里重要的研究问题之一。VRP关注有一个供货商与K个销售点的路径规划的情况,可以简述为:对一系列发货点和收货点,组织调用一定的车辆,安排适当的行车路线,使车辆有序地通过它们,在满足指定的约束条件下(例如:货物的需求量与发货量,交发货时间,车辆容量限制,行驶里程限制,行驶时间限制等),力争实现一定的目标(如车辆空驶总里程最短,运输总费用最低,车辆按一定时间到达,使用的车辆数最小等)。
VRP的图例如下所示:
在这里插入图片描述
2 问题属性与常见问题
车辆路径问题的特性比较复杂,总的来说包含四个方面的属性:
(1)地址特性包括:车场数目、需求类型、作业要求。
(2)车辆特性包括:车辆数量、载重量约束、可运载品种约束、运行路线约束、工作时间约束。
(3)问题的其他特性。
(4)目标函数可能是总成本极小化,或者极小化最大作业成本,或者最大化准时作业。

3 常见问题有以下几类:
(1)旅行商问题
(2)带容量约束的车辆路线问题(CVRP)
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
该模型很难拓展到VRP的其他场景,并且不知道具体车辆的执行路径,因此对其模型继续改进。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
(3)带时间窗的车辆路线问题
由于VRP问题的持续发展,考虑需求点对于车辆到达的时间有所要求之下,在车辆途程问题之中加入时窗的限制,便成为带时间窗车辆路径问题(VRP with Time Windows, VRPTW)。带时间窗车辆路径问题(VRPTW)是在VRP上加上了客户的被访问的时间窗约束。在VRPTW问题中,除了行驶成本之外, 成本函数还要包括由于早到某个客户而引起的等待时间和客户需要的服务时间。在VRPTW中,车辆除了要满足VRP问题的限制之外,还必须要满足需求点的时窗限制,而需求点的时窗限制可以分为两种,一种是硬时窗(Hard Time Window),硬时窗要求车辆必须要在时窗内到达,早到必须等待,而迟到则拒收;另一种是软时窗(Soft Time Window),不一定要在时窗内到达,但是在时窗之外到达必须要处罚,以处罚替代等待与拒收是软时窗与硬时窗最大的不同。
在这里插入图片描述
在这里插入图片描述
模型2(参考2017 A generalized formulation for vehicle routing problems):
该模型为2维决策变量
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
(4)收集和分发问题
(5)多车场车辆路线问题
参考(2005 lim,多车场车辆路径问题的遗传算法_邹彤, 1996 renaud)
在这里插入图片描述
由于车辆是同质的,这里的建模在变量中没有加入车辆的维度。
在这里插入图片描述
在这里插入图片描述
(6)优先约束车辆路线问题
(7)相容性约束车辆路线问题
(8)随机需求车辆路线问题

4 解决方案
(1)数学解析法
(2)人机交互法
(3)先分组再排路线法
(4)先排路线再分组法
(5)节省或插入法
(6)改善或交换法
(7)数学规划近似法
(8)启发式算法

5 VRP与VRPTW对比
在这里插入图片描述

⛄二、遗传算法简介

1 遗传算法
遗传算法是一种基于生物进化论模型的优化算法,通过模拟生物进化的过程,通过复制、交叉、突变等操作产生下一代的解,并逐步淘汰掉适应度函数值低的解,增加适应度函数值高的解。遗传算法可以用于解决各种优化问题,如函数优化、组合优化、机器学习等。在遗传算法中,个体的适应度函数值越高,就越有可能被选择为下一代的父代,从而进化出更优秀的解。遗传算法的优点是可以在大规模搜索空间中找到全局最优解,但是也存在一些缺点,如收敛速度慢、参数设置困难等。

2 遗传算法步骤
遗传算法是一种模拟自然进化过程的优化算法,其步骤如下:
(1)初始化种群:随机生成一定数量的个体,每个个体都是由若干个基因组成的染色体。
(2)评估适应度:对于每个个体,通过一个适应度函数来评估其适应度,即该个体在解决问题中的表现好坏。
(3)选择操作:根据适应度函数的值,选择一部分个体作为父代,用于产生下一代个体。
(4)交叉操作:对于选出的父代个体,进行交叉操作,生成新的个体。
(5)变异操作:对于新生成的个体,进行变异操作,引入新的基因,增加种群的多样性。
(6)重复步骤2-5,直到达到预设的终止条件(如达到最大迭代次数或找到满足要求的解)。

3 遗传算法求解带容量和体积的车辆路径规划问题
遗传算法是一种基于生物进化原理的优化算法,可以用于求解带容量和体积的车辆路径规划问题。具体实现过程如下:
(1)定义染色体编码方式,将车辆路径规划问题转化为染色体的编码问题。
(2)初始化种群,随机生成一定数量的染色体。
(3)评估适应度,根据染色体编码计算每个染色体的适应度。
(4)选择操作,根据适应度选择一定数量的染色体作为下一代的父代。
(5)交叉操作,对父代染色体进行交叉操作,生成新的染色体。
(6)变异操作,对新生成的染色体进行变异操作,增加种群的多样性。
(7)评估适应度,计算新生成的染色体的适应度。
(8)选择操作,根据适应度选择一定数量的染色体作为下一代的种群。
(9)重复步骤4-8,直到满足停止条件。
在带容量和体积的车辆路径规划问题中,染色体编码可以采用基因串编码,其中每个基因表示一个客户点,基因串表示车辆的路径。同时,需要引入容量和体积约束条件,确保每个车辆的容量和体积不超过限制。在评估适应度时,可以考虑车辆的行驶距离和满足约束条件的程度。

⛄三、部分源代码

clear
clc
close all
tic
%% 用importdata这个函数来读取文件
c101=importdata(‘1.txt’);
cap=200; %车辆最大装载量
%% 提取数据信息
E=c101(1,5); %配送中心时间窗开始时间
L=c101(1,6); %配送中心时间窗结束时间
vertexs=c101(:,2:3); %所有点的坐标x和y
customer=vertexs(2:end,:); %顾客坐标
cusnum=size(customer,1); %顾客数
v_num=10; %车辆最多使用数目
demands=c101(2:end,4); %需求量
a=c101(2:end,5); %顾客时间窗开始时间[a[i],b[i]]
b=c101(2:end,6); %顾客时间窗结束时间[a[i],b[i]]
s=c101(2:end,7); %客户点的服务时间
h=pdist(vertexs);
dist=squareform(h); %距离矩阵,满足三角关系,暂用距离表示花费c[i][j]=dist[i][j]
%% 遗传算法参数设置
alpha=0.5; %违反的容量约束的惩罚函数系数
belta=0.5; %违反时间窗约束的惩罚函数系数
NIND=50; %种群大小
MAXGEN=50; %迭代次数
Pc=0.9; %交叉概率
Pm=0.05; %变异概率
GGAP=0.9; %代沟(Generation gap)
N=cusnum+v_num-1; %染色体长度=顾客数目+车辆最多使用数目-1
%% 初始化种群
rand(‘seed’,5);
init_vc=init(cusnum,a,demands,cap); %构造初始解
Chrom=InitPopCW(NIND,N,cusnum,init_vc);
%% 输出随机解的路线和总距离
disp(‘初始种群中的一个随机值:’)
[VC,NV,TD,violate_num,violate_cus]=decode(Chrom(1,:),cusnum,cap,demands,a,b,L,s,dist);
% disp([‘总距离:’,num2str(TD)]);
disp([‘车辆使用数目:’,num2str(NV),‘,车辆行驶总距离:’,num2str(TD),‘,违反约束路径数目:’,num2str(violate_num),‘,违反约束顾客数目:’,num2str(violate_cus)]);
disp(‘~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~’)
%% 优化
gen=1;
figure;
hold on;box on
xlim([0,MAXGEN])
title(‘优化过程’)
xlabel(‘代数’)
ylabel(‘最优值’)
ObjV=calObj(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta); %计算种群目标函数值
preObjV=min(ObjV);
while gen<=MAXGEN
%% 计算适应度
ObjV=calObj(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta); %计算种群目标函数值
line([gen-1,gen],[preObjV,min(ObjV)]);pause(0.0001);
preObjV=min(ObjV);
FitnV=Fitness(ObjV);
%% 选择
SelCh=Select(Chrom,FitnV,GGAP);
%% OX交叉操作
SelCh=Recombin(SelCh,Pc);
%% 变异
SelCh=Mutate(SelCh,Pm);
%% 局部搜索操作
SelCh=LocalSearch(SelCh,cusnum,cap,demands,a,b,L,s,dist,alpha,belta);
%% 重插入子代的新种群
Chrom=Reins(Chrom,SelCh,ObjV);
%% 删除种群中重复个体,并补齐删除的个体
Chrom=deal_Repeat(Chrom);
%% 打印当前最优解
ObjV=calObj(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta); %计算种群目标函数值
[minObjV,minInd]=min(ObjV);
disp([‘第’,num2str(gen),‘代最优解:’])
[bestVC,bestNV,bestTD,best_vionum,best_viocus]=decode(Chrom(minInd(1)😅,cusnum,cap,demands,a,b,L,s,dist);
disp([‘车辆使用数目:’,num2str(bestNV),‘,车辆行驶总距离:’,num2str(bestTD),‘,违反约束路径数目:’,num2str(best_vionum),‘,违反约束顾客数目:’,num2str(best_viocus)]);
fprintf(‘\n’)
%% 更新迭代次数
gen=gen+1 ;
end
%% 画出最优解的路线图
ObjV=calObj(Chrom,cusnum,cap,demands,a,b,L,s,dist,alpha,belta); %计算种群目标函数值
[minObjV,minInd]=min(ObjV);
%% 输出最优解的路线和总距离
disp(‘最优解:’)
bestChrom=Chrom(minInd(1)😅;
[bestVC,bestNV,bestTD,best_vionum,best_viocus]=decode(bestChrom,cusnum,cap,demands,a,b,L,s,dist);
disp([‘车辆使用数目:’,num2str(bestNV),‘,车辆行驶总距离:’,num2str(bestTD),‘,违反约束路径数目:’,num2str(best_vionum),‘,违反约束顾客数目:’,num2str(best_viocus)]);
disp(‘-------------------------------------------------------------’)
%% 画出最终路线图
draw_Best_num(bestVC,vertexs,c101);
toc

⛄四、运行结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

⛄五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]黄戈文,蔡延光,戚远航,陈厚仁,王世豪.自适应遗传灰狼优化算法求解带容量约束的车辆路径问题[J].电子学报. 2019,47(12)

3 备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合

【VRP】基于matlab遗传算法求解多中心的车辆路径规划问题【含Matlab源码 010期】 遗传算法求解多中心的车辆路径规划问题 完整的代码,方可运行;可提供运行操作视频!适合小白! 阅读详情

相关推荐

车辆路径规划 | 多车场配送路径优化,考虑服务时间窗口的多车场多种车型配送路径优化问题,MDVRPTW问题

车辆路径规划 | 多车场配送路径优化,考虑服务时间窗口的多车场多种车型配送路径优化问题,MDVRPTW问题

前程算法屋的博客 1281

VRP问题

一、关于vrp问题 车辆路径问题,可以看成旅行商问题的推广 有N辆车,都从原点出发,每辆车访问一些点后回到原点,要求所有的点都要被访问到,求最短的车辆行驶距离或最少需要的车辆数 Thinking:有哪些应用领域,适用于VRP问题 快递公司,给司机分配送货线路 拼车软件,为司机分配接送乘客的路线 常见的限制要求: 车辆具有可携带的最大重量或数量 司机需要在指定时间窗口内访问某位置 点的访问顺序等 二、VRP问题的流程: 使用RoutingModel进行路径规划管理 1)设置城市个数,车辆

u013052732的专栏 1万+

车辆路径优化问题(VRP)变体及数学模型

车辆路径优化就是在满足某种约束条件 ( 如时间、交通、车辆能力等 ) 下,对一系列的发送、接收和配送节点以及客户的出行路线进行合理规划,在满足顾客需要的情况下,实现最少的配送车辆,最短的配送时间,最低的配送费用,最短的配送距离。车辆路径优化问题是物流管理与运输组织优化中重要的研究问题之一。

博客简介 1万+

【TWVRP】基于matlab遗传算法求解带时间窗的车辆路径规划问题 【含Matlab源码 3276期】

遗传算法求解带时间窗的车辆路径规划问题 完整代码,包运行;可提供运行操作视频!适合小白!

Matlab3024528700的博客 916

MLC-LLM框架在安卓设备上的模型编译与部署全流程解析

本文详细解析了如何利用MLC-LLM框架在安卓设备上编译与部署大语言模型。从环境搭建、模型获取与量化编译,到最终的安卓应用打包与调试,提供了完整的实战流程。重点介绍了如何通过MLC-LLM将大型模型优化为适合移动端运行的格式,实现本地、低延迟、隐私安全的AI应用部署。

weixin_29251337的博客 475

TwinCAT 3 实战指南:从系统配置到高级运动控制

本文详细介绍了TwinCAT 3工业自动化控制平台的实战应用,从系统配置、PLC编程到EtherCAT总线配置和高级运动控制。通过倍福(Beckhoff)的TwinCAT 3平台,工程师可以高效实现复杂的工业自动化任务,包括运动控制、PLC编程等。文章还提供了常见问题排查和性能优化技巧,帮助用户提升系统稳定性和实时性。

weixin_30831529的博客 308

【TWVRP】基于matlab节约算法求解带时间窗的车辆路径规划问题【含Matlab源码 156期】

节约算法求解带时间窗的车辆路径规划问题 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 3431

C++ 工程实践(9):数据抽象

陈硕 (giantchen_AT_gmail)http://blog.youkuaiyun.com/Solstice  http://weibo.com/giantchen陈硕关于 C++ 工程实践的系列文章: http://blog.youkuaiyun.com/Solstice/category/8

陈硕的Blog 1万+

【路径规划-VRP问题】基于遗传算法求解带容量的车辆路径规划问题(优化目标:运输成本)附Matlab代码

VRP(Vehicle Routing Problem)问题是一种典型的车辆路径规划问题,旨在确定一组良好的路线,以满足多个客户的需求并同时最小化总运输成本。基于遗传算法的求解方法可以有效地解决这类问题。以下是基于遗传算法求解带容量的VRP问题的基本步骤:表示个体:首先定义遗传算法中的个体表示方式。可以使用染色体编码来表示路线,其中每个基因代表客户的访问顺序。初始化种群:随机生成初始种群,每个个体即代表一个可行的路线方案,可以考虑到约束条件如车辆容量、服务时间窗口等。

matlab_dingdang的博客 3250

从零构建XVC协议栈:FPGA+W5300的跨界调试架构实战

本文详细介绍了如何从零构建XVC协议栈,通过FPGA与W5300以太网控制器的创新组合实现跨界调试架构。重点解析了JTAG时序逆向、TCP/IP协议栈集成与XVC协议实现,提供了硬件设计优化和性能加速技术,为嵌入式开发者和FPGA工程师提供实用的远程调试解决方案。

raspberrypi5的博客 251

【目标跟踪】基于Kalman滤波实现无人机运动轨迹跟踪附matlab代码

1 简介 在近代控制中,需要对某一特定的运动目标进行跟踪监测,并需要对其下一时间的运动位置,运动方向,速度等信息进行预先估算,才能达到对目标的即时控制.本文简要讨论了用卡尔曼滤波算法对单个目标航迹进行预测,并借助于Matlab仿真工具,对实验的效果进行评估. 2 部分代码 clc; close all; %initial state xo=25; vox=2; %Observations **** % X-Direction Calcula

qq_59747472的博客 4733

旅行商问题(TSP)、车辆路径问题(VRP,MDVRP,VRPTW)模型介绍

即将面临毕业之际,把研究生期间的研究工作的基础好好整理了一下,方便以后能快速地捡起来。写了一部分,剩下的之后继续更新。 1.旅行商问题 旅行商问题 (Traveling Salesman Problem,TSP),又叫货郎担问题,它是图论中一个经典的组合优化问题。经典的TSP可以描述为:一个商品推销员要去若干个城市推销商品,该推销员从一个城市出发,需要经过所有城市一次并且仅一次之后,回到出发城市。问他应如何选择在城市之间的行程路线,以使他走过的总路程最短。 从图论的角度来看,该问题其实就是在一个赋权的

chc960609的博客 6万+

【Burp入门第二篇】Chrome配置BurpSuite代理教程

1、配置Burp代理为127.0.0.1:80802、扩展商店添加插件switchyomega,修改服务器和端口为下图:3、打开代理,选择刚才添加的代理

等风来 8369

量子退火Python实战(1):车辆路径问题(VRP : Vehicle Routing Problem)

建模车辆路径问题(VRP:Vehicle Routing Problem)的QUBO矩阵,并提供Python实现代码。

gangshen1993的博客 1万+

训练救星!EMA多尺度注意力让YOLOv11轻松攻克自定义数据集不涨点难题

在目标检测模型训练中,自定义数据集不涨点是阻碍算法落地的核心痛点之一。传统训练策略在数据分布特殊、样本量有限的场景下极易陷入收敛停滞,而 EMA(指数移动平均)结合多尺度注意力的方案,在自定义数据集上实现mAP 提升 6.5%,同时让训练曲线从“平缓停滞”转为“持续攀升”,彻底解决创新点在自有数据上的性能瓶颈。本教程将带你从原理到实践,通过 EMA 多尺度注意力为 YOLOv11 注入训练稳定性,让你的自定义数据集模型训练实现质的飞跃。EMA 衰减率:小样本数据集建议将decay。

FJN110的博客 161

Python 爬虫进阶技巧:定时爬虫任务实现无人值守采集

常规爬虫多依赖手动触发脚本运行,单次采集完成后需人工二次启动,无法满足日常周期性数据监控、行情抓取、资讯同步、业务台账定时归档等常态化采集需求。搭建可自主调度、自动启停、周期循环的定时爬虫任务,脱离人工干预实现无人值守全自动采集,是爬虫从临时脚本走向工程化落地的关键一步。schedule 轻量定时库官方文档APScheduler 高级定时框架官方文档Python time 内置模块官方文档Linux crontab 定时任务官方手册。

2503_91057718的博客 1122

运筹系列16:routing模型之VRP问题

1. 问题模型 VRP问题是车辆路径问题的缩写。问题是:有N辆车,都从原点出发,每辆车访问一些点后回到原点,要求所有的点都要被访问到,求最短的车辆行驶距离或最少需要的车辆数或最小化最长行驶距离。 常见的限制要求包括:车辆容量限制、时间窗限制、点访问顺序要求等。 2. RoutingModel的一些说明 对于VRP问题,我们可以使用ortools的RoutingModel模型。首先为车添加用于进行优...

kittyzc的博客 2万+

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

利用or-tools来求解路径规划问题(VRP)

在之前的博客中我们介绍了用or-tools来求解旅行商问题(TSP),一般来说VRP问题的复杂度要大于TSP, 也可以认为TSP是一个简化版的VRP,今天我们先讨论一下更为复杂一点的的VRP问题. 车辆路径规划问题(VRP) 在车辆路线规划问题 (VRP) 中,我们的目标是让多辆车访问多个地点,因此要为每辆车找到访问各个地点的最佳路线(当只有一辆车时,它简化为旅行商TSP问题),这种应用场景主要集中在交通运输、物流、快递等行业中。 这里的最佳路线指的是每辆车访问各个不同地点的成本最低,成本最低可以是指

weixin_42608414的博客 8950

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

多智能体进化算法求解带时间窗的VRP问题(python)

基于python编码设计多智能体进化算法求解单配送中心带硬时间窗约束的VRP问题。

Logintern09的博客 4827
上一篇: 【路径规划】信息素驱动机器人群动态巡逻【含Matlab源码 3272期】
下一篇: 【TWVRP】改进的模拟退火算法求解带时间窗车辆路径规划问题【含Matlab源码 3274期】
Matlab武动乾坤
博客等级 码龄3年 3万+粉丝 1万+原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值