【CVRP】遗传算法求解带容量和体积的车辆路径规划问题【含Matlab源码 3275期】

优化算法丨遗传算法求解CVRP问题 智能优化算法系列: (1)遗传算法求解CVRP 引言 前面的ortools虽好,但是不能够制定特意的算法,本次为大家推荐一款新的算法包,大家可以去调试比对 问题 本次的求解问题是:30个顾客,有顾客坐标,以及车场的坐标,指定5辆车,车辆载重为5,而每个点的需求是1。求最优收运或者配送路线 结果 代码 运行环境:python3.6.0,库scikit-opt==0.6.3 如下: 第一步:定义问题 import numpy as np from scipy import spatial import mat 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

clc
close all
clear all
Maxgen=500;
%每次就改改上面这个迭代次数就好了!
G=[2000 2800 3200 3700 4000 5000 5800 7000];%每辆车的额定载重量
V=[12 19 25 32 30 38 42 50];%每辆车的额定容积
g=[251 306 212 158 166 251 183 288 216 158 121 255 188 114 161 358 232 272 69 116.5 181 196 219 248 158];%每个顾客需求总重量
v=[2.44 2.83 1.82 1.46 1.47 2.27 1.61 2.65 2.19 1.52 1.07 2.42 1.83 1.05 1.4 3.39 2.22 2.42 0.68 1.15 1.72 1.78 2.08 2.35 1.52];%每个顾客需求总体积
vend_location=[76 125.47 119.47 117.47 13.47 73 -143 -62 -17 121 70 54 -23 -6 1 -118 -118 125 83 -148 121 116 -54 -136 -77;
100.47 -142.53 -138.53 -137.53 -19.53 138 -131 104 -125 74 113 53 -109 32 39 121 -40 56 -147 36 -5 -108 -16 -95 129];%客户点坐标
%上面这些也可以改,下面这些和其它文件就别碰了,一碰全是错误
center=[0;0];
coordinate=[center vend_location];
N=25;
d=zeros(N+1,N+1);
for i=1:N+1
for j=1:N+1
if ij
d(i,j)=0;
else
d(i,j)=sqrt(sum(((coordinate(:,i)-coordinate(:,j)).^2)));
end
end
end
K=length(G);
gen=0;
GGAP=1;
Popsize=1200;
lada1=0.7;
lada2=0.9;
lada3=0.005;
lada4=0.01;
FieldDR=[ones(1,N);(K)*ones(1,N)];
Chorm=inti_pop(Popsize,G,V,g,v,K)+rand(Popsize,N);
[Objv, F1, F2, F3, F4]=Objective_compute(Chorm,G,V,g,v,d,K);
trace=zeros(5,Maxgen);
[c111, index]=max(Objv);
enlist_chorm=Chorm(index,:);
h=waitbar(0,‘等去吧’);
while (gen<Maxgen)
FitV=ranking(-Objv);
Selch=select(‘rws’,Chorm,FitV,GGAP);
Selch=recombin1(Selch,lada1,lada2,FitV);
Selch=mutbga1(Selch,FieldDR,lada3,lada4,FitV);
[ObjVsel, F1sel, F2sel, F3sel, F4sel,car_route]=Objective_compute(Selch,G,V,g,v,d,K);
Ind=find(ObjVsel
100000);
NN=length(Ind);
tem=inti_pop(NN,G,V,g,v,K)+rand(NN,N);
Selch(Ind,:)=tem;
[ObjVsel(Ind), F1sel(Ind), F2sel(Ind), F3sel(Ind) ,F4sel(Ind)]=Objective_compute(tem,G,V,g,v,d,K);
clear tem;
[Chorm, Objv]=reins(Chorm,Selch,1,1,Objv,ObjVsel);
[Objv1,Idx]=sort(Objv,‘ascend’);
Chorm(Idx(1),:)=enlist_chorm;
new_Chorm=inti_pop(round(Popsize0.1),G,V,g,v,K)+rand(round(Popsize0.1),N);
ObjV_new=Objective_compute(new_Chorm,G,V,g,v,d,K);
gen=gen+1;
[trace(1,gen), index]=max(Objv);
enlist_chorm=Chorm(index,:);
[a, trace(2,gen), trace(3,gen), trace(4,gen), trace(5,gen)]=Objective_compute(Chorm(index,:),G,V,g,v,d,K);
waitbar(gen/Maxgen);
end
close(h);
figure(1)
plot(trace(1,:))
xlabel(‘迭代次数’)
ylabel(‘遗传算法适应度’)
figure(2)
plot(trace(2,:))
xlabel(‘迭代次数’)
ylabel(‘运输距离’)
figure(4)
plot(trace(4,:))
xlabel(‘迭代次数’)
ylabel(‘重量利用率’)
figure(5)
plot(trace(5,:))
xlabel(‘迭代次数’)
ylabel(‘容积利用率’)
str={‘-r’,‘-g’,‘-k’,‘-b’,‘-y’,‘-m’,‘-c’,‘–b’,‘-.b’};
figure(6)
plot(vend_location(1,:),vend_location(2,:),‘k*’);
for i=1:25
text(vend_location(1,i)+1,vend_location(2,i),num2str(i),‘FontSize’,14)
end
hold on
str2={‘节点’};
kk=1;
for i=1:K
if ~isempty(car_route{i})
tem=[center vend_location(:,car_route{i}) center];
plot(tem(1,:),tem(2,:),str{kk})
kk=kk+1;
str2=[str2,strcat(‘车辆’,num2str(i))];
end
end
legend(str2)
for i=1:K
if ~isempty(car_route{i})
disp([‘派出第’,num2str(i),‘车运送的客户为:’])
disp(num2str(car_route{i}));
end
end

⛄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
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

运筹学经典问题(八):CVRP和VRP-TW 给定一个图,图上的点代表客户,边代表客户之间的路线,边的权重代表客户之间的距离,点上的数字代表每个用户的需求量。如果只是上面的模型,可能会出现下图这种解,: 假设我们的问题是车辆去客户那里取货,需要一个约束去消除这种不包含仓库的子环。这也是VRP建模的一个略难的约束。会有图上的哪些边被选中,形成。没有约束车辆的容量限制! 阅读详情

相关推荐

禁忌搜索算法(TABU)解决路线规划问题(CVRP)

文章目录禁忌搜索算法解决路线规划问题问题定义CVRP问题解决算法禁忌搜索算法局部搜索的两种策略局部搜索的缺点禁忌搜索算法的提出禁忌搜索算法流程图禁忌搜索算法伪码算法结果统计结果详细结果结论代码清单读取测试数据初始解禁忌搜索解法 禁忌搜索算法解决路线规划问题 问题定义 车辆路线规划问题是一个经典的组合优化问题,也是旅行商问题的泛化。该问题的定义为: 有给定数量的客户有运输需求; 为从某个固定地点出...

狂奔的蜗牛 1万+

基于遗传算法的CVRP建模求解(Python)

单向:纯取货/纯送货; 单配送中心:只有一个配送中心/车场; 单车型:只考虑一种车型, 需求不可拆分:客户需求只能有一辆车满足; 车辆封闭:完成配送任务的车辆需回到配送中心; 车辆充足:不限制车辆数量,即配送车辆需求均能满足; 非满载:任意客户点的需求量小于车辆最大载重;优化目标:最小化车辆启动成本和车辆行驶成本之和; 约束条件:车辆行驶距离约束,重量约束; 已知信息:配送中心位置、客户点位置、客户点需求、车辆最大载重、车辆最大行驶距离、车辆启动成本、车辆单位距离行驶成本;min⁡Z=C0K+C1∑i=0N

博客简介 1万+

【VRP问题】基于遗传结合粒子群求解VRPTW问题

一、粒子群算法简介 粒子群算法是在1995年由Eberhart博士和Kennedy博士一起提出的,它源于对鸟群捕食行为的研究。它的基本核心是利用群体中的个体对信息的共享从而使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得问题的最优解。设想这么一个场景:一群鸟进行觅食,而远处有一片玉米地,所有的鸟都不知道玉米地到底在哪里,但是它们知道自己当前的位置距离玉米地有多远。那么找到玉米地的最佳策略,也是最简单有效的策略就是搜寻目前距离玉米地最近的鸟群的周围区域。 在PSO中,每个优化问题的..

qq_59747472的博客 438

节约里程法—单配送中心CVRP求解

众所周知,节约里程法是一种贪婪算法,虽然求解质量比不上蚁群或者遗传算法,但是在求解精度要求不高的情况下,却可以快速求解得到一个接近最优的满意解。正因为如此,节约里程法很多情况下和其他启发式算法进行结合,由节约里程法快速计算得到的可行解作为启发式算法的初始解。 下面由我来详细讲解节约里程法的算法思想和求解思路 一、算法思想 节约里程法,顾名思义,是根据里程的节约值的大小来规划线路的。假设有一个...

cxw2545724522的博客 1万+

遗传算法求解CVRP问题

遗传算法求解CVRP问题

GAMES104:02引擎架构分层-学习笔记

用户层工具层(Tool Layer):编辑器、工具界面功能层(Function Layer):渲染Rendering、动画Animation、物理Physics、相机Camera和实现游戏性的脚本Script、状态机FSM、AI等功能模块资源层(Resource Layer):各类图片、动画、音频资源加载核心层(Core Layer):核心功能如内存管理、容器分配、数据计算、多线程处理等平台层(Platform Layer):对接不同游戏平台、主机和硬件。

噗噗噗的博客 1268

【CVRP】基于matlab遗传算法求解带容量和体积的车辆路径规划问题【含Matlab源码 3275期】

遗传算法求解带容量和体积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 940

SNN目标识别MNIST

总体来说这篇论文提出的方法用了多种更精密的细节,如LIF膜电位公式,三种STDP方法,但我觉得还可以有很大的改进,比如输入层全连接到兴奋层,兴奋层通过抑制层实现的侧向抑制,抑制层不参与学习等等。尤其是兴奋层通过抑制层实现侧向抑制这里,当神经元兴奋时,通过抑制层再倒回兴奋层,所抑制的已经经过一了一段时间的延迟。如有错误,请不吝赐教。

m0_74982304的博客 1264

Branch-and-Cut(CVRP问题)

Branch and cut 是一个基于线性规划的branch and bound 方法,通过有效不等式来加强线性松弛 ...

sky的博客 4170

别再为格式发愁:safetensors转GGUF的三种高效方法及Ollama集成对比

本文详细介绍了将safetensors格式转换为GGUF格式的三种高效方法,包括llama.cpp原生转换、GGUF官方工具链和Transformers中转方案,并对比了它们在Ollama集成中的表现。文章还提供了实际项目中的踩坑经验和性能调优建议,帮助开发者快速掌握模型转换技术。

weixin_42651281的博客 641

从零开始Cubemx配置STM32搭载freeRTOS以及lwip实现tcp网络通信(二)

Cubemx配置LWIP,实现网络通信

qq_30623327的博客 1万+

【VRP问题】基于节约算法CW求解带容量的车辆路径规划问题(CVRP)

clear clc tic %% 用importdata这个函数来读取文件 rc208=importdata('rc208.txt'); cap=1000; %% 提取数据信息 vertexs=rc208(:,2:3); %所有点的坐标x和y customer=vertexs(2:end,:); %顾客坐标 cusnum=si...

m0_60703264的博客 1611

随机森林的可解释性分析(含python代码)

随机森林的“黑箱”特性逐渐凸显,这使得我们难以理解和解释模型内部的工作机制。对于许多应用场景而言,仅仅获得高准确率的预测结果是不够的;了解预测背后的逻辑同样重要,特别是在医疗诊断、金融风险评估等领域。因此,对随机森林进行可解释性分析变得尤为重要。

m0_59257547的博客 3849

节约里程法求解CVRP问题

节约里程法(CW算法)是针对VRP问题开发的一个贪婪算法,基本思想是不断将合并后距离节约最大的线路进行合并,节约里程法分为两种:序贯法和并列法,两者基本思想一样,区别在于计算过程中处理线路的顺序,序贯法是一辆车一辆车的装,而并列法是允许并行装车。两种方法很难评价优劣,在不同的数据集上存在不同的优劣表现。

_2312 1万+

Android性能优化之Android Profiler

在移动应用开发中,打造一个流畅、省电且不卡顿的用户体验是至关重要的。然而,随着应用功能的日益复杂,内存泄漏、CPU暴涨、网络卡顿以及电量消耗过快等问题常常化身为隐形杀手,悄悄吞噬着用户体验。为了帮助开发者精准定位并解决这些性能瓶颈,谷歌在Android Studio中集成了一款强大的一站式性能分析工具Android Profiler。Android Profiler作为Android Studio内置的实时数据可视化工具,支持运行在Android 5.0及更高版本的设备上。

xiangzhihong8的专栏 203

MyBatis-Plus 实战:敏感字段自动加解密支持模糊查询

本文基于MyBatis-Plus框架提出了一种全链路敏感字段加密方案。通过自定义TypeHandler实现数据入库自动加密和查询自动解密,结合重写LambdaQueryWrapper处理查询条件加密,并适配多种查询方式。方案核心包括:1)AESUtil工具类提供加解密基础能力;2)EncryptTypeHandler实现字段类型转换;3)实体类通过注解配置加密字段。该方案在保证数据安全的同时,对业务代码侵入性小,支持姓名、手机号等敏感信息的全流程加密处理,满足系统开发的安全需求。

蔡定努 596

基于GA-PSO遗传粒子群混合优化算法的CVRP问题求解matlab仿真

速度更新公式为:v[i][j] = w * v[i][j] + c1 * rand() * (pbest[i][j] - x[i][j]) + c2 * rand() * (gbest[j] - x[i][j]),其中v[i][j]表示第i个粒子在第j维上的速度,x[i][j]表示第i个粒子在第j维上的位置,pbest[i][j]表示第i个粒子在第j维上的历史最优位置,gbest[j]表示群体在第j维上的最优位置,w为惯性权重,c1和c2为学习因子,rand()为随机数生成函数。若满足终止条件则结束算法;

熟悉python,matlab,C,C++,JAVA等 634

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

【python】使用DOcplex解决CVRP问题【附源码】

为了学习DOcplex的使用,将经典的CVRP问题用这玩意重新写了一遍,感受精确算法的魅力。

mazha12143的博客 2180

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

上一篇: 【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】
下一篇: 【RRT三维路径规划】RRT算法无人机三维路径规划【含Matlab源码 3268期】
Matlab武动乾坤
博客等级 码龄3年 3万+粉丝 1万+原创
评论
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