兔子数列(台阶问题)

Fibonacci的【兔子数列】 以及 【狐狸找兔子】的问题 及 算法! Fibonacci的【兔子数列】和 变形约瑟夫环的【狐狸找兔子】,台阶问题 1,有一对兔子,从出生后第3个月起每个月都生一对兔子,小兔子长到第三个月后每个月又生一对兔子,假如兔子都不死,问每个月的兔子总数为多少? 兔子的规律为数列1,1,2,3,5,8,13,21.... #include int main(void) { long f1,f2; int i, k 阅读详情

一个楼梯有 n 级台阶,小A同学从下往上走,一步可以跨一级,也可以跨两级。

他走到第 n 级楼梯有多少种走法?


经过推算:

第一级:1

第二级:2

第三级:3                       3=1+2

第四级:5                       5=2+3

第五级:8                       8=3+5

第六级:13

...

13就是5+8


规律:

第x级 = 第x-1级 + 第x-2级

当级数=1时,为1

当级数=2时,为2


定义存储数组f

那就初始f[1] = 1;f[2] = 2;

接下来for循环

从3至你要求的第n项

f[i] = f[i - 1] + f[i - 2];


最后输出你的目标结果n

代码Code(longlong版)

#include <bits/stdc++.h>
#define int long long

using namespace std;

int n;
int f[39];

signed main () {
	
	cin >> n;
	
	f[1] = 1; f[2] = 2;
	
	for (int i = 3; i <= n; i++)
		f[i] = f[i - 1] + f[i - 2];
	
	cout << f[n];
	
	return 0;
}

可以使用两个变量代替f数组,但计算过程中要用一个临时变量

代码:

#include <bits/stdc++.h>
#define int long long

using namespace std;

int n, x, y;

signed main () {
	
	cin >> n;
	
	x = 1, y = 2;
	
	for (int i = 3; i <= n; i++) {
		int t = y;
		y = x + y;
		x = t;
	}
	
	cout << y;
	
	return 0;
}
算法设计之斐波那契与跳台阶 1. 斐波那契数列 费波那契数列(意大利语:Successione di Fibonacci),又译为费波拿契数、斐波那契数列、费氏数列。 在数学上,费波那契数列是以递归的方法来定义: 当n趋近于无穷大时,后一项与前一项的比值趋近于1.618,因此也叫黄金比例数列。 斐波那契写书时以兔子繁殖问题为例子,因此也叫兔子繁殖数列。   2.斐波那契Java实现 package atOf... 阅读详情

相关推荐

斐波那契数列 爬楼梯问题 python & php版

https://leetcode-cn.com/problems/climbing-stairs/ 爬楼梯问题 假设你正在爬楼梯, 需要 n 阶你才能到达楼顶 每次你可以爬 1 或 2 个台阶, 你有多少种不同的方法可以爬到楼顶呢? 设爬 n 个台阶有 f(n) 种可能 假设先爬1阶, 剩下 n-1 阶有 f(n-1) 种可能 假设先爬2阶, 剩下 n-2 阶有 f(n-2) 种可能 因此爬n阶可以转化为两种爬n-1阶问题之和: f(n) = f(n-1) + f(n-2) 斐波那契公式 Fn=1/5[(1+52)n−(1−52)n] F_{n} = 1 / \sqrt{5} \left [

斐波那契数又叫兔子数列,跳台阶序列。

斐波那契数又叫兔子数列,跳台阶序列。 1, 1, 2, 3, 5, 8, 13, 21, 34…… 特点是前两项之和等于后一项. 算法问题无非两大步: 第一步:理解问题,想明白怎么回事。 第二步:代码实现 第一步: 比如台阶问题,一次可以跳上1级台阶,也可以跳上2级。求跳上一个n级的台阶总共有多少种跳法(先后次序不同算不同的结果)。 假设现在6个台阶,我们可以从第5级台阶跳一步到6,另外我们也可以...

winstonjohn的博客 2248

单目视觉定位:深入解析PNP算法在机器人导航中的实战应用

本文深入解析了PNP算法在机器人单目视觉定位中的核心原理与实战应用。通过拆解坐标变换四步,详细阐述了如何从二维图像点反求相机三维位姿。文章结合OpenCV的solvePnP函数,提供了算法选择、参数调优及结果后处理的实用指南,并针对机器人导航中的特征匹配、尺度不确定性等挑战,给出了鲁棒性优化与实时性平衡的解决方案。

weixin_29083649的博客 419

函数递归解决兔子跳台阶和汉诺塔

如果第一次跳一级,那我们有rabbit_jump(n-1)个跳法,如果第一次跳两级,我们有rabbit_jump(n-2)个跳法。我们这将n个方块分成了两个部分,Ⅰ和Ⅱ,我们接下来要做的就是先将Ⅰ通过C移到B,再将Ⅱ移到C上,最后将Ⅰ通过A移到C。简而言之,汉诺塔问题就是让我们把A上的所有方块借助B,移到C上面去,且该过程中,大的方块上必须全是比它小的方块。一只兔子要跳上n级台阶,它可以一次跳一级台阶,也可以一次跳两级台阶。而当n大于2时,我们可以把问题拆分:让兔子先跳一次,再算剩下台阶的跳法。

2302_78980396的博客 667

Python 逆向解析知乎盐选反爬字体,实现内容精准还原

本文详细解析了知乎盐选内容的反爬字体机制,并提供了使用Python逆向解析WOFF字体文件的完整方案。通过fontTools库构建解码字典,实现乱码文本的精准还原,帮助开发者应对动态字体策略,同时强调法律与道德风险。

weixin_29268385的博客 1300

Hypermesh2021实战:塑料圆盘结构化网格划分全流程(附避坑指南)

本文详细介绍了使用Hypermesh2021进行塑料圆盘结构化网格划分的全流程操作,包括几何预处理、网格生成策略及质量验证。特别针对工程实践中常见的12个典型问题提供解决方案,帮助用户提升CAE仿真分析的精度和效率。

weixin_29294597的博客 320

走楼梯

走楼梯

panpanpan17452的博客 264

大麦APP抢票协议分析:从‘掌密网络’代码看移动端API安全防护

本文深度解析了大麦APP抢票协议的安全防护体系,重点分析了'掌密网络'代码中体现的动态签名、设备指纹和人机验证等关键技术。文章详细介绍了大麦APP如何通过多层次API安全防护应对抢票压力,包括参数加密、请求头部设计和异常处理机制,为移动应用开发者提供了安全实践建议。

weixin_28740299的博客 293

经典动态规划问题:爬楼梯的多种解法详解

递归解法:简单直观,但效率低下。记忆化递归:通过存储中间结果优化了递归,但仍有递归深度限制。动态规划:时间复杂度和空间复杂度最优,适合大规模数据。组合数学:数学方法优雅,但需要理解组合数的计算逻辑。

m0_68705118的博客 1673

ArcMap新手必看:Shape属性中的点ZM值到底是什么?如何快速处理

本文深入解析ArcMap中Shape属性中的点ZM值,揭示其在GIS数据中的隐藏维度作用,包括Z值(高程值)和M值(测量值)。针对ZM值可能引发的服务发布问题,提供三种高效处理方案,帮助新手快速掌握数据导入时的ZM值管控策略及精准去除方法。

weixin_42561476的博客 432

MCAL知识点(十):ERU驱动配置详解

ERS:外部请求单元ETL:中断逻辑单元OGU:输出逻辑单元MCU里面配置要使用的功能和选择输入的管脚,注意上述模块关注点讲述的ERU必须和边沿检测模块相关联。

梦想技术家 1224

台阶问题 解题报告

简单的递推

OIER成长之路 1152

ICME 2026 即插即用 | 特征增强篇 | FSD:多尺度小波分解+频域特征融合,结构细节纹理均增强,性能猛涨!

本文提出了一种基于频域结构解耦和区域感知融合的双路径学习框架(FSD),用于低光图像超分辨率任务。该框架通过多尺度小波变换将输入图像分解为低频亮度结构和高频纹理细节两个正交分量,并采用双路径网络分别处理这两个分量,最后通过跨频段语义重组模块实现特征融合。实验表明,FSD模块在多项指标上显著优于现有方法,能有效提升图像的结构自然度和细节清晰度。该模块适用于对频域/结构/纹理敏感的视觉任务,可直接嵌入网络实现端到端训练。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 142

斐波那契数列/兔子数列/台阶问题/变态台阶问题(关键词:斐波那契数列/兔子数列/台阶问题/变态台阶问题/动态规划)

0, 1, 1, 2, 3, 5, 8, 13...... 递归算法: def fib_recur0(n): if n==0: return 0 elif 1 &amp;amp;lt;= n &amp;amp;lt;= 2: return 1 else: return fib_recur...

Henry1991back的博客 1410

基于STM32F4XX 、HAL库的SHT40-CD1B-R3温湿度传感器驱动应用C语言程序设计

define SHT40_ADDR_READ 0x8B // CD1B 读地址 ((0x45 << 1) + 1)#define SHT40_ADDR_WRITE 0x8A // CD1B 写地址 (0x45 << 1)// 初始化 I2C1 (根据 CubeMX 生成的函数)// 湿度: -6%RH + 125%RH * (raw / 2^16)// 温度: -45°C + 175°C * (raw / 2^16)// 返回值: 0=成功, 1=失败(CRC错误或I2C通信错误)

PP_Cottage的博客 237

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

[剑指Offer]斐波那契数列、跳台阶、兔子数量问题(递归、非递归)(Java)

剑指Offer题目 斐波那契数列 题目描述 【剑指Offer 7】大家都知道斐波那契数列,现在要求输入一个整数n,请你输出斐波那契数列的第n项(从0开始,第0项为0)。 【剑指Offer 8】一只青蛙一次可以跳上1级台阶,也可以跳上2级。求该青蛙跳上一个n级的台阶总共有多少种跳法(先后次序不同算不同的结果)。 思路 斐波那切数列 :0 ,1,1,2,3,5,8,13...这...

聚沙成塔 1124

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

斐波那契数列应用

什么是斐波那契数列 斐波那契数列指的是这样一个数列 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144 这个数列从第3项开始,每一项都等于前两项之和 台阶问题 有一段楼梯有10级台阶,规定每一步只能跨一级或两级,要登上第10级台阶有几种不同的走法? 这就是一个斐波那契数列:登上第一级台阶有一种登法;登上两级台阶,有两种登法;登上三级台阶,有三种登法;登上四级台阶,有...

左手代码右手诗 584

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

【剑指offer】——由斐波拉契数列引发的递归循环问题

文章目录01斐波拉契数列02跳台阶问题03变态跳台阶04矩形覆盖05兔子繁殖问题 01斐波拉契数列 题目描述 思路:斐波拉切的公式为: F(0) = 0; F(1) = 1; F(n) = F(n-1)+F(n-2);(n>=2) 方法一:用递归解决。但是用递归的话系统会报错说调用的层次太多,因为递归的时间复杂度是O(2^n)是指数级别的,效率太低,一般不使用 int Fibonacci(...

qq_43412060的博客 378

算法:神奇的斐波那契数列

问题来源 1202年,意大利数学家Leonardo Fibonacci提出了这样一个问题:在最佳条件下,一年里,一对兔子能繁殖多少对兔子?这个理论实验规定,母兔总是生下成对的兔宝宝,每对由一公一母组成。两只新生的兔子被安置在一个有围栏的院子里,然后让像正常兔子一样繁殖。长到一个月才能开始繁殖,所以第一个月只有一对兔子。在第二个月月底,母兔产下两只兔子。当第三个月到来时,原来的一对兔子又产了一对新...

孔子说 928

js实现动态规划之青蛙跳台阶问题

动态规划 思想:将待求解的问题分解成若干个相互联系的子问题,先求解子问题,然后从这些子问题的解得到原问题的解;对于重复出现的子问题,只在第一次遇到的时候对它进行求解,并把答案保存起来,让以后再次遇到时直接引用答案,不必重新求解。 斐波拉契数列 只考虑当前状态(因为它每一个状态逻辑都是一样的) f(n)=f(n-1)+f(n-2) function febol(n){ if(n<=0)...

weixin_43310564的博客 1054

c语言---c语言中的斐波那契数列程序

c语言中的斐波那契数列编程问题(兔子繁衍、走台阶)递归思想

qq1620832018的博客 6739

java一次能迈一级或两级台阶_有个人想上一个n级的台阶,每次只能迈1级或者迈2级台阶,问:这个人有多少种方法可以把台阶走完?...

有个人想上一个n级的台阶,每次只能迈1级或者迈2级台阶,问:这个人有多少种方法可以把台阶走完?相关问题:(1)有个人想上一个n级的台阶,每次只能迈1级或者迈2级台阶,问:这个人有多少种方法可以把台阶走完?例如:总共3级台阶,可以先迈1级再迈2级,或者先迈2级再迈1级,或者迈3次1级总共3中方式。(2)有一段楼梯有10级台阶,规定每一步只能跨一级或两级,要登上第10级台阶有几种不同的走法?(3)一般...

weixin_35792468的博客 977

Java面试算法(1)——斐波那契数列(含例题)

斐波那契数列,借助于剑指Offer中的矩形填充、青蛙跳格子进行分析。

袁的博客 1022

每日一题(30)- 斐波那契数列以及应用

题目来自剑指offer 题目: 说明: 形成的斐波那契数列为:0,1,2,3,5,8... 思路: 可以直接使用递归,但是有重复子问题。可以使用迭代。 递归代码: long Fibonacci(unsigned int n) { if (n == 1) { return 1; } if (n == 2) { return 2; } return Fibo

思考,思考,再思考~ 1823

关于斐波那契数列引发的一系列思考

斐波那契数列是一个神奇的数列! 先来讲两个经典的问题,你们也可以思考一下答案,通过看完本文希望你可以回答出答案。 兔子问题 一般而言,兔子在出生两个月后,就有繁殖能力,一对兔子每个月能生出一对小兔子来。如果所有兔子都不死,那么一年以后可以繁殖多少对兔子? 台阶问题 有一段楼梯有20级台阶,规定每一步只能跨一级或两级,要登上第20级台阶有几种不同的走法? 以上两个问题都和斐波那契数列有关。不信?那我...

weixin_43106248的博客 506

斐波那契数列c++代码_斐波那契数列应用

### 什么是斐波那契数列斐波那契数列指的是这样一个数列 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144这个数列从第3项开始,每一项都等于前两项之和### 台阶问题有一段楼梯有10级台阶,规定每一步只能跨一级或两级,要登上第10级台阶有几种不同的走法?这就是一个斐波那契数列:登上第一级台阶有一种登法;登上两级台阶,有两种登法;登上三级台阶,有三种登法;登上四级台...

weixin_39686192的博客 811
上一篇: 求A(x,y)和C(x,y)
下一篇: 洛谷P1075 [NOIP2012 普及组] 质因数分解
Runcode8
博客等级 码龄4年 180粉丝 56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