阶乘与排列的例子(从n个元素中取m个元素组成互不相同并且不重复的三位数)

等概率无重复的从n个数中选取m个数 问题描述:程序的输入包含两个整数m和n,其中m 学习过概率统计的同学应该都知道每一个数字被抽取的概率都应该为m/n. 那么我们怎么构造出这样的概率呢?在《编程珠玑》上面是这样解析的:   依次考虑整数0,1,2,.....,n-1,并通过一个适当的随机测试对每个整数进行选择。通过按序访问整数,我们可以保证输出结果是有序的。 假如我们考虑m = 2,n = 5的情况,那么选择的每一个数字的概率都 阅读详情
public static void main(String[] args) {
    //1.编写一个程序,输入n,求n!(用递归的方式实现)。4*3*2*1=4!  注:0!=1
    System.out.println("4的阶乘为:" + getFactorial(4));

    //2.编写一个程序,有1,2,3,4个数字,能组成多少个互不相同且无重复数字的三位数?都是多少?
    System.out.println("循环计算共" + getGroupKinds(new int[]{1, 2, 3, 4}, 3) + "种组合方式");

}

/**
 * 1.编写一个程序,输入n,求n!(用递归的方式实现)。4*3*2*1=4!
 *
 * @param n
 * @return
 */
public static int getFactorial(int n) {

    return n < 1 ? 1 : n * getFactorial(n - 1);
}

/**
 * 2.编写一个程序,有1,2,3,4个数字,能组成多少个互不相同且无重复数字的三位数?都是多少?
 * @param arr 总的元素
 * @param m 表示取几个元素出来
 * @return
 */
public static int getGroupKinds(int[] arr, int m) {
    int count = 0;
    int n = arr.length;

    //方法一:循环每个位置可能的值
    for (int i = 0; i < n; i++) {
        for (int k = 0; k < n; k++) {
            for (int j = 0; j < n; j++) {
                if (i != k && k != j && i != j) {
                    //System.out.println("数字----"+arr[i]+arr[k]+arr[j]);
                    count++;
                }
            }
        }
    }

    //方法二:公式计算 A(n,m)=n!/(n-m)! n表示总个数,m表示要取的个数  第一个位置有n种可能性,第二个有(n-1)种可能性。。。
    System.out.println("阶乘公式计算结果:" + getFactorial(arr.length) / getFactorial(arr.length - m));

    return count;
}
算法:n项数组的全部不重复排列 @[华为算法题] 昨天参加了华为在线机试题,其中有一道印象最为深刻。因为我在这篇《算法:实现一个n项数组的全部不重复排列》里曾讨论过不重复排列的实现方式,但仅限于4项数组。思路较为简单,但是不够灵活和可变性,当时已经想针对这个问题思考更灵活的实现方式,但是碍于最近一直在面试,所以搁置了,知道我在线遇到了这道机试题。大概的题目是: 对于n数,有1到n个整数。这n个整数有1到n!(n的阶乘)个组合。要按照组合后数字的升序排序,求第k个值。 现如今给出我个人的实现方式,但由于机试时调试提示可能效率不高,所以不做完 阅读详情

相关推荐

全排列问题非递归算法

全排列问题非递归算法,利用排序来进行实现

2301_79816227的博客 1256

组合数的计算

本篇博客来自南昌理工学院acm集训队成员yyj 组合数 1.定义 组合数:从 n 个不同元素中每次取出 m 个不同元素 ,不管其顺序合成一组,称为从 n 个元素中不重复地选取 m 个元素的一个组合。所有这样的组合的种数称为组合数。 2.性质与描述 2.1写法 在线性写法中被写作C(n,m)。 组合数的计算公式为: 2.2性质 性质1. 从n个不同元素中取出m个元素的组合数 == 从n个不同元素中取出 (n-m) 个元素的组合数; 理解: 这个性质很容易理解,例如C(9,2)=C(9,7),即从9个元素里选

yyj的博客之旅 6565

信奥赛C++提高组csp-s之组合数学专题课:圆排列

信奥赛C++提高组csp-s之组合数学专题课:圆排列

王老师青少年编程 819

利用分治思想,写一个求解从n个元素里选取m个有多少种组合方案的(非递归)高性能算法

从一个简单的例子说起,比如现在一个数组[0,1,2,3,4,5,6],要求不重复选取4个,请问有多少种组合。我们按照从小到大的顺序罗列了15种结果:(粗体表示但前指针位置) 组合数 对应的偏移量数组 [0,1,2,3], [0,0,0,0] [0,1,2,4], [0,0,0,1] [0,1,2,5], [0,0

baidu_38487648的博客 1704

基于排列组合算法的三位数生成源码实现

阶乘(Factorial)是排列计算中最基本的数学运算之一,记作 $ n!$,表示从 1 到 $ n $ 所有正整数的乘积:n!特别地,规定 $ 0!= 1 $,这是组合数学中的重要约定,确保公式在边界情况下仍具有一致性。阶乘的意义在于它直接对应了“全排列”的数量。例如,若有 4 个人排队,第一个人有 4 种选择,第二人有 3 种剩余选择,依此类推,总共有:4!种不同的排队方式。这正是 $ P(4, 4) $ 的值。

weixin_28895791的博客 815

DSP TMS320F280049之CCS工程的建立(库函数版)

TMS320F280049 DSP是TI最新出的一款C2000系列的DSP,主频为100MHZ,功能较为强大,具有较多的片上模拟外设。这一节主要讲述如何新建F280049的CCS工程。 Step1.下载文件: 下载C2000Ware软件并安装。下载地址如下: http://www.ti.com.cn/tool/cn/C2000WARE?keyMatch=C2000Ware%2...

fanxianyan1993的博客 1万+

n个数里选出m个不重复的数

void change(int *p,int a,int b) { int tmp = *(p + a); *(p + a) = *(p + b); *(p + b) = tmp; } int main() { int a[100]; for (int i = 0 ;i < 101;++i) { a[i] = i + 100; } fo...

weixin_30779691的博客 224

2019年数学建模美赛经验总结

北京时间2019年1月29号上午9时,数模美赛结束。美赛结束已经10多天了,我在这次竞赛中负责建模和编程,趁现在记忆还比较清晰,写下这篇博客记录第一次参加数学建模美赛的经历。 补更:2019年4月20日公布成绩,笔者最终获得了美赛一等奖 目录 1、基本情况 2、选题 3、分工合作 4、论文写作 5、建模 6、编程 7、入门资源 ...

Smallactive 7万+

统计学生平均成绩与及格人数

本题要求编写程序,计算学生们的平均成绩,并统计及格(成绩不低于60分)的人数。题目保证输入与输出均在整型范围内。 输入格式: 输入在第一行中给出非负整数N,即学生人数。第二行给出N个非负整数,即这N位学生的成绩,其间以空格分隔。 输出格式: 按照以下格式输出: average = 成绩均值 count = 及格人数 其中平均值精确到小数点后一位。 输入样例: 5 77 54 92 73 60 输出样例: average = 71.2 count = 4 #include&l

weixin_43723935的博客 4931

企业级防火墙实战:用深信服AF8.0打造安全办公网络(含流控/僵尸防护配置)

本文详细介绍了如何利用深信服AF8.0防火墙构建企业级安全办公网络,涵盖设备初始化、多接入方式配置、三维一体安全防护体系(包括应用控制、僵尸防护和智能流控)以及典型问题排查。通过实战案例和配置模板,帮助IT管理员高效部署和优化网络安全管理,提升企业网络安全防护能力。

weixin_28716443的博客 283

5GS 协议栈 — PFCP 协议 — URR 用量上报规则

目录 文章目录目录URR 用量上报规则UEE 的参数Usage Report 的参数示例 URR 用量上报规则 29244 5.2.2 Usage Reporting Rule URR 的作用? 用来告诉 UPF 如何对 PDR 识别的 SDF 或 Application 业务进行使用量统计信息的上报。CP 收到 Report Information 后,可用于计费或者管控(e.g. 超量限速)等用途。 URR 在哪个流程里下发的? N4 会话建立流程。 N4 会话修改流程。 URR 是怎么工作

烟云的计算 4592

排列组合公式详解:从A(n,m)到C(n,m)的直观理解

计算公式为A(n,m)=n!计算公式为C(n,m)=n!:可以想象成选班干部,选班长有n种选择,选副班长时剩下(n-1)人可选,所以总排列数是n×(n-1)。善用对称性简化计算,如C(n,m)=C(n,n-m)。

QuartzStag78的博客 2495

在claude code中使用glm模型出现Unable to connect to Anthropic services的解决方案

本文主要介绍了在claude code中使用glm模型出现Unable to connect to Anthropic services的解决方案,希望能对使用claude code的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 13万+

C#遍历输出从n个数中选择m个数的不重复取数的所有组合

C(n, m) 表示从 n 个不同的元素中选择 m 个元素的组合数。在这个公式中,我们通过计算所有可能的排列并去除重复的排列来得到不重复的组合数。这个程序与作者的的可重复取数组合的程序类似,主要区别在于GenerateCombinations方法中的递归调用。如果组合中不包含当前索引值,我们将其添加到结果中。这样,我们就可以确保生成的所有组合中的数字都是不重复的。检查每个生成的组合是否包含当前的索引值。

wenchm的博客 1016

具身智能:原理、算法与系统 第18章 模仿学习与人类示范

与基于试错机制的强化学习不同,模仿学习假设存在能够提供高质量轨迹示范的专家策略,学习者的目标是在不直接访问专家内部决策机制的情况下,复现或泛化专家的行为模式。此外,选项 GAIL(Option-GAIL)将分层强化学习与对抗模仿结合,学习选项(Options)级别的策略,能够捕捉专家示范中的多模态行为与高层意图。X-Sim 框架提出从真实到模拟再到真实的迁移路径:首先从人类视频中重建物理仿真环境,在仿真中训练状态级策略,随后通过策略蒸馏获得基于视觉的策略,最后通过在线领域自适应对齐真实与仿真观测。

VectorShift的博客 127

AI视频生成模型训练:从数据准备到部署全流程

咱们这次的目的就像是要建造一座超级厉害的AI视频生成魔法城堡。范围呢,就是从收集建造城堡的材料(数据准备)开始,到把城堡搭建起来(模型训练),再到让城堡能供大家使用(模型部署),涵盖了整个过程的方方面面。接下来我们会先给大家介绍一些重要的术语,就像认识冒险途中的关键道具一样。然后引入一个有趣的故事,带大家进入AI视频生成的奇妙世界,解释核心概念以及它们之间的关系。接着会详细讲解核心算法原理、数学模型和公式,还会有项目实战,带大家亲自体验代码的魅力。

小白菜的博客 402

UPC-取数排列(逆康托展开式)

学习犹如逆水行舟,不进则退 UPC-取数排列 康托算法 取1到N共N个连续的数字(1≤N≤9),组成每位数不重复的所有可能的N位数,按从小到大的顺序进行编号。当输入一个编号M时,就能打印出与该编号对应的那个N位数。例如,当N=3时,可组成的所有三位数为:那么,输入编号M=2时,则输出132。 输入 包括两个数,即正整数N(1 ≤ N ≤ 9)和正整数M(1 ≤ M ≤ 362880)。 输...

Round_Moon 的博客 684

R语言线性混合模型(LMM)分析

它将数据表示为固定效应和随机效应的线性组合,其中固定效应表示总体均值的影响,随机效应表示个体间的随机差异。LMM的目标是通过最大似然估计或最小二乘估计来估计模型中的固定效应和随机效应的参数。LMM结合了固定效应和随机效应,能够同时考虑个体间和个体内的变异,并适用于具有相关性的数据。目前在使用LMM的R语言包中,较常用的是lme4和nlme包,它们提供了丰富的函数和工具来拟合和分析线性混合模型。面板数据分析:LMM适用于分析具有面板结构的数据,如经济学中的面板数据或教育研究中的学生评估数据。

走向CTO的路上... 2972

Matlab 排列组合

matlab 阶乘,排列组合

琉璃树下 6954

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

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

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")

素因子分解表+重复元素全排列问题

素因子分解表+重复元素全排列问题 如果要求解重复运算的全排列问题,最朴素的方法是先求n!,再求重复元素m1,m2,m3的m1!,m2!,m3!,然后再做除法,但这样写很容易爆时间和爆空间。 所以这里聊一聊利用素因子分解表来降低时间复杂度。 一,素因子分解表 我们都知道,一个比1大的合数可以分解成若干个素数的乘积,比如6=23,4=22。 那么现在聊的素因子分解表是什么意思呢? 其作用就是记录每个数的素因数,它的结构如下: {这个数的素因数个数,素因数1,素因数2,…,素因数n} 这个表可以是无限大,但因为

weixin_50547586的博客 960

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

7-1 有重复元素的全排列 (10 分)

7-1 有重复元素的全排列 (10 分) 计算给定的n个数有多少种排列方式,即求全排列(可能出现重复的元素) 输入格式: 第一行输入数字的数量n(n>2),第二行给出每一个数字。 输出格式: 一个数字,不同排列方式的数量。 样例 输入样例: 3 1 2 2 输出样例: 3 思路 类似于排列组合。如果所有数字都不一样,则为n的阶乘(n!);如果有相同的数字,则为Cnm,再乘以剩下的阶乘。 解答 #include <iostream> #include<map> #include&

LancasterLiu的博客 1967

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

【教程】如何用编程实现排列组合(Python篇)

通过以上学习了解,我们可以知道这一类问题的解决方法,实质上就是进行逻辑推理,按照步骤依次写出其代码,最后查找漏洞,解决问题,完善程序。

weixin_43264234的博客 4365

排列组合公式/排列组合计算公式

公式P是指排列,从N个元素取R个进行排列。 公式C是指组合,从N个元素取R个,不进行排列。 N-元素的总个数 R参与选择的元素个数 !-阶乘 ,如    9!=9*8*7*6*5*4*3*2*1 举例: Q1:    有从1到9共计9个号码球,请问,可以组成多少个三位数? A1:     123和213是两个不同的排列数。即对排列顺序有要求的,既属于“排列P”计算范畴。        上问题

Saick的专栏 8457

数学基础之排列组合知识点整理

排列强调顺序,公式为n!n−m!\dfrac{n!}{(n - m)!n−mn!​。组合忽略顺序,公式为n!m!n−m!\dfrac{n!}{m!(n - m)!m!n−mn!​。其性质与定理(如二项式定理)在概率计算、多项式展开等领域具有重要应用。

道可道非常道 2373

python递归计算n个球中取m个球_N个不同球取出M个的组合个数求解

Technorati 标签: 组合,概率从N个不同的球中取出M个,一共有多少种取法?这个问题是组合数据的基本问题,考虑拿出球是否放回,拿出去的球是否有序,它有4种变体: 不放回,有序;不放回,无序;放回,无序;放回,有序;对于第一种,取出M个球,第一个有N种可能,第二个N-1种可能,依次类推,M个球共有:N*(N-1)*(N-2)*..*(N-M+1),举个例子:3个同学(A,B,C),从中取出2...

weixin_39933508的博客 1623
上一篇: SimpleDateFormat得到年月日格式的字符串,再转为int类型
下一篇: FileReader读取文本内容
cherishSpring
博客等级 码龄11年 134粉丝 172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