Codesys 编程实现随机数字+仿照rand()原理+代码下载

CodeSys Rand Numer 随机数生成 Codesys rand numer generate 阅读详情
AI摘要

本文介绍了C语言中rand()函数的工作原理,并通过添加srand()函数解决了伪随机问题。随后,文章展示了如何在Codesys环境中使用类似的方法生成随机数。

目录

一、C语言中rand()随机数的演示及问题
二、同样的原理,在Codesys中实现随机数
三、codesys在线仿真验证功能
四、代码下载

一、C语言中rand()随机数的演示及问题

(1)只用rand()函数的问题
//只有rand,没有srand生成随机种子
#include<stdio.h>
#include<unistd.h>
int main()
{
    int i=0;
    for(;i<10;i++)
    {
        printf("%d\n",rand()%10);//打印10个随机数,随机数的范围是0--9
        sleep(1);//延时
    }
    return 0;
}

运行结果如下:
在这里插入图片描述

运行了2次程序:每次都能产生0到9之间的随机数,但是第2次重新运行程序产生的随机数和上次一样,这是伪随机。

(2) 添加srand生成随机种子
//有srand生成随机种子
#include<stdio.h>
#include<unistd.h>
int main()
{
    srand(time(NULL));
    int i=0;
    for(;i<10;i++)
    {
        printf("%d\n",rand()%10);//打印10个随机数,随机数的范围是0--9
        sleep(1);//延时
    }
    return 0;
}

运行结果如下:
在这里插入图片描述

可以看到:2次运行结果完全不同。消除了伪随机

(3) 推断原理
  • 在rand函数的内部,是通过一个公式计算出一个值作为随机值,下次再调用rand的时候,再把这个随机值作为参数传给这个公式计算出一个新的随机值,周而复始。
  • 在C库中,是通过一个静态全局变量来作为“种子”,而这个“种子”的值是通过srand函数改变的,如果不写srand函数,这个“种子”值默认赋值为1。这就解释了“为何不写srand函数,rand函数就会生成伪随机数”,因为程序只要重新开始运行,“种子”值就会被默认赋值为1,那么通过公式算出来的序列肯定就一直相同了。
(4) C语言代码模拟实现rand和srand
#include<stdio.h>
#include<unistd.h>

static unsigned long next=1;//静态全局变量,作为种子
void my_srand(unsigned long seed)//通过传不同的参数更改种子值,一般传time(NULL)
{
    next=seed;
}

int my_rand(void)//将srand更改过的种子值通过公式计算出结果作为随机值
{
    next = next * 1103515245 + 12345;
    return((unsigned)(next/65536) % 32768);
}

int main()
{
    my_srand(time(NULL));
    int i=0;
    for(;i<10;i++)
    {
        printf("%d\n",my_rand()%10);
        sleep(1);
    }
    return 0;
}

运行结果如下:
在这里插入图片描述

可以看到,运行正常

二、同样的原理,在Codesys中实现随机数

1 平台说明

  • 编程软件: Codesys V3.5 SP19 Patch3 (3.5.19.30)
  • 运行设备:PC电脑
  • 编程语言: ST语言

2 工程创建流程

(1) 新建Codesys工程,依次点击【文件】—【新建工程】—【标准工程】— 输入名称,如下图所示

请添加图片描述

(2) 设备可以任意选,这里选择【CODESYS Control Win V3】,编程语言选择【结构化文本(ST)】,点击【确定】

请添加图片描述

(3) 右键点击【Application】—【添加对象】—【Pou】

请添加图片描述

(4) 【名称】为FB_Rand , 【类型(T)】为功能块 ,【实现语言】为结构化文本(ST)

请添加图片描述

(5) 在功能块FB_Rand中,编写程序随机数功能

每次启动时,获取系统时间给种子赋初始值,这样能保证每次启动,种子的初始值不一样
在这里插入图片描述

三、codesys在线仿真验证功能

(1) 在PLC_PRG中,调用FB_Rand功能块,编写测试程序,验证效果

在这里插入图片描述

(2) 在线仿真

请添加图片描述

四、代码下载

点击【这里】,获取完整代码

请添加图片描述

PLC也能制作小游戏----Codesys编写猜数字小游戏 Codesys编程软件拥有的各种编译方式,以及强大的可视化功能,完全可以实现类似扫雷,纸牌等小游戏的程序编写,让疲惫的工控人员在调机的空闲之余可以休闲下,本文先尝试编写一个最简单的猜数字游戏。......... 阅读详情

相关推荐

Codesys标准函数说明

code 2.3 学习必备,详 细 讲 述了标准库的使用方法

CODESYS随机数生成

CODESYS随机数

qq_44052526的博客 1186

Codesys standard函数说明

Codesys standard函数说明 标准库函数就是STANDARD.LIB中的一些常用的函数

如何生成随机数

C语言随机数的生成

m0_73679326的博客 1021

STM32硬件SPI驱动ADS1255/1256避坑指南:从Cube MX配置到稳定采样实战

本文详细解析了使用STM32硬件SPI驱动高精度ADC芯片ADS1255/1256的完整流程与关键陷阱。重点阐述了Cube MX中SPI模式(必须为CPOL=1, CPHA=1)、数据帧格式(MSB First)及波特率(建议从256kHz起)的正确配置,并提供了分步读写时序的代码实现与逻辑分析仪调试方法,帮助开发者避开常见坑点,实现稳定可靠的高精度数据采样。

weixin_29193259的博客 361

工业视觉开发者的福音:用C#玩转VisionMaster算子(非方案版完整教程)

本文为工业视觉开发者提供了一份完整的C#与VisionMaster算子二次开发教程,详细介绍了环境配置、算子调用原理、性能优化技巧及实战案例。通过模板匹配和二维码识别等实例,展示了如何高效集成VisionMaster算子到现有框架中,提升工业自动化视觉检测系统的灵活性和性能。

weixin_29280657的博客 271

AI PLC本质:双轨架构实现工业自控智能升级

AI PLC并非在传统PLC中简单嵌入AI模型,而是面向工业实时控制场景的系统性架构重构。其核心在于平衡确定性控制与概率性推理,通过主辅双轨协同(硬实时逻辑轨 + 轻量AI推理轨),满足微秒级响应、IEC 61131-3原生兼容及存量设备零改造接入三大刚性要求。技术价值体现在提升预测性维护能力、降低非计划停机、优化多设备协同控制,广泛应用于变频器集群管理、模具寿命预测、跨品牌协议集成等典型工业自控场景。本文聚焦AI PLC落地中的真实约束与工程解法,涵盖硬件选型、数据清洗、模型轻量化及PLC-AI语义映射等

weixin_34378969的博客 409

GO与KEGG富集分析实战:从差异基因到功能注释

本文详细介绍了GO与KEGG富集分析的完整实战流程,从差异基因列表出发,通过基因ID转换、核心分析到结果可视化,系统阐述了如何将基因数据转化为生物学洞察。文章重点讲解了使用R语言clusterProfiler包进行GO和KEGG富集分析的具体步骤、参数设置及常见问题解决方案,并强调了结果解读与生物学故事构建的方法,帮助研究者深入理解差异基因的集体功能倾向。

weixin_29291863的博客 919

随机数

1.arc4random()

CoderYang. 640

实战二:基于LightGBM进行海洋轨迹预测 代码+数据(非常详细可作为毕设)

实战二:基于LightGBM进行海洋轨迹预测 代码+数据(非常详细可作为毕设)

1316

LabVIEW实现HTTP通信

本节简要介绍HTTP通信的基础知识,并以工业物联网平台TLINK中云端设备的数据发布设计为例,阐述互联网环境下HTTP客户端应用程序设计的基本方法。重点讲解工业物联网平台TLINK中HTTP设备的创建、通信数据帧的构造与测试。

不脱发的程序猿 1546

编程-如何产生随机数

//产生1-100之间的随机数 #include #include #include using namespace std; int main() {     int i,z(0),f(0);    double n;    srand(time(NULL));   for (i=0;i  {         n=(rand()%11)/10.0; 

u013594477的专栏 2014

C++多线程 task--std::promise和std::future

本文主要讲解C++11/14/17中所提供的应用于多线程编程中的Task机制。Task可由如下几部分取得而本文主要讲解std::promise和std::future相关的内容。std::promise和std::future通过一个数据管道进行交流,可以将std::promise看作生产者,std::future看作消费者,其两者形成如下的方式交互std::promise本身是一个模版类,通过std::promise可以像数据管道中设置value,异常和相应的通知信息。std::promise提供了如下接

qls315的博客 1818

经典算法:随机数生成

杂谈:经典算法之随机数生成 0. 引言 1. 问题描述 2. 解法一 1. 算法思路 2. 代码实现 3. 算法分析 3. 解法二 1. 算法思路 2. 代码实现 3. 算法分析 4. 总结 0. 引言 tkinter库的那篇博客(python笔记:可视化界面写作尝试)真的是写的我心力憔悴啊,其实东西并不难,就是多,然后一开始又没有找到比较靠谱的官方文档,搞得我没写一个组件的应用就得去看源码,然后自己写代码尝试,搞得累的半死。 唉,所以这里就休息一下,再写上一篇小文章休息一下好了,..

codename_cys的博客 2682

基于 Simulink 的 PFC + LLC 级联系统联合仿真与优化实战教程

摘要:本教程详细介绍了2kW级AC-DC变换器建模方法,采用"BoostPFC+LLC谐振变换器"组合架构。重点解析了双级系统的核心控制策略:前级BoostPFC实现功率因数校正(PF>0.95),后级LLC通过变频调制(PFM)实现高效能量传输。教程包含四大关键步骤:PFC建模与控制、LLC参数计算与实现、母线电容优化设计以及系统联合调试,特别针对级联系统常见的母线电容震荡问题提供了解决方案。同时给出了仿真波形分析指南和避坑建议,包括代数环处理、仿真步长设置等实用技巧,为新能源车

MHD0815的博客 120

SwiftUI 5 教程之 SwiftData使用入门(教程含源码)

对我来说,记住日期很难。是的,您可以设置该日期的提醒,但该提醒无法产生紧迫感。让我们创建一个应用程序,我们可以在其中添加将来发生的事件。如果我们可以在主应用程序上看到所有即将发生的活动,那就太好了。也许将它们添加到小部件上以营造紧迫感。对于任何事件,我们需要跟踪哪些事情?我们将在下一篇文章中添加更多属性,其中我们将讨论迁移。现在,这就是我们所需要的。开始吧。

iCloudEnd的博客 987

随机数的生成

所需的头文件:# include<stdlib.h> (1)若想要每次所得到的随机数的值不同,那么还需要用到# include<time.h>头文件,调用时的格式为srand(time(NULL)), (2)得到的随机数的值相同调用的格式为srand(seed); 注:使用time(NULL)时的结果是一个类似于1524655706的数字,且每秒都在递增1,达成srand(...

qiao_xi的博客 940

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

猜数字小游戏

新手开始学习,自己无聊就琢磨了一下代码,代码为一个猜数字小游戏,猜对了可自动画一颗爱心!这里默认为自主输入数字。当然,也可以调用python内部模块使系统自动随机取一个数(模块已给出)。需要注意的是,当使用模块时,t不能在模块函数的取值范围内。 #import random 产生随机数字 函数为randint(x,y) x,y表范围 #可用以上函数 stochastic=520 t=0 while(t!=stochastic): t=int(input("输入你猜的数字为:"))

WQK_975的博客 3152

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

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")

codesys 实现冒泡排序

什么是冒泡排序 冒泡排序的英文Bubble Sort,是一种最基础的交换排序。

qq_59182683的博客 948

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

获取随机数

Math对象方法: Math.ceil(); //向上取整。 Math.floor(); //向下取整。 Math.round(); //四舍五入。 Math.random(); //0.0 ~ 1.0 之间的一个伪随机数。【包含0不包含1】 //比如0.8647578968666494 Math.ceil(Math.random()*10); // 获取从1到10的随机整数 ...

alize的博客 917

Codesys V3.5 下载安装详细教程 + 所有版本大全集合

1、整理的codesys V3.5 所有的版本 CODESYS 3.5.9 CODESYS 3.5.9.40CODESYS 3.5.9.50CODESYS 3.5.9.60CODESYS 3.5.9.70CODESYS 3.5.9.80 CODESYS 3.5.10 CODESYS 3.5.10.0CODESYS 3.5.10.10CODESYS 3.5.10.20CODESYS 3.5.10.30CODESYS 3.5.10.40CODESYS 3.5.10.50CODESYS 3.5.1

codesys01的博客 3万+

用rand()和srand()产生为随机数的方法总结

标准库(被包含于中)提供两个帮助生成伪随机数的函数: 函数一:int rand(void);从srand (seed)中指定的seed开始,返回一个[seed, RAND_MAX(0x7fff))间的随机整数。 函数二:void srand(unsigned seed);参数seed是rand()的种子,用来初始化rand()的起始值。 可以认为rand()在每次被调用的时候,它会查看

坚持到底 1643

CodeSys随机数生成避坑指南:为什么你的种子变量必须是全局变量?

本文深入解析了在CodeSys中实现可靠随机数生成的关键陷阱与解决方案。核心指出,为确保随机序列的唯一性和连续性,随机数生成器的种子变量必须是全局变量,以避免多任务环境下的竞态条件和状态丢失。文章通过实际故障案例,对比了局部变量与全局变量的差异,并进一步介绍了单例模式等更优雅的架构设计,以及多线程下的线程安全注意事项。

brandy的博客 492

编写一个产生随机数的库

电脑使用一个确定的过程产生一个随机数,将从实现者,使用者的角度出发。 标准库中有一个函数rand可以产生随机数。 int rand(); 不需要参数,返回一个int变量,随机数是一个正数,且不大于RAND_MAX,在中有它的定义。 利用标准库写一个测试random的程序 // This program tests the random number generator in C+

wangrl的博客 1130

codesys软件版本问题

目前本博主所编写的程序使用的codesys软件版本为V3.5 SP14 Path1+,64位,软件是从禾川官网下载的(因为之前使用禾川Q系列PLC,而禾川仅支持sp14版本),详细版本信息如下 之前上传的所有codesys程序都使用此版本,目前codesys最新版本为sp17,似乎与此版本有较大差别。本人测试了一下,编译错误比较多,库,可视化等都存在问题,编译无法通过,不能使用仿真,不过不影响程序查看,如需要验证仿真的话,暂时只能更换成与我相同的版本, 当前sp14版本涉及的程序资源包括: 三轴圆

qq_19979629的博客 6185
上一篇: Codesys 2.3 软件下载及安装教程+所有版本大全集合
下一篇: Codesys 获取系统年、月、日、时、分、秒、星期几 +解决时区问题+ ST语言编程实现代码
林磊教育
博客等级 码龄3年 405粉丝 31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