【图论基础数据结构及其应用】

图论中的边松弛与最短路径算法 本章主要介绍了图论中的边松弛技术及其在最短路径算法中的应用。详细阐述了边松弛的定义、过程和原理,通过具体的Java代码示例展示如何实现边松弛。进一步讨论了节点松弛的概念,并探讨了如何通过节点松弛来构建最短路径树。最后,引入了迪杰斯特拉算法,解释了其数据结构和操作流程,以及如何使用优先队列来优化算法性能。 阅读详情

本文主要介绍Java中图论基础数据结构的基本原理、实现方式以及使用场景。图论是研究非线性方程组及其解的数学领域,广泛应用于计算机科学中,如网络拓扑、交通网络、地理信息系统等。

一、图的基本概念

图是由节点(Vertex)和边(Edge)组成的数据结构。节点表示图中的对象或实体,而边表示节点之间的关系。无向边用一条实线表示,有向边用一条虚线表示。

二、图的类型

根据边是否有方向,图可以分为有向图和无向图。有向图中的边有方向,而无向图中的边没有方向。在有向图中,每个节点都有一个入度(In-degree)和一个出度(Out-degree)。

图还可以根据边的权重分为有权图和无权图。有权图中的边具有一个实数值,表示两个节点之间的距离或重要性。无权图中的边没有权重,表示两个节点之间的关系。

三、图论基础数据结构

Java中常见的图论基础数据结构有:

  1. Dijkstra算法中的邻接表:用于表示有向图和无向图,用链表表示节点之间的关系。
  2. 广度优先搜索(BFS)和深度优先搜索(DFS):用于图的遍历和搜索,使用队列和栈等数据结构。
  3. 最短路径算法:如Dijkstra算法、Floyd-Warshall算法等,用于计算图中节点之间的最短路径。
  4. 关键路径:用于表示任务之间的依赖关系和完成时间,如AOE网络图。
  5. 拓扑排序:用于确定图中节点的线性顺序,如有向无环图中的顶点排序。

四、图论基础数据结构的使用场景

图论基础数据结构在许多应用场景中具有广泛的用途,以下是一些典型的应用示例:

1. 网络拓扑结构分析:在计算机网络中,网络拓扑结构对于网络性能和故障排查具有重要意义。图论基础数据结构可以用于表示和分析网络拓扑结构,从而发现潜在的问题并优化网络性能。

2. 路径查找:

在地理位置信息系统中,图论基础数据结构可以用于查询两个节点之间的最短路径、路径长度等信息。

3. 网络流量分析:

在数据中心或网络环境中,图论基础数据结构可以用于分析网络流量的分布情况,以便更好地调度和优化网络资源。

4. 数据挖掘和机器学习:

图论基础数据结构在数据挖掘和机器学习领域具有广泛的应用,如关系发现、社区检测等任务。

5. 社交网络分析:

在社交网络中,节点表示用户,边表示用户之间的关系。图论基础数据结构可以用于分析用户之间的关系和社交网络的结构。

五、总结

图论基础数据结构在计算机科学中具有广泛的应用,包括网络拓扑、路径查找、网络流量分析、数据挖掘和机器学习等领域。在实际开发过程中,根据具体需求选择合适的数据结构来提高程序的性能和可维护性。在处理具有大量节点和边的图时,图论基础数据结构可以提供高效的算法和分析工具。

VC++2012下的狄克斯特拉算法实现及应用 狄克斯特拉算法(Dijkstra’s algorithm)是由荷兰计算机科学家艾兹赫尔·L·狄克斯特拉(Edsger W. Dijkstra)于1956年提出的一种用于在加权图中找到最短路径的算法。这个算法能够解决单源最短路径问题,即对于给定的一个顶点作为起点,算法能够找到该顶点到图中其他所有顶点的最短路径。狄克斯特拉算法是图论中非常重要的算法之一,广泛应用于各种领域,比如网络路由、地图导航、电路设计等领域。 阅读详情

相关推荐

数据结构 图论 最经典的结合

)scrollAmount。它表示速度,值越大速度越快。建议设为1~3比较好。 b)width和height,表示滚动区域的大小,width是宽度,height是高度。特别是在做垂直滚动的时候,一定要设height的值。 c)direction。表示滚动的方向,默认为从右向左:←。可选的值有right、down、up。滚动方向分别为:right表示→,up表示↑,down表示↓。 d)scrollDelay,这也是用来控制速度的,不添加,即默认为90。值越大,速度越慢。通常scrollDelay是不需要设置的。 e)behavior。用它来控制属性,默认为循环滚动,可选的值有alternate(交替滚动)、slide(幻灯片效果,指的是滚动一次,然后停止滚动)

什么是图论和图论在数字图像中的应用

例如,在图像分割中,可以将图像看作一个由像素点组成的图,然后使用图论算法将图像分割成若干个区域,以便进行后续的处理。在路由算法中,可以将路由网络看作一个由路由器和链路组成的图,然后使用图论算法计算最短路径,以实现数据的快速转发。其中,最小割算法是一种用于图像分割的经典算法,它将图像看作一个带权无向图,将图像分割成两个区域的问题转化为一个最小割问题。除了基本的图论算法,还有一些针对数字图像的特殊算法,如基于区域的图像分割算法、基于图像的聚类算法等。图论是数学中的一个分支,研究由节点和边组成的图的性质和关系。

weixin_43271137的博客 1904

MODTRAN5.2.1安装配置

MODTRAN5.2.1安装配置

Home 4273

C 数据结构之图论:并查集应用畅通工程

并查集1.畅通工程 使全省任何两个城市都能实现交通,城市之间不一定直接联通输入 第一行给出两个整数N城镇数目,道路数目 M,之后M行对应M条道路,输出最少还需建设城镇数目样例输入 4 21 34 33 31 21 32 35 21 23 5999 0样例输出 1 0 2 998 #include <stdio.h> using namespace std; #define N 1000...

Joanna_or_zhouzhou的博客 567

Quartus ||———基于Verilog HDL的数字秒表设计实验

Quartus ||———基于Verilog HDL的数字秒表设计实验一、实验目的二、实验步骤(一)新建工程(二)添加设计文件(三)综合分析与功能仿真1、综合分析2、功能仿真 一、实验目的 用Verilog HDL设计一个数字跑表,所需引脚和功能如下: 二、实验步骤 (一)新建工程 在创建好工程名称后,选定芯片类型 (二)添加设计文件 新建Verilog文件,键入代码如下 module n_clk_top( input clk, input rese

TBMmagic的博客 5529

BSL编程语言 —— 系统化程序设计

BSL编程语言简介 文章目录0. 选择编程语言1. 写简单的表达式(Expression) 0. 选择编程语言 如果你第一次使用DrRacket,打开后需要选择Beginning Student Language (BSL) Language -> Choose Language (或直接按Ctrl + L),看到如下洁面后选择Beginning Student,点击OK 定义区【De...

CSDoneRight的博客 6452

数据结构之图论

数据结构之图论概览

断的博客 884

论文解析-sciPENN

用这2个CITE-seq共有的protein作为训练集,分别将他们特有的protein作为测试集,评估sciPENN对CITE-seq数据集中缺失的protein丰度预测准确度。来自Seurat 4 的PBMC数据集,样本被注射水疱性口炎病毒 (VSV) 载体 HIV 疫苗,数据集包含每个样本注射疫苗0天、3天、7天的CITE-seq数据。PBMCs作为训练集,MALT作为测试集,利用scRNA-seq测试17个蛋白质表达水平。Monocyte:随机取4个样本作为训练集,剩余4个样本作为测试集。

weixin_46065198的博客 1024

数据结构--图的应用

数据结构--图的应用:最小生成树、最短路径、AOV网(涉及到拓扑排序)、AOE网(涉及到关键路径)

记录学习的博客 3433

DeepSeek助力学术审稿:高效处理审稿意见的实用提示词指南

本文介绍如何利用DeepSeek AI工具高效处理学术审稿意见,提供实用的提示词指南。从评审意见结构化整理到争议问题回应策略,详细解析AI在加速审稿流程中的应用技巧,帮助研究者大幅提升回复效率和质量。

weixin_28684497的博客 601

5分钟搞定!Unity中Matcap玻璃材质快速实现(含免费贴图资源)

本文详细介绍了在Unity中快速实现Matcap玻璃材质的方法,从技术原理到实战操作,包括Shader编写、参数调节和性能优化。通过Matcap技术,开发者可以高效创建逼真玻璃效果,特别适合移动端和快速迭代项目。文章还提供了免费贴图资源和进阶优化技巧,帮助提升视觉效果和运行效率。

a1b2c的博客 223

图论应用 floyd(弗洛伊德)算法、dijkstra(迪杰斯特拉)算法

图论应用是非常广泛的,不同于二叉树,二叉树是应用在数据存储结构提高查询效率的,而图论则是用在辅助决策系统中,求得最优化解的等等,而本篇文章中介绍的floyd(弗洛伊德)算法、dijkstra(迪杰斯特拉)算法 是分别用于解决多元路径和最短路径问题的。应用比较广泛。

踩踩踩从踩的博客 3521

抖音Web端私信Protobuf逆向解析实战

本文详细解析了抖音Web端私信通信的逆向过程,发现其核心采用WebSocket传输Protobuf序列化数据。通过抓包获取二进制样本,利用protoc工具进行原始解码,并逐步推导和编写出对应的.proto协议定义文件,最终实现模拟消息的编码与解码,为理解私有协议逆向提供了完整实战案例。

water的专栏 765

【高阶数据结构(一)】并查集详解

本篇文章讲解了并查集的原理,并查集的模拟实现,并查集的应用.

杭电码农-NEO的博客 2334

YOLO 系列专栏(二十九)YOLO26 × StarNet 轻量化涨点方案(CVPR 2024)轻量化、主干改进篇 | 星星卷积虽小,却蕴藏着巨大的高效潜力

StarNet 出自 CVPR 2024 轻量化主干网络工作,核心创新是,依靠逐元素乘法实现高阶特征融合,在几乎不增加参数量与 FLOPs 的前提下,大幅提升特征表达能力,天然适合等多任务统一建模。本文将 StarNet 完整替换 YOLO26 原有主干,保留 YOLO26 无 NMS 检测头与轻量化结构,实现,并提供。

qq_36130719的博客 410

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

数据结构预算法与图论

图论的应用极其广泛,从社交网络中的人际关系网络(顶点表示人,边表示好友关系),到交通运输中的路径规划(顶点表示城市,边表示道路),再到互联网的拓扑结构,其理论基础为许多实际问题的解决提供了钥匙。未来,随着量子计算、异构计算等新范式的兴起,对传统数据结构和算法提出了新的挑战与机遇,例如设计适用于量子环境的新型数据结构或开发能够处理海量图数据的近似算法,将是研究的重要方向。无论是简单的数组、链表,还是复杂的树、图结构,其设计初衷都是为了对应特定类型的算法问题,以实现时间与空间复杂度上的最优平衡。

wangchong91591的博客 266

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")

数据结构与算法从入门到放弃

前言作为编程生涯中必不可少的一项技能,数据结构与算法在我们日常编程中扮演着极其重要的角色。在提高程序性能更是起到了至关重要的作用,此系列中将介绍一些常用的算法和一些算法的优化。在现代的互联网蓬勃发展的今日,算法更是无处不在。在人工智能迅速壮大的过程中算法起到了相当大的作用。被广泛应用于智能推荐、图像识别、语音识别等等。本系列教程会持续更新一下内容:排序(冒泡、选择、插入、希尔、归并、快速、堆)树图...

qq_21963133的博客 799

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

AcWing的算法基础课目录

AcWing的算法基础课目录

Greedy Hat的博客 784

图论基础学习

C - 图论入门 思路:就是一道简单的邻接矩阵,知道什么是邻接矩阵以及其意义就可以做。变就是矩阵中非零的个数,点的出度数就是a[ m ][ i ],入度数就是a[ i ] [ m ]。 #include<iostream> using namespace std; const int N = 1e3 + 10; int n, m, a[N][N], cnt; int main(){ ios :: sync_with_stdio( false ); cin.tie

qq_46258869的博客 249

互联网发布:最详细的《数据结构算法核心总结》,图文并茂超清晰

互联网发布:最详细的《数据结构算法核心总结》,图文并茂超清晰

javaAnPou的博客 181

图论网络模型及求最小路径和造价实战

图论起源于 18 世纪。第一篇图论论文是瑞士数学家欧拉于 1736 年发表的“哥尼斯堡的七座桥”。1847 年,克希霍夫为了给出电网络方程而引进了“树”的概念。1857年,凯莱在计数烷 22 +nn HC 的同分异构物时,也发现了“树”。哈密尔顿于 1859 年提出“周游世界”游戏,用图论的术语,就是如何找出一个连通图中的生成圈、近几十年来,由于计算机技术和科学的飞速发展,大大地促进了图论研究和应用,图论的理论和方法已经渗透到物理、化学、通讯科学、建筑学、运筹学,生物遗传学、心理学、经济学、社会学等学科中。

weixin_44978992的博客 1216

算法基础课【合集1】

1024

violet的博客 1973

【强连通分量】图论复习(一)

强连通分量一共有三种算法Kosaraju、Tarjan、Gabow算法,本人目前只会Tarjan,所以就简单发一下以前所做过的强连通分量的题(当然都是比较简单的~ ~)。 首先是一道裸题。 舞会 题意就是求一个 图中强连通分量的个数,只要先把图建好,用到了伪链表,然后用一次Tarjan,就可以顺利求出个数,也不需要记录点属于哪一个强连通分量。 代码: #include #includ

I'm dreamer 1731

《离散数学及其应用》学习(下)

四.计数 鸽巢原理:如果k+1个或更多的物体放入k个盒子,那么至少有一个盒子包含了2个或更多的物体。 广义鸽巢原理:如果n个物体放入k个盒子,那么至少有一个盒子包含了至少n/k(取上线)个物体。 例:为保证一个州2500万个电话有不同的电话号码,所需地区代码的最小数是多少(假定电话号码NXX-NXX-XXXX,N取值为2~8,X取0~9)(前三位为地区代码) 解:求所需地区代码的最小数,我

shiyuan的专栏 4619

7_1数据结构与算法基础:::数据结构【重点】

7_1数据结构与算法基础:::数据结构

qq_40572023的博客 599
上一篇: 【Trie树数据结构及其应用】
下一篇: 【最短路径数据结构及其应用】
Java程序员廖志伟
Java程序员廖志伟 优质创作者: Java技术领域 优质创作者: Java技术领域 领域专家: 后端开发技术领域 领域专家: 后端开发技术领域
博客等级 码龄8年 2万+粉丝 1902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

打赏作者

Java程序员廖志伟

赏我包辣条呗

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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