冒泡排序,插入排序和选择排序实现

简单排序算法:冒泡排序,选择排序和插入排序的c++实现 所有代码的实现采用了模板类,如果对模板类不熟悉,可以把T换成 int 一、冒泡排序 冒泡排序的思想:相邻元素两两比较,如果逆序则交换 冒泡排序的实现思路:i 从数组的第二个下标开始循环(即以下标为1开始),每次从最后一个元素开始,依次与前一个元素对比交换,每循环一次,则前i个元素为有序的。 优点:冒泡排序在无下标的几个元素排序时,比其他排序算法更直接(比如三个数,找出其中中间大小的 阅读详情

具体的方法不说了,网上很多,直接贴代码。

#include<cstdio>

void BubbleSort(int* A, int n)
{
    for(int i = 0; i < n; i++)
        for(int j = 0; j < n - 1 -i; j++)
            if(A[j] > A[j+1])
            {   
                int tmp = A[j];
                A[j] = A[j+1];
                A[j+1] = tmp;
            }   
}

void InsertSort(int* A, int n)
{
    for(int i = 1; i < n; i++)
        for(int j = i; j > 0; j--)
            if(A[j] < A[j-1])
            {   
                int tmp = A[j];
                A[j] = A[j-1];
                A[j-1] = tmp;
            }   
}

void SelectSort(int* A, int n)
{
    for(int i = 0; i < n; i++)
        for(int j = i+1; j < n; j++)
            if(A[j] < A[i])
            {   
                int tmp = A[i];
                A[i] = A[j];
                A[j] = tmp;
            }   
}


int main()
{
    int A[] = {11,0,23,2,3,2,1,4};
    int n = sizeof(A) / sizeof(A[0]);
    SelectSort(A, n);
    for (int i = 0; i < n; i++)
        printf("%d\t", A[i]);
    printf("\n");
    return 0;
}


7种常用排序算法实现(C++)(冒泡排序、选择排序、直接插入排序、希尔排序、堆排序、归并排序以及快速排序) 本文件是7种常用排序算法的实现(C++),包括冒泡排序、选择排序、直接插入排序、希尔排序、堆排序、归并排序以及快速排序。代码详细有注释且有测试用例。 立即下载

相关推荐

不用编码器也能玩转BLDC?手把手教你反电动势定位实战

本文详细介绍了无刷直流电机(BLDC)的无传感器控制方案——反电动势定位法,通过STM32实战演示如何实现基本控制。文章涵盖核心原理、硬件准备、信号采集技巧及代码实现,特别适合静音风扇、小型机器人等对成本敏感的应用场景,帮助开发者降低硬件成本并提升系统可靠性。

lg888的博客 902

排序算法之冒泡排序、选择排序、直接插入排序(java实现)

今天用java实现三个简单的排序算法:冒泡排序、选择排序、直接插入排序。 1.冒泡排序 冒泡排序过程:从前完后依次比较,将最大的数放到最后,重新开始前面的过程,将第二大的数放到倒数第二的位置,直到数组有序。 java实现的代码过程如下: 冒泡排序的算法: public class BubbleSort { public static void main(String[] ar

CatterMCG 719

STC15W204S最小系统开发指南:从串口通讯到自动热加载全流程

本文详细介绍了STC15W204S最小系统的完整开发流程。从芯片资源解析、最小系统搭建、串口通讯驱动编写(使用Timer2生成波特率),到实现基于魔术值触发的自动热加载功能,并最终集成Keil与STC-ISP软件,构建高效的自动化开发工作流,显著提升嵌入式调试效率。

a1b2c的博客 397

三种基本排序-冒泡排序、直接插入排序、选择排序

冒泡排序(从大到小)       原理:对于n个数,需要进行n-1次扫描,每次扫描通过相邻两个数的比较,找出最大的数,放到数列顶部。      程序:    1.冒泡排序1:每次扫描把下一个元素和最前面的元素比较,一次扫描结束后,最大的元素就在最前面了。     void bubble_sort1(int a[],int len) { int i,j; for (i=0; i  2.冒泡排序2:每扫描一次,通过相邻两个元素的比较,使得最小或最大的数位于顶部。   void bubble_so

超哥的专栏 1万+

Cadence 16.6与17.4双版本共存避坑指南:从安装顺序到环境变量配置

本文是一份详细的Cadence 16.6与17.4双版本共存实战指南。针对硬件工程师和PCB设计者同时处理新旧项目的需求,文章深入剖析了版本冲突根源,并提供了从安装顺序、环境隔离到故障排查的完整解决方案。核心在于通过环境变量精细化管理与脚本控制,实现两个版本的稳定共存与无缝切换,有效解决了文件关联混乱、交互布局失效等常见问题。

html8的博客 986

Linux运维人,该醒醒了,2019年要变天了

外界都说运维只是处于被动低效率手工救火的状态,企业对其重视程度不高,提起运维很多人能联想到的字眼就有“苦逼”、“辛苦”、“加班”、“背锅”。在大数据、人工智能、容器技术的强力加持下,运维这个传统的技术工种已经从“机械劳动”这样的刻板印象中蜕变出来,成为了任何一家技术公司所必须依赖和大力投入的核心技术能力。 现在,运维人员的发展前景也开始让很多程序员眼羡,作为Linux运维人员的你:这一年,你的L...

qq_43083284的博客 1万+

c语言中冒泡排序、插入排序、选择排序算法比较

掌握好常用的排序算法,在实际的项目开发中可以节省很多的时间。每一种排序算法在执行的效率上是存在差别的,这些微小的时间差,也许在平常的联系当中感觉不到,但是涉及到数据量比较大或者是在资源比较紧张的系统中就显得尤其的重要,比如嵌入式系统。下面简要介绍三种常用的排序算法以及他们的执行效率的比较。        冒泡排序:        思路:将相邻的两个数比较,将较小的数调到前头;有n个数就要进行n

清风雨溪的博客 2140

第3讲:单端传输线的时域TDR仿真(基于实战的第一次仿真视角切换)

本文为CST仿真系列教程的第3讲,主要介绍传输线阻抗(TDR)的两种仿真方法:基于S参数的频域计算和基于高斯脉冲的时域计算。文章详细演示了在CST PCB Studio中修改电容参数、设置TDR仿真参数(包括截止时间和采样点数)的操作步骤,并通过对比实验展示TVS寄生电容对阻抗曲线的影响。最后将两种TDR方法的结果进行对比,验证了两种方法的一致性。本教程适合硬件工程师通过时域波形直观分析传输线阻抗特性,是信号完整性分析的重要技能。

一只豌豆象的博客 230

【排序算法】插入排序(C++实现)

插入排序的基本思想是每次将一个待排序的记录,按其关键字大小插入到前面已经排好序的子文件中的适当位置,直到全部记录插入完成为止。常见的插入排序有插入排序(Insertion Sort),希尔排序(Shell Sort),二叉查找树排序(Tree Sort),图书馆排序(Library Sort),Patience排序(Patience Sort)。下面介绍前两种: (一)直接插入排序 最差时间复

JimYe的专栏 6万+

【车载以太网测试从入门到精通】系列文章目录汇总

物理层测试、数据链路层测试、以太网交换机测试、网络层测试、传输层测试、以太网TCP/IP协议自动化测试、以太网网络管理测试、以太网网络管理自动化测试、鲁棒性测试、SOME/IP测试、SOMEI/IP服务接口自动化测试、DoIP诊断测试、DoIP诊断自动化测试、DoIP BootLoader刷写、以太网网关路由测试、以太网网关路由自动化测试、AVB测试。

测试领域技术分享 3165

【基础-单选】Row组件中有两个Text组件,如果使用justifyContent对齐方式,下面哪个属性可以实现左右两端对齐:

Row组件中有两个Text组件,如果使用justifyContent对齐方式,下面哪个属性可以实现左右两端对齐

江拥羡橙的博客 1305

C语言实现冒泡排序,选择排序和插入排序

C语言实现冒泡排序,选择排序和插入排序 #include<stdio.h> /*冒泡排序*/ int BubbleSort(int *array,int num) { int i=0,j=0,n=0; for(i=0;i<num;i++) for(j=0;j<num-1;j++) if(array[j]>array[j+1]) { array[j]=array[j]+array[j+1]; array[j+1]=array[j]-array[j+1]

msdn_yyhh的博客 501

深度学习特征融合(feature fusion)操作详解

特征融合是指在深度神经网络中,将来自不同来源(如不同网络分支、不同模态、不同时间步、不同空间尺度或不同抽象层级)的特征表示进行有策略地整合,以生成更具判别性、鲁棒性和语义丰富性的联合特征表示。其核心目标是最大化信息互补性,最小化信息冗余与噪声干扰。关键问题:如何“有效”融合?——这取决于任务需求、数据特性、计算资源和融合机制的设计。✅ 是否对齐了空间/通道/模态?✅ 融合方式是否与任务匹配?(检测需定位+语义 → 多尺度融合)✅ 是否引入可学习机制提升适应性?✅ 是否控制了计算开销?

浩瀚之水的专栏 793

Js实现冒泡排序、选择排序和插入排序

1.冒泡排序 描述: 两两比大小,换位置 时间复杂度:O(n²) bubbleSort(arr) { for (var i = 0; i < arr.length - 1; i++) { //每一次遍历,最大值都会被放在最后的位置,所以不用再判断最后两位,故:arr.length-1-i for (var j = 0; j < arr.length -...

qq_27851967的博客 328

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

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")

冒泡排序、插入排序和选择排序Java实现

数据结构与算法—排序(一) 这一篇博客主要讲冒泡排序,插入排序,选择排序这三种排序 冒泡排序 冒泡排序只会操作相邻的两个数据。每次冒泡操作都会对相邻的两个元素进行比较,看是否满足大小关系要求。如果不满足就让它俩互换。一次冒泡会让至少一个元素移动到它应该在的位置,重复 n 次,就完成了 n 个数据的排序工作。 实现代码: // 冒泡排序,a表示数组,n表示数组大小 public void bubbleSort(int[] a, int n) { if (n <= 1) return; fo

weixin_44501322的博客 243

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

python语言实现冒泡排序、插入排序和选择排序

冒泡排序 冒泡排序是一种稳定的排序算法,及相同元素排序前后位置不发生调换,时间复杂度为O(n^2). 冒泡排序的核心思想如下: 依次比较相邻元素,若前者大于后者则交换位置后继续向后比较,若小于则直接继续向后比较 比如:对于ll=[8, 5, 4, 6] 1.第一轮比较,比较前ll=[8, 5, 4, 6] 首先比较8和5,8大于5,交换位置,继续向后比较;由于位置交换,比较8和4,8大于4,交...

bkr129的博客 527

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

JavaScript实现冒泡排序、选择排序和插入排序

在前几话话中深入研究了一下冒泡排序及其优化 JavaScript实现冒泡排序及双向冒泡排序 今天总结一下排序算法中也极为经典的选择排序和插入排序 一、回顾冒泡排序 为了更好的比较这几种算法,首先回顾一下之前冒泡排序的思想和简单实现 这个网站可以看到这几种排序的动图,可以手动演示一下,了解这几种排序的思想 冒泡排序算法动图展示 1、冒泡排序的思路 (1)方向:冒泡排序是向右排的 (2)第一轮会从第一个数开始跟相邻的右边的数比较,比右边大就交换一下,这样不断重复跟右边相邻的数字比较,就像冒泡一样,冒出了最大的数

Yolanda_NuoNuo的专栏 580

插入排序、冒泡排序和选择排序详解与Java实现

插入排序算法是一个对少量元素进行排序的有效算法。插入排序的工作原理与打牌时整理手中的牌的做法类似,开始摸牌时,我们的左手是空的,接着一次从桌上摸起一张牌,并将它插入到左手的正确位置。为了找到这张牌的正确位置,要将它与手中已有的牌从右到左进行比较,无论什么时候手中的牌都是排序好的。     JAVA实现该算法如下: Java代码   public void insert

古韦的专栏 1275

冒泡排序、选择排序和插入排序(C++实现)

一、冒泡排序 又称为泡式排序。它重复地走访过要排序的数列,一次比较两个元素,如果他们的顺序错误就把他们交换过来。 最坏时间复杂度:O(n^2) 最优时间复杂度:O(n) 这里给出了枚举类型SortRule,Up表示升序,Down表示降序 enum SortRule { Up, Down }; 冒泡排序C++实现: size为数组大小,s为数组,type默认为Up,即升序 void bubble...

Vac的博客 637

冒泡排序,折半查找,选择排序和插入排序Java实现及解析

一、冒泡排序 通过按顺序将元素的逐个比较大小和交换形成有序的元素序列。 public static void bubbleSort(int a[]){ // 外层循环控制排序趟数(核心是要控制执行n-1趟排序) for(int i = 0;i < a.length - 1;i++){ // 里层循环控制每一趟排序过程中前后相邻位置的数,比较和交换的过程 for( int j = 0;j < a.length - i -1;j++){ // j表示每一趟排序过程中待比较的下标位置,从

HLComet_Bay_WC的博客 1645

C/C++的灵魂—指针实现冒泡排序、选择排序和插入排序

嗯嗯

Brian_XJ的博客 891

(九)数据结构之简单排序算法实现:冒泡排序、插入排序和选择排序

1、冒泡排序 /* 冒泡排序,按照由小到大顺序进行排序 */ void Bubble_Sort( ElementType A[], int N ) { int P, i; int flag = 0; /* 定义一个flag来判断带排序序列是否有序或局部有序,提高算法效率 */ for ( P=N-1; P>=0; P-- ) { flag = 0; for( i=0; i<P;

TECH_PRO的博客 1409

Python实现冒泡排序、选择排序和插入排序

文章目录冒泡排序选择排序插入排序 冒泡排序 def bubSort(arr): length = len(arr) for i in range(length): for j in range(length-1-i): if arr[j] > arr[j+1]: temp = arr[j] arr[j] = arr[j+1] arr[j+1] = te

Mr_Wanderer的博客 416

选择排序、冒泡排序和插入排序的代码实现

#include<iostream> using namespace std; //选择排序 int selectSort(int *a,int length); //冒泡排序 int bubbleSort(int* a, int length); //插入排序 int insertSort(int* a, int length); //交换两值 void swap(int* a, int b, int c); int main() { int a[] = { 0,2,4,7,8,5,9,

qq_51853681的博客 281

冒泡排序、选择排序和插入排序的实现

#include void main() {    int i,count,*p;    int j;    cin>>count;    p=new int[count];    for(i=0;i       cin>>p[i];    for(i=0;i       cout    cout        /*      选择排序(正序)

wenjingyu的专栏 613

冒泡排序和选择排序以及插入排序的实现

冒泡排序和选择排序的实现 1. 冒泡排序(Bubble Sort),是一种计算机科学领域的较简单的排序算法。 比较相邻的元素。如果前一个元素比后一个元素大,就交换这两个元素的位置。 对每一对相邻元素做同样的工作,从开始第一对元素到结尾的最后一对元素。最终最后位置的元素就是最大 值。 public class Bubble { public Bubble(){ } //对数组内的元素进行排序 public static void sort(Comparable[] a){ for(int

m0_53048901的博客 215
上一篇: [百度分享]频繁分配释放内存导致的性能问题的分析
下一篇: 二分查找实现
overstack
博客等级 码龄14年 115粉丝 55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