素数的筛法,n*long(n)和O(n)的写法

#C语言#关于求素数的思路(一般筛法到线性筛) Target:输入一个正整数n,输出1~n的所有素数 让我们再来回顾一下求素数的算法,关于素数的算法是信息学竞赛和程序设计竞赛中常考的数论知识,希望通过此次对算法思路的整理能对大家有所帮助。 阅读详情


需求:

产生区间[0, N]之间的素数。


最简单的方法是,一个一个套,但是每试探一个数n, 需要枚举sqrt(n)次,所以这种算法的时间复杂度就是O(N*sqrt(N)), 也就是N*N。

那么效率更加高一点的方法是,把每个素数的2,3,4,... x, (x <= sqrt(N)) 倍数筛选出来,留下的就是素数。 该算法效率是 N*log(N)。

void sieveOne(){
	int m = sqrt(N+0.5);
	for(int i=2; i<= m; i++){
		if(!arr[i]){
			for(int j=i*i; j<= N; j+=i){
				arr[j] = 1;
			}
		}
	}
}

其实还有更加高效的算法。 根据因式分解定理,每一个合数都可以分解为 N= p^k*q的形式,又因为每个合数的分解方式是唯一的,所以该算法的效率是O(N)。


void sieveTwo(){
	int p,q;
	int end = sqrt(N+0.5);
	for(p = 2; p!=end; ++p ){
		if(!arr[p]){
			for(q = p; p*q <= N; ++q){
				for(int k= p*q; k<= N; k*=p) arr[k] = 1;
			}
		}
	}
}




C++求前N个素数——线性筛法 C++求前N个素数——线性筛法 素数 又称质数,是指在大于1的自然数中,除了1和它本身以外不再有其他因数的自然数。 判断素数 一般而言,判断一个数n是不是素数,只需要用n分别除以[2,n-1]看是不是能整除,这样的话时间复杂度为O(n^2)。 但是实际上我们其实只需要用n分别除以[2,floor(sqrt(n-1))]就可以判断出n是否是素数了,但是为什么呢,我也不知道,反正大家都这么干 这样下来的时间开销是√1+√2+√3+…+√n,这个式子目前好像还没有公式可以表示。 //判断一个数是否是素数 bo 阅读详情

相关推荐

关于素数的算法(筛法求小于n的素数)

遇到了一个要求用筛法求小于n的素数的算法题目 以前在上课时也写过不少次求素数的算法,今天汇总一下,然后试一下筛法。 先写一个函数,功能是判断x是否是素数 int panduan(int x) //判断x是否为素数 { if(x==1)return 0; //1不是素数 int i; int y=sqrt(x); //x的“因数对”除了两个根号x相等外,其他...

qq_43298035的博客 2701

素数筛(彻底理解)

一.什么是素数 长话短说:因数只有1和本身的正整数,(但素数不包含1). 比如 2 ,3,5,7… 二.如何判断一个数是素数 用1中的定理,也就是说,如果某个大于1的正整数与任何小于等于它的正整数的最大公因数都是1,则为素数 咳咳咳…扯远了,我们的重心不在这里,重点在下面: 三.什么是素数筛 首先,给你一个区间的正整数,让你求在这段区间内有哪些素数? 这里,我们就可以用“筛选的方法”筛去不是素数的正整数(也就是合数)剩下的就是素数了,但不同的筛法效率也是不一样的 1. 最直接的筛法 获取1到n以内的所有素

YSJ367635984的博客 2万+

筛法求N以内的素数 C++

筛法求n以内的素数 筛法求素数:把2到n中所有的数都列出来,然后从2开始,先划掉n内所有2的倍数,然后每次从下一个剩下的数(必然是素数)开始,划掉其n内的所有倍数。最后剩下的数,就都是素数。 是以空间换时间的算法,时间复杂度为O(n)。 设置一个标志数组 isPrime, isPrime[i]的值是1就表示i是素数。开始数组元素值全部为1。 划掉k的倍数,就是把isPrime数组,...

qq_41697164的博客 2937

算法篇——素数筛

埃氏筛、欧拉筛的讲解

lcx0128的博客 3119

C++使用O(n)的算法找到1~n的所有素数——欧拉筛法的模板代码及原理

我们都知道在日常做题写码时都需要找素数,并且有时还是大量的找素数。这时,我们平常使用的算法就显得时间复杂度低效不可行了。这里介绍一种目前认为是最高效率的用O(n)的时间复杂度找素数的方法。内容简单易懂,还附有模板代码,实在是不可多得的精品。

C20200521的博客 3849

欧式素数筛法

本文学习自《算法竞赛进阶指南》0x30 回顾Eratosthenes筛法,时间复杂度O(NloglogN)O(NloglogN)O(NloglogN): 每次扫描一个数,把这个数的倍数标记为合数(非素数)。 对于 例如2和3都会把6标记为合数的情况,有:小于x2x^2x2的xxx的倍数在扫描更小的数时都会已经被标记为合数。因此,对于每个数x,我们只需要从x2x^2x2开始,把x2,(x+1)...

zhaohaibo的博客 3740

素数筛(埃氏筛、欧拉筛)

那么对于任意的i>2,当我们遍历到i时,则我们一定先遍历了[2,i-1]之间的所有数,若isprime[i]为false,则证明i不是[2,i-1]中任意素数的倍数,即i只能被1和它自身整除,所以i为素数。若x∈[2,i-1],则x*i一定已经被标记为合数了,因为在遍历到i之前,我们一定已经遍历过x了,若x的最小质因数为k,k*y==x,则x的i倍即k的i*y倍若小于n则一定已经被标记过了。那么问题来了,如果我给你一个数字n,让你判断有多少个小于n的素数,...

m0_54123999的博客 4861

Sobel原理及计算过程详解

该算子包含两组3x3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。首先,我们需要构建一个Sobel算子,通常是一个 3x3 的矩阵。Sobel算子可以分别计算水平和垂直方向的梯度值,然后将两者合并得到总梯度值。索贝尔算子(Sobel operator)主要用作边缘检测,在技术上,它是一离散性差分算子,用来运算图像亮度函数的灰度近似值。所以,我们假设选择图像矩阵中的点A(1, 1),即第二行第二列的元素,对应的。接下来,我们将使用Sobel算子计算这个点的梯度值。

2301_76461741的博客 1万+

1、素数筛(这应该是最全的总结了,四种基本方法,7种优化方法)

素数筛 基本介绍 素数问题是数学领域中的基本问题,也是程序设计或者面试笔试中的常见问题。计算机的诞生,让素数的计算过程大大加快。 本文是这段时间我个人学习素数相关知识的阶段性总结,也是对知识的记录和分享。 希望和大家一起学习、一起进步。以后还会陆续更新其他方面的知识。 首先,明确素数的定义: 质数 (素数) 是指在大于 1 的 ** 自然数 ** 中,除了 1 和它本身以外不再有其他因数的自然数。—“质数 (素数) 百度百科” 根据素数这一定义,可以提炼出几点内容 素数是自然数,因此是整数 素数是大于

Yuki_fx的博客 4万+

告别手动标注!用ENVI Classic高效搞定高光谱图像语义分割标签(以农业/地物分类为例)

本文详细介绍了如何利用ENVI Classic实现高光谱图像的半自动化智能标注,特别针对农业和地物分类场景。通过光谱特征分析、智能标注技巧和MAT文件转换,显著提升标注效率和质量,助力AI模型训练。

weixin_28694169的博客 251

Eplan2022 复制已有的宏文件生成新的原理图宏文件

Eplan2022 新建原理图宏文件

haier123888的博客 1万+

【数论算法】素数筛

本文介绍了素数筛的几种常见算法:试除法、埃氏筛法和欧拉筛法。

代码星辰的博客 3077

ESP32S3新手避坑:用IDF5.0驱动GT911触摸屏,我踩过的三个雷都给你填平了

本文详细解析了在ESP32S3开发板上使用IDF5.0驱动GT911触摸屏时常见的三大问题:软重启失效、状态寄存器读取异常和初始化参数差异。通过逻辑分析和硬件调试工具,提供了针对性的解决方案和优化建议,帮助开发者高效完成触摸屏驱动开发。

weixin_42567497的博客 299

C++筛法求素数

一般方法 #include<iostream> #include<cmath> //用sqrt()这个函数需要加的头文件 using namespace std; int prime(int n) { for(int i=2;i<sqrt(n);i++) //不需要到n,到根号n就已经足够 { if(n%i==0) return 0; //不是素数返回0,是素数返回1 } return 1; } int main() { int n; cin&

suanrongye的博客 9921

宇树机器人G1二次开发:语音对话、打断与激活功能实现指南

宇树机器人G1是一款功能强大的四足机器人,其开放的SDK和API为开发者提供了广阔的二次开发空间。其中,语音交互是提升机器人智能化水平和用户体验的关键功能。本文将详细介绍如何在宇树机器人G1上进行二次开发,实现。语音打断允许用户在机器人说话时随时中断并输入新指令,这是提升交互自然度的关键功能。三大核心功能,帮助你构建更自然、更智能的人机交互系统。语音识别是将用户的语音输入转换为文本的过程。识别文本后,需要理解用户意图并生成回复。将文本回复转换为语音输出。

m0_52645558的博客 669

SAP_MM模块通过CC11 创建物料版本

通过本文,我们了解了 SAP 的[SAP_MM模块通过CC11 创建物料版本]的基本概念和应用方法。当物料主数据、BOM(物料清单)、工艺路线等对象需要进行变更控制时,通过创建“版本”或“更改单”来记录、控制和追溯变更。创建完变更主记录(Change Number)后,可在物料主数据维护时引用它,从而创建物料版本化信息。,在其中可以定义物料、BOM、工艺路线等对象的变更版本信息,从而在系统中实现版本化的物料管理。

我小时候很黑的博客 817

一般筛法求素数+快速线性筛法求素数

TAG 素数  数论 素数总是一个比较常涉及到的内容,掌握求素数的方法是一项基本功。 基本原则就是题目如果只需要判断少量数字是否为素数,直接枚举因子2 。。N^(0.5) ,看看能否整除N。 如果需要判断的次数较多,则先用下面介绍的办法预处理。  一般的线性筛法 首先先介绍一般的线性筛法求素数 void make_prime() { memset

ACM 【程式=演算法+資料結構】@蜡笔小轩V 5万+

用 sapgenpse 把 SAPCRYPTOLIB 的 SNC 真正配通

摘要: 在SAP系统中配置SNC(Secure Network Communications)时,sapgenpse工具是关键,尤其在旧版本或组件缺乏图形化维护工具时。核心步骤包括安装SAP Cryptographic Library、创建PSE(Personal Security Environment)、生成运行凭据,并确保证书交换顺序正确。常见问题如RFC连接失败或握手错误,往往源于PSE创建或凭据配置不当。需特别注意SECUDIR目录设置、PSE身份管理(单一或独立PSE方案)、以及服务账号凭据的权

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 66

快速求素数表——埃氏筛法与欧拉筛法

快速求素数表——埃氏筛法与欧拉筛法快速求素数表埃氏筛法与欧拉筛法 埃氏筛法 埃氏筛法原理 埃氏筛法时间复杂度 埃氏筛法代码求出1000000以内的素数并且输出n个素数 欧拉筛法 欧拉筛法原理 欧拉筛法时间复杂度 埃欧拉筛法代码求出1000000以内的素数并且输出n个素数埃氏筛法埃氏筛法原理素数的定义:素数就是除了1和本身之外没有其他的约数,所以有约数的都不是素数。 因此,埃氏筛法的思想就是:先去掉

企鹅崽博客 3640

Unity3D 加密 Assembly-CSharp.dll (Android平台) 防止反编译

0、加密的原理 Unity3D 是基于 Mono的,我们平时写的 C# 脚本都被编译到了 Assembly-CSharp.dll ,然后 再由 Mono 来加载、解析、然后执行。 Mono 加载 Assembly-CSharp.dll 的时候就是读取文件到内存中,和平时读取一个 游戏资源 文件没什么区别。 为了防止别人破解,我们会对游戏资源加密,简单点的 比如修改文件的一个字节 或者 位移一下

Circle 8726

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,

素数筛法(从普通筛到线性筛)【C++】

素数筛法(从普通筛到线性筛)

qq_43259545的博客 2760

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")

【C语言】用筛法求N以内的素数

用筛法求N以内的素数 百度百科: 筛选法又称筛法,具体做法是:先把N个自然数按次序排列起来。1不是质数,也不是合数,要划去。第二个数2是质数留下来,而把2后面所有能被2整除的数都划去。2后面第一个没划去的数是3,把3留下,再把3后面所有能被3整除的数都划去。3后面第一个没划去的数是5,把5留下,再把5后面所有能被5整除的数都划去。这样一直做下去,就会把不超过N的全部合数都筛掉,留下的就是不超过N的...

weixin_46014378的博客 7042

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

素数筛法 - 欧拉筛法

素数筛法 - 欧拉筛法 素数的筛法有几种,这次主要谈一下欧拉筛法 1.暴力求素数        时间复杂度 : O(n2) 稍微优化一下 :缩小数据范围从 n 优化到√n        时间复杂度 : 自然也就从 O(n2) 到 O(√n) 2.著名的埃式筛法        时间复杂度 : O(nloglogn) 而要谈的欧拉筛法则是在埃式筛法的基础上再次进行优化 3.欧拉筛法      ...

qq_43701555的博客 2267

素数筛法:埃氏筛法与线性筛法

时间复杂度是Onloglogn。如果我们从小到大考虑每个数,然后同时把当前这个数的所有(比自己大的)倍数记为合数,那么运行结束的时候没有被标记的数就是素数了。例如:考虑 2 时, 我们把 4, 6, 8, 10, 12, 14, 16, 18 … 均标记为合数。考虑 3 时, 我们把 6, 9, 12, 15, 18, 21, 24, 27 … 均标记为合数。考虑 4 时, 我们把 8, 12, 16, 20, 24, 28, 32, 36 … 均标记为合数。

c的博客 1880

欧拉筛法及其改进方法(素数的判断)

素数的筛法(欧拉筛法) 由于普通的素数判断直接可以出,所以这块只展示一个能够解决数据范围大于1e6的一个算法:欧拉筛法 基本思路: 1.使用一个prime[N]存下当前素数 2.使用一个on[N]数组标志i 是不是素数。 3.每一个素数都将其当前的i倍数标记为非素数(凡是有因子的数一定不是素数)。 下面是例题 【题目描述】 求1,2,⋯,N 中素数的个数。 【输入输出格式】 【输入】: 一个...

qq_34771124的博客 4924

素数筛法C++代码

素数筛法C++代码 这种素数筛法时间复杂度大约为O(n*sqrt(n)),略差于最优线性筛法的O(n),但是面对一般的OJ题目足够用了,而且简单易记。 使用素数筛法,输出0~Max之间的所有素数 #include &lt;iostream&gt; using namespace std; #define Max 100 //0~max_num之间的素数 int prim...

AlwaySimple的博客 4775
上一篇: 转换句子的首字母为大小写(Jaden Casing Strings)
下一篇: 4-7 统计某类完全平方数 (20分)
小李34234324
博客等级 码龄16年 3粉丝 47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