基于遗传算法的医院资源静态和动态调度优化

Matlab 专栏收录该内容
¥59.90 ¥99.00
417篇文章

基于遗传算法的医院资源静态和动态调度优化

随着医疗服务需求的增加,医院资源的合理调度变得尤为重要。医院资源包括人员、设备、床位等,如何高效地分配和利用这些资源对于提高医疗服务质量和效率至关重要。遗传算法是一种优化算法,可以应用于医院资源调度问题,通过模拟进化过程,找到最优的资源分配方案。在本文中,我们将介绍如何使用遗传算法实现医院资源的静态和动态调度优化,并提供相应的MATLAB代码。

  1. 医院资源调度问题建模
    首先,我们需要对医院资源调度问题进行建模。假设我们有N个资源(人员、设备、床位等),M个任务(病人、手术、检查等),以及相应的资源需求和任务时间窗口。我们的目标是找到一个最优的资源分配方案,使得所有任务能够在时间窗口内得到满足,并且尽量减少资源的闲置和任务的延误。

  2. 遗传算法的基本原理
    遗传算法是一种模拟自然进化过程的优化算法。它通过模拟遗传操作(选择、交叉和变异)来搜索最优解。遗传算法的基本步骤如下:

  • 初始化种群:随机生成一组初始解(资源分配方案)作为种群。
  • 适应度评价:根据问题的评价指标(如任务延误时间、资源利用率等),计算每个个体的适应度。
  • 选择操作:根据适应度选择一部分个体作为父代。
  • 交叉操作:对父代个体进行交叉操作,生成子代个体。
  • 变异操作:对子代个体进行变异操作,引入新的基因组合。
  • 替换操作:用新的个体替换部分父代个体。
  • 终止条件:达到预定的迭代次数或满足停止准则时终止算法。
  • 返回最优个体作为最终的资源分配方案。
    遗传算法实战进阶:破解早熟收敛与种群多样性失衡 遗传算法不仅是模拟生物进化的优化工具,更是一种在复杂解空间中平衡探索与开发的系统性方法。其核心原理在于通过选择、交叉、变异等算子驱动种群演化,但工业落地常因早熟收敛、种群多样性丧失、适应度评估高成本等问题失效。技术价值体现在将模糊业务目标(如时效、合规、体验)转化为可量化、可干预的进化约束;典型应用场景包括物流路径规划、推荐系统优化、排程调度等强约束多目标问题。本文聚焦遗传算法第二讲的关键突破——动态选择压力调控、自适应算子设计与多样性健康度监控,直击真实项目中最常卡点的三大难题。 阅读详情

    相关推荐

    基于遗传算法的医院资源优化调度

    本文提出了一种基于遗传算法的医院资源优化调度方案。动态调度是指在医院的日常运营中根据患者的需求实时调度医生和科室资源。通过遗传算法对医院资源进行优化调度,可以使医院资源的利用率和效益最大化,从而提高医疗服务水平,减少患者等待时间,优化医院管理。通过上述matlab代码实现了基于遗传算法的医院资源优化调度方案,其中包括静态调度和动态调度两部分。近年来,随着社会人口增长和医疗需求增加,医院资源的合理分配和调度变得尤为重要。遗传算法因其优秀的搜索能力和全局优化特性,在医院资源调度问题中得到了广泛应用。

    qq_39605374的博客 351

    【信息科学与工程学】计算机科学与自动化——第三十五篇 调度理论和调度算法01——资源调度算法

    算法逻辑

    weixin_49199313的博客 689

    【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营04

    典型值:λ1​∈[−0.02,−0.01], λ2​∈[−0.01,0], η1​,η3​∈[0.1,0.3], η2​,η4​∈[0.05,0.15]参数:δ1​∈[−0.8,−0.3], δ2​∈[−0.5,−0.2], δ3​∈[−0.4,−0.1], δ4​∈[−0.6,−0.2]参数:φ1​∈[0.1,0.3], φ2​∈[−0.2,−0.05], φ3​∈[−0.1,0.1], φ4​∈[−0.3,−0.1]参数:α∈[0.3,0.6], β∈[0.2,0.4], γ∈[0.01,0.03]

    weixin_49199313的博客 1220

    【信息科学与工程学】【数据科学】数据科学领域 第六篇 算法设计 01

    算法设计

    weixin_49199313的博客 1504

    【信息科学与工程学】【安全领域】第一百四十二篇 零信任网络解决方案中的算法04

    对于节点 i, 有功和无功功率平衡方程为: Pi​=Vi​∑j=1N​Vj​(Gij​cosθij​+Bij​sinθij​), Qi​=Vi​∑j=1N​Vj​(Gij​sinθij​−Bij​cosθij​)。下风向某点 (x,y,z)的浓度 C为: C=2πuσy​σz​Q​exp(−2σy2​y2​)[exp(−2σz2​(z−H)2​)+exp(−2σz2​(z+H)2​)], 其中 Q是源强, u是风速, H是有效源高, σy​,σz​是水平和垂直扩散参数。

    weixin_49199313的博客 1415

    【管理科学】【金融工程】第三十三篇 企业金融资产(含股票/债券)/固定资产 管理01

    编号企业性质行业企业规模企业能力模型配方算法/模型名称数据结构列表算法逐步思考推理的数学方程式及参数列表及参数的值范围时序数学方程式误差/算法复杂度底层规律和理论关系知识和法律法规1民营制造企业制造业中型现金流预测与流动性管理时序预测+统计回归LSTM (长短期记忆网络) + ARIMA, , , , ARIMA(p,d,q): 其中: B: 滞后算子; d∈[0,2] (差分阶数); p∈[0,5]; q∈[0,5]; θ为移动平均系数 ∈[-1,1] LSTM:

    weixin_49199313的博客 383

    【信息科学与工程学】【产品体系】第二十篇 CDN网络 04

    国内 CDN 厂商在多租户隔离场景下实现 μ_c 求解与 LRU 淘汰的结合,公开资料中并未确认任何一家直接部署了 AdaptSize 原版的完整组合。最接近的公开生产级方案是腾讯 CDN 的LACA,通过异常租户检测 + 局部 MRC + DP 搜索实现轻量多租户缓存分配,但其不直接求解 μ_c,而是通过调整租户配额 K_t 间接控制。外层(LACA 式):异常租户检测 → 局部 MRC → DP 搜索租户配额 K_t中层(AdaptSize 式)

    weixin_49199313的博客 158

    遗传算法与模拟退火在作业车间调度问题中的应用研究

    本文还有配套的精品资源,点击获取 简介:遗传算法和模拟退火是两种有效的全局优化技术,能解决诸如作业车间调度这类复杂的非线性和组合优化问题。在Python中实现这两种算法并应用于JSP,需考虑问题建模、编码策略、约束条件,并利用科学计算库进行算法框架和优化技巧的编写。通过对比不同算法结果,评估性能与稳定性,为生产调度提供智能解决方案。 1. 作业车间调度问题(JSP...

    weixin_36303305的博客 1736

    MATLAB实现配电网移动储能韧性提升:两阶段优化与动态调度

    优化算法是解决复杂系统决策问题的核心技术,其原理在于通过建立数学模型,在给定约束下寻找目标函数的最优解。在电力系统领域,优化技术对于提升电网运行效率与可靠性具有重要价值,尤其在应对极端灾害、保障供电安全方面。配电网作为电力输送的末端环节,其韧性(即抵抗、吸收并从扰动中快速恢复的能力)至关重要。移动储能作为一种灵活资源,为提升配电网韧性提供了创新解决方案。本文聚焦于利用MATLAB实现移动储能的科学调度,核心是通过两阶段随机优化与动态多目标优化模型,解决灾前预布局和灾后动态调度问题,并集成了潮流计算与场景分析

    weixin_31742871的博客 324

    Matlab实现口罩配送路径优化:低成本运输方案+可视化结果图+可调参数代码

    用Matlab解决口罩从多个仓库到各需求点的最优配送问题,核心目标是压低总运输成本。提供3个主程序文件(Untitled.m、Untitled2.m、Untitled3.m),兼容Matlab 2014a/2019a/2021a,开箱即跑。所有关键参数——比如仓库数量、需求点分布、车辆最大载重、单位里程运费、距离矩阵等——都集中写在代码开头,改几个数字就能适配新场景。配套Word文档《口罩配送问题.docx》讲清楚了数学建模思路、车辆容量约束、单次配送时间窗限制,以及如何用启发式或内置求解器完成路径规划。附

    threejs5artist的博客 186

    毫米波雷达之CFAR 目标检测

    恒虚警率(CFAR)算法是一种广泛应用于雷达目标检测的算法,其主要目 标是减少由于杂波与回波之间强度不对称而引起的误报,以确保相对恒定的虚警 率。如图 3.4(a)所示,表示由距离单元组成的一维数据。在待测单元 D 周围选 择若干个背景杂波功率的蓝色单元构成参考滑窗,称为参考单元;而待测单元 D 相邻的若干个不用于背景估计的单元则称为保护单元。当参考单元和保护单元的 维度从一维扩展到二维时,相应的 CFAR 检测由一维 CFAR 演变为二维 CFAR 以处理参考窗口,如图 3.4 (b)所示。

    m0_56120826的博客 4922

    0x12B 蓝屏怎么查:内存单比特翻转与硬件排查记录

    Windows 蓝屏停止代码是内核检测到不可继续运行的异常时触发的保护机制,0x12B(FAULTY_HARDWARE_CORRUPTED_PAGE)更指向内存页校验失败与单比特翻转。其原理是内存管理子系统发现页面内容与校验值不一致后,为避免坏数据扩散而停机。通过 WinDbg 分析 dump、事件日志对齐时间戳,再结合 MemTest86、TestMem5、逐条单插与关闭 XMP 做交叉验证,可把内存、显存、存储链路和第三方内核模块依次排除。对编译、游戏、Hyper-V 虚拟化等高负载场景,这套记录与验证

    weixin_30899023的博客 347

    小白快速上手 labelimg:新手图像标注详解教程

    本教程主要帮助没有使用过labelimg的小白上手该软件,快速学会基本操作和打标签,为数据集准备打下基础。

    小白一枚~ 2万+

    4.4 直流无刷电机(BLDC):控制器硬件设计

    摘要 本文详细阐述了直流无刷电机(BLDC)控制器的硬件设计要点。控制器硬件主要包括微处理器单元、功率驱动模块、信号检测电路、通信接口和电源管理模块。在微处理器选型方面,分析了ARM Cortex-M系列、DSP等架构的适用场景,并对比了不同处理器的性能参数。功率驱动模块设计重点包括栅极驱动电路、逆变桥热管理和电流保护机制。信号检测部分介绍了位置传感器接口和模拟信号调理技术。此外,还讨论了通信接口设计、电源管理方案以及硬件布局与EMC设计规范。最后强调了硬件测试验证的重要性,包括故障注入测试等验证方法。整体

    技术工作者 186

    Python实战项目2:b站评论采集

    本文不对数据采集的过程做探讨,直接上代码。

    lyccomcn的博客 3201

    抖音移动端Web用户主页视频列表爬虫实战:逆向加密参数与高频采集方案

    App端Hook/抓包:需要安卓逆向、Xposed或Frida,门槛高且容易被风控。官方开放API:限制极多,几乎不开放用户级视频列表。PC端Web:页面加载方式繁杂,且大量依赖懒加载与内部状态。移动端Web(:接口相对稳定,加密逻辑集中,且适合使用Requests/HTTPSession模拟,无需渲染引擎。本文聚焦于移动端Web下的用户主页视频列表爬取,采用Python 3.11 + httpx + PyExecJS + 正则/JSON解析的组合,破解X-Bogus签名和_signature。

    2201_76125261的博客 868

    Muse Spark:功能、性能测试及使用方法

    对于一个仅用九个月时间从零开始重建的团队来说,这样的健康状况和多模态测试结果无疑是迈出了坚实的第一步,并且经受住了独立测试的考验。Muse Spark 为每个产品确定了最重要的主题(A 产品的发布策略、B 产品的定价策略、C 产品的规模化策略),并提出了切实可行的具体行动方案。抽象视觉推理也遵循同样的模式:Muse Spark 的 ARC-AGI-2 得分为 42.5,而 GPT-5.4 和 Gemini 的得分都在 70 分左右。他的离职是由于组织结构的变化限制了他的角色,以及团队转向闭源开发。

    xiaoshun007的专栏 127

    【React】1、React入门与概览(JSX语法)

    React入门 文章目录React入门一、React全家桶1. React是什么?2. 谁开发的?3. 为什么要学?4. React的特点5. 学习React之前要掌握的JavaScript基础知识二、React 概览组件JSXVirtual DOM关于虚拟DOM:Data Flow三、React基本使用相关js库四、React JSXJSX 语法规则五、模块与组件、模块化与组件化的理解5.1 模块5.2 组件5.4 模块化5.5 组件化 一、React全家桶 React基础 React-Router(R

    Coding and studying 1382

    贝叶斯统计 [韦来生编]

    贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

    efm32 入门.pdf

    本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

    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")

    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

    上一篇: MATLAB 图形用户界面(GUI)设计快速入门实例
    下一篇: 求解边界值问题的 Matlab 实现
    普通网友
    博客等级 码龄3年 454粉丝 863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  | 博主筛选后可见
     
     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