MATLAB决策制定

MATLAB基础——回家第二天 MATLAB算术运算,逻辑运算,关系运算,位运算,集合操作,决策制定,if....and语句,if...else...and语句,if...elseif...elseif...else...and语句 阅读详情

决策结构用来做什么?决策结构要求程序员能够使用一个或者多个的条件来对程序进行评估或者测试,沿着一条或多条语句执行,如果该条件被确定为真,则继续执行;如果条件确定是假的(false),执行其他要执行的语句。

下图是一个典型的决策结构,是大多数编程语言的一般形式:

MATLAB 提供的决策类型如下表,通过点击链接,查看各决策类型的作用:

语句描述
if ... end statement一个 if ... end 语句由一个布尔表达式组成,后跟一个或多个语句。
if...else...end statement一个 if 语句可以跟随一个可选的 else 语句,当布尔表达式为false时,该语句将执行。
If... elseif...elseif...else...end statements一个 if 语句后面可以有一个(或多个)可选 elseif ... 和一个 else 语句,这对于测试各种条件非常有用。
nested if statements你可以在另一个 if 或 elseif 语句中使用一个 if 或 elseif 语句。
switch statement一个 switch 语句允许根据值列表对变量进行相等的测试。
nested switch statements你可以在另一个 switch 语句中使用一个 swicth 语句。

 

手把手教你学simulink(24.1)--构建一个基于Simulink的智能家居决策系统,实现环境感知、状态评估、决策制定和动作执行功能 基于Simulink的决策系统项目的详细实例,该实例将展示如何实现一个包含环境感知、状态评估、决策制定和动作执行的完整系统。这个项目将特别关注于如何在智能家居环境中,根据环境变化和用户需求,动态调整家电设备的行为。 阅读详情

相关推荐

MATLAB 开发项目实例 1000 例专栏之第106例--使基于Simulink的智能交通信号灯决策系统,实现环境感知、状态评估、决策制定和动作执行功能

基于Simulink的决策系统项目的详细实例,该实例将展示如何实现一个包含环境感知、状态评估、决策制定和动作执行的完整系统。这个项目将特别关注于如何在智能交通系统(ITS)中,根据实时交通状况和车辆状态,动态调整交通信号灯的行为,以优化交通流量和减少拥堵。

xiaoheshang_123的博客 89

数模3—Matlab线性规划、非线性规划、多目标规划(超全解法合集)

生产两种机床,利润分别为XXX, A机器和B机器加工,两种机器工作时间…✨若不存在不等式约束,用"[]”代替A和b: [x, fval ] = linprog (f,[],[], Aeq, beq, lb, ub)✨若不存在等式约束,用"[]”代替Aeq和beq: [x, fval ] = linprog Cf,A,b,[],[] ,lb,ub)A机器和B机器加工,有顺序要求,有不同损耗费用,不同的工作时间…每种资产的平均收益率…结论,4个人攻碉楼,2个人追替身的情况下,百姓的士气最大,最大值为220。

惟愿一生无悔也无憾 2万+

MATLAB在工业缺陷检测中的应用

传感器技术是图像采集的核心,目前广泛使用的包括CCD(电荷耦合设备)传感器和CMOS(互补金属氧化物半导体)传感器。CCD传感器:这种传感器依靠光子激发产生电信号,并通过像素间耦合,将光信号转化为电信号,最后通过逐行扫描的方式读取信号。CCD传感器以其高灵敏度和低噪声特性在高质量图像采集领域占据重要地位。CMOS传感器:CMOS传感器则在每个像素点集成了放大器和信号处理电路,相比较于CCD,其具有更低的功耗和更高的读取速度。

weixin_28713083的博客 1105

模型预测控制(MPC)中考虑约束中的不确定性(Matlab代码实现)

在上面的三个例子中,第一个例子你用的是你的大脑根据以往经验学到的模型来做预测,第二个例子中可能你会用神经网络,决策树啊等等机器学习学习到的模型(说到这里可能很多童鞋会比较激动,模型预测控制可以和现在很火的人工智能 深度学习结合在一起),第三个例子中物理学家们用到的是机理模型。3 控制(做出决策),控制就是我需要做出动作了,在前面的例子中对应起来就是,例如你过马路的时候,会预测一下是否有车能撞到你,如果没有你就赶快过马路(控制动作)。建立一个模型并不是放在那里拿来看的,多半是用来做预测用的。

weixin_46039719的博客 387

MATLAB实现机器人避障算法综合指南

MATLAB提供了丰富的工具箱,用于机器人的运动规划和控制,特别是在避障算法的实现上,它能提供直观的数值计算和数据可视化功能。通过MATLAB编程,可以实现机器人在未知或动态环境下的快速路径规划和障碍物检测。Simulink 是 MATLAB 的一个附加产品,提供一个交互式的图形环境和一个定制的库集合,用于模拟动态系统。Simulink 环境支持多域仿真和基于模型的设计,被广泛用于控制系统、信号处理、通信系统和其它应用程序。

weixin_33245447的博客 1753

MATLAB机器人自主导航程序包的设计与实现

在开始之前,我们需要安装MATLAB软件并配置相应的环境,以便进行机器人导航相关的开发和模拟。以下是安装和配置MATLAB的基本步骤:下载最新版MATLAB软件包,选择适合当前操作系统(如Windows、macOS或Linux)的安装包。运行安装程序,并遵循安装向导的指引完成安装过程。启动MATLAB,根据需要输入许可证信息(学生或教育版可能有特殊优惠)。在MATLAB中安装必要的工具箱,比如机器人系统工具箱(Robotics System Toolbox)等。

weixin_34620658的博客 988

[数学建模(五)]线性规划,二次规划和非线性规划的MATLAB求解

1.线性规划问题 如果目标函数和约束条件都是线性函数,则该模型称为线性规划。 [x,f_opt,flag,c]=linprog(f,A,B,Aeq,Beq,xm,xM,x0,opt) 参数说明: X: 解 f_opt: 最优值 Flag:大于零表示求解成功,否则求解出问题 C:求解信息 X0:搜索点的初值 Opt:最优化控制项 例子: MATLAB求解: ...

weixin_34007020的博客 1640

D-S理论在多传感器信息融合中的MATLAB应用实现

在现代信息技术迅速发展的今天,决策系统在诸多领域中扮演着至关重要的角色。D-S理论,也称为Dempster-Shafer理论,是一种处理不确定性信息的数学框架,它通过引入“信任函数”来对证据进行量化,从而支持在不确定情况下做出决策。D-S理论相较于传统的概率理论,更能处理不完全信息与不确定信息,因此它在专家系统、人工智能、数据融合等领域得到了广泛应用。在本章中,我们将首先对D-S理论的基本概念进行介绍,包括其数学模型、主要原理以及它在不确定性信息处理中的独特优势。

weixin_35950531的博客 1231

matlab经济预测问题,经济预测方法及MATLAB实现怎样

2021-02-22 15:10齐晓姝 客户经理一名词解释1.单纯选优决策法:如果决策有遇到的是这样一类问题,其行为方案仅是有限个,而且掌握的数据资料也无须加工计算,就可以逐个比较直接选出最优方案和最优行动,这种在确定情况下的决策就是单纯2.动态经济预测: 是指包含时间变动因素,根据经济现象发展的历史和现状,对其未来发展前景的预测3.静态经济预测: 是指不包含时间变动因素,对同一时期经济现象因果关...

weixin_39636333的博客 1366

振动故障诊断及MATLAB应用实践

振动故障诊断技术依赖于对机械振动信号的采集、分析和解释。通过对信号的精确测量,可以获得设备当前状态的信息,及时发现异常振动模式,从而实现对设备故障的早期预警和诊断。MATLAB信号处理工具箱(Signal Processing Toolbox)是MATLAB环境下一个强大的专业信号处理工具。它提供了丰富的信号处理算法和函数,包括信号生成、滤波、频谱分析等。它的特点在于用户界面友好、算法效率高、扩展性好,能够支持复杂信号处理任务的实现。

weixin_36213081的博客 896

点云直线检测-3DLineDetection复现

点云直线分割-Fast 3D line detection

阁楼 8156

资产配置决策系统的MATLAB实现

这个系统为一个资产配置决策系统,需要确定每一期的消费和股票投资比例。此资产配置系统他受到家庭收入以及收入冲击、股票收益率、投资者的效用、风险厌恶程度、遗赠动机、贴现因子和受教育程度的影响。 属于动态优化过程,需要运用Bellman方程求解值函数,从而求得所需变量。本系统运用逆向递归的方法和网格搜索法,每进行一次迭代需要返回一个消费量c和投资比例。为了减少运算量,设定步长为5,即75、70、65、60、…、25、20。即类似于f(t)=max[f(t+1)+x],假设f(t)...

FPGA/MATLAB学习教程/源码/项目合作开发 1615

【faers数据库-R语言】

摘要:本文详细介绍了FAERS数据库不良反应信号挖掘的完整流程,包括数据解压导入(R代码示例)、数据结构理解、数据清洗(缺失值处理、标准化、合并和编码映射)、信号挖掘准备(药物-反应组合表创建)以及信号强度指标计算(PRR和ROR)。重点阐述了数据清洗的关键步骤,如缺失值处理(colSums(is.na()))、数据标准化(toupper()、as.Date())和表合并(merge()),并提供了完整的R语言实现代码。最后强调结果需结合临床知识解读,建议使用data.table等高效工具处理大数据。整个流

weixin_46587777的博客 1500

MATLAB入门教程||MATLAB决策制定||MATLAB if...end 语句

本节内容:了解MATLAB提供的决策类型,及使用它们进行决策制定。决策结构用来做什么?决策结构要求程序员能够使用一个或者多个的条件来对程序进行评估或者测试,沿着一条或多条语句执行,如果该条件被确定为真,则继续执行;如果条件确定是假的(false),执行其他要执行的语句。

爱编程的鱼的博客 1101

dify源码本地部署,dify k8s部署

Dify.AI 是一款简单易用且开源的 LLMOps 平台,帮助开发者更简单、更快速地创建 AI 应用。它的核心理念是通过可声明式的 YAML 文件定义 AI 应用的各个方面,包括 Prompt、上下文和插件等。Dify 提供了可视化的 Prompt 编排、运营、数据集管理等功能。这些功能使得开发者能够在数天内完成 AI 应用的开发,或将 LLM 快速集成到现有应用中,并进行持续运营和改进。

shykevin的博客 1014

中国1990-2021连续30年土地利用CLCD数据分享

CLCD(China Land Cover Dataset)数据集是由武汉大学黄昕老师基于Google Earth Engine上的335,709景Landsat数据制作的中国年度土地覆盖数据集。为了提高CLCD的时空一致性,还提出了一种包含时空滤波和逻辑推理的后处理方法。该数据集最大的优势在于每年30米的土地利用分类结果,且连续覆盖了30年时间。相比其他产品如GLC_FCS30、Global30、AGLC2000_2015、FROM-GLC10、ESA10、ESRI10等,CLCD在时间分辨率上更高。

qq_48539301的博客 1万+

第十四节 MATLAB决策制定、MATLAB if 语句语法

第十四节 MATLAB决策制定、MATLAB if 语句语法

2401_89610374的博客 856

Wi-Fi协议栈深度解析:从芯片实现到开源替代方案

本文深度解析Wi-Fi协议栈的架构与实现,对比了HardMAC与SoftMAC两种芯片方案的优劣。通过剖析ESP32等芯片的逆向工程实践,揭示了从零构建开源Wi-Fi MAC驱动(如esp32-open-mac项目)的技术路线与挑战,并探讨了开源协议栈对安全审计、功能定制和生态发展的重要意义。

weixin_29214335的博客 225

MATLAB 决策制定

if...end 语句 表达式的计算结果如果是“true”,那么在代码块中,如果语句会被执行。如果表达式计算结果为“false”,那么第一套代码结束后的语句会被执行。 格式代码 目的/作用 %s 输出字符串 %d 输出整数 %f 输出浮点数 %e 显示科学计数法形式 %g %f 和%e 的结合,根据数据选择适当的显示方式 ...

sharpeer的博客 1109

GPT大模型在数学建模中的实战应用:从思路启发到代码生成

数学建模是将现实问题抽象为数学问题并求解的核心方法,其关键在于通过合理的假设与简化,构建可计算的数学模型。传统建模依赖MATLAB等工具进行推演试错,而大语言模型的出现革新了这一范式。GPT等模型通过理解自然语言、辅助逻辑推理与代码生成,能有效提升建模效率与质量,在问题解析、模型构建、算法实现等环节提供关键支持。本文聚焦GPT在数学建模中的具体应用,涵盖赛题解读、模型推导、代码生成与结果分析,并结合实战案例,探讨如何将其作为“副驾驶”融入建模全流程,实现人机协同的智能化建模。

weixin_29061465的博客 322

26、多级快速多极子算法(MLFMA)在大规模电磁问题中的应用

本文探讨了多级快速多极子算法(MLFMA)在大规模电磁问题中的高效应用。通过分层分区策略,MLFMA在分布式内存架构上实现了高效并行化,能够求解包含数亿未知数的复杂电磁问题。文章分析了介质球体、半球透镜、周期性结构和损耗介质阵列等典型案例,验证了MLFMA的高精度与广泛适用性。同时,MLFMA被应用于实际场景如隐身目标Flamme的外部共振分析和含分裂环谐振器的超材料设计,展示了其在航空航天、超材料和生物医学等领域的广阔前景。未来发展方向包括算法优化、多物理场耦合和实时计算,进一步拓展其应用潜力。

t8u9v0w1x的博客 117

【无人机追踪】基于matlab模拟无人机对目标的追踪和威慑过程【含Matlab源码 7567期】

模拟无人机对目标的追踪和威慑过程 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1321

图像修复的万能模型:用Instruct-IPT统一解决去雨、去雾、去模糊三大难题

从原理到实战,你已经掌握了Instruct-IPT的核心逻辑和使用方法。它不仅能一站式解决多种图像退化问题,还能通过文本指令灵活控制,是图像恢复领域的“多面手”。现在,不妨找几张有雨雪、雾霾、模糊问题的图像,用Instruct-IPT亲手试试效果。当你看到模糊的图像变得清晰,被雨雾遮挡的细节重新浮现时,你会真切感受到这项技术的魅力。后续还可以尝试调整文本指令的描述方式,看看模型的响应有什么变化——探索的过程,就是你技术进阶的最好见证。

m0_71589036的博客 225

【多目标跟踪】强化学习的多目标跟踪【含Matlab源码 8001期】

强化学习的多目标跟踪 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 911

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")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

【无人机追踪】模拟无人机对目标的追踪和威慑过程【含Matlab源码 7567期】

模拟无人机对目标的追踪和威慑过程 完整代码,包运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1082

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

上一篇: MATLAB集合操作
下一篇: MATLAB if...end 语句
std86021
博客等级 码龄5年 181粉丝 250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

std86021

你的鼓励将是我创作的最大动力

¥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