中科院一区论文复现,改进蜣螂算法,Fuch映射+反向学习+自适应步长+随机差分变异,MATLAB代码...

多策略融合改进蜣螂算法:Fuch混沌初始化与自适应变异优化MATLAB实现 本文详细介绍了多策略融合改进蜣螂算法(DBO),通过Fuch混沌初始化与自适应变异优化在MATLAB中的实现。文章重点探讨了Fuch混沌映射、反向学习策略、自适应步长调整及随机差分变异等关键技术,显著提升了算法在高维复杂函数优化中的性能。实验结果显示,改进后的算法在收敛速度和全局搜索能力上优于原始DBO和PSO,适用于工程优化问题如风电功率预测。 阅读详情

本期文章复现一篇发表于2024年来自中科院一区TOP顶刊《Energy》的改进蜣螂算法。

论文引用如下:

Li Y, Sun K, Yao Q, et al. A dual-optimization wind speed forecasting model based on deep learning and improved dung beetle optimization algorithm[J]. Energy, 2024, 286: 129604.

改进的蜣螂优化算法原理如下:

改进策略

改进点1: 融合Fuch混沌与逆向学习策略在种群初始化的应用

种群初始化在DBO中随机生成,会导致种群初始化分布不均匀,导致初始化种群的多样性。融合混沌和逆向学习策略进行群体初始化,将混沌初始化方法和逆向学习初始化策略相结合,以提高DBO的收敛速度。

Fuch混沌映射公式如下:

2191120bb273930ee573740576e596e3.png

在使用Fuch混沌映射生成初始解的同时,引入反向学习策略。扩大了蜣螂的搜索空间,以提高种群初始解决方案的质量。反向学习策略的数学表达式如下式所示:

1cc0389ab0b03229178c92ee554fb2ed.png

其中 OPi 是对应于每个初始解 Pi 的逆解。Pmax 和 Pmin 分别表示初始解中的最大值和最小值。K 是 (0, 1) 范围内的随机值。

改进点2: 自适应步长策略与凸透镜成像策略的集成

由于DBO采用随机策略,在蜣螂觅食阶段缺乏自适应能力,全局搜索能力较弱,容易陷入局部最优。为了进一步提高算法的寻道性能,该文采用动态选择策略,在一定概率下交替使用自适应步长策略和凸透镜成像反转策略来更新目标位置。

在初期迭代中,大步长能够扩展觅食搜索,提高算法的全局搜索能力,促进算法更快地找到更优的解,加快收敛速度。在后期迭代中,小步长有利于算法的局部搜索。步长的规律变化在觅食蜣螂的搜索中起着指导作用,这意味着在整体环境中从全局搜索逐渐过渡到局部搜索。该策略主要由线性递减的自适应步进控制因子α0决定,如下所示:

bbcbd98d57d0f3520835c6461bb33765.png

同时,引入一种凸透镜成像学习策略来扰动蜣螂种群,以增强种群多样性,提高算法跳出局部最优的可能性。该等式表示如下:

61f26b4d7d43e10ff7a3ac9e3639d5a4.png

该策略在之前提出的改进算法中也有详细介绍,具体请看:三种策略改进的沙猫群优化算法(MSCSO)

目标位置更新采用哪种策略的选择由选择概率 Ps 决定,

6cdfbfa3b825f5a859eadc1464feb824.png

当随机值Ps<0.5时,采用随机步进策略对蜣螂进行位置更新;否则,凸透镜反向学习策略用于位置更新,如下方程所示:

22577a6a57b0a8bcab2970d74f82ac36.png

改进点3: 随机差异变异策略

蜣螂偷窃行为的位置更新方程根据个体的当前最优值更新其位置,这可能导致种群多样性的减少。导致算法陷入局部最优状态,收敛精度效率低下。因此,本文引入随机差分变异策略来增强偷蜣螂种群多样性。公式如下:

dbf3f60d384d2f7bacd4dbee26a80b84.png

其中 P (t+1)表示通过随机差异突变获得的新个体,r1 和 r2 是 [0,1] 范围内的随机值。P∗ 是当前最佳个人位置。P′(t)是从种群中随机选择的个体的位置。

结果展示

在CEC2005函数集进行测试,并与原始蜣螂算法(DBO),霜冰优化算法(RIME),鹈鹕算法(POA),灰狼算法(GWO),粒子群优化器算法(PSO)进行比较。

并画出函数图像,迭代曲线,粒子轨迹图,平均收敛图和历史位置图。这几张图在很多智能算法的文献中会涉及到。

在CEC2005中测试:

F1:

01f6af1279f4ad231cf4a1b97f471f98.jpeg

F2:

31f41b4c2bcd8558af56ea157d64737f.jpeg

F5:

b3c1201dc79e959c4ab2efb9c129d6a7.jpeg

F6:

6b85a6a60ef00873d6deae993ec36154.jpeg

F7:

984ce0efb59dd43c0caddf66fc90e9a3.jpeg

F8:

0653dd69b5d20f471cd6133f81550f58.jpeg

F12:

a4278e259aa948543abbb366bb50719d.jpeg

F13:

fafb1a3ec8bb219e243d2f6dd06c5a2b.jpeg

以上图片,代码一键运行即可出来。

CEC2005指标统计如下:

将每个算法迭代500次,种群个数设置为30个,每个函数运行30次,求最优值,标准差,平均值,最差值,中位数共五个指标如下,秩和检验结果,箱线图等如下所示。

F1函数计算结果:
IDBO:最优值:0 标准差:0 平均值:9.6862e-212 中值:1.8438e-315 最差值:2.9059e-210
DBO:最优值:5.6605e-160 标准差:3.3056e-101 平均值:6.0352e-102 中值:7.2493e-137 最差值:1.8106e-100
POA:最优值:2.3045e-124 标准差:2.0159e-107 平均值:4.7334e-108 中值:1.5882e-112 最差值:1.0942e-106
RIME:最优值:0.001256 标准差:0.017157 平均值:0.024137 中值:0.019496 最差值:0.073224
GWO:最优值:1.2459e-62 标准差:1.506e-56 平均值:3.7062e-57 中值:1.8814e-58 最差值:8.2617e-56
PSO:最优值:5.6064e-12 标准差:2.1444e-10 平均值:2.4496e-10 中值:1.869e-10 最差值:8.0208e-10
F2函数计算结果:
IDBO:最优值:1.0557e-173 标准差:2.7163e-106 平均值:7.3092e-107 中值:7.2481e-118 最差值:1.2939e-105
DBO:最优值:1.19e-89 标准差:1.2629e-49 平均值:2.3381e-50 中值:1.2266e-70 最差值:6.9199e-49
POA:最优值:2.1959e-63 标准差:5.1701e-53 平均值:1.2445e-53 中值:1.1003e-56 最差值:2.7864e-52
RIME:最优值:0.010449 标准差:0.012761 平均值:0.027399 中值:0.025248 最差值:0.061068
GWO:最优值:3.6703e-35 标准差:8.6679e-33 平均值:5.4424e-33 中值:2.4603e-33 最差值:4.343e-32
PSO:最优值:1.6184e-07 标准差:2.2715e-06 平均值:1.5497e-06 中值:8.612e-07 最差值:1.2125e-05
F3函数计算结果:
IDBO:最优值:8.8148e-306 标准差:8.663e-147 平均值:1.9993e-147 中值:2.1029e-159 最差值:4.6474e-146
DBO:最优值:2.9335e-166 标准差:3.3776e-92 平均值:6.1703e-93 中值:2.1864e-114 最差值:1.85e-91
POA:最优值:1.3797e-118 标准差:1.0378e-104 平均值:2.7758e-105 中值:6.073e-111 最差值:4.1843e-104
RIME:最优值:0.10179 标准差:0.35031 平均值:0.50535 中值:0.40091 最差值:1.4073
GWO:最优值:5.8196e-31 标准差:1.2364e-24 平均值:4.8272e-25 中值:1.2257e-26 最差值:5.4387e-24
PSO:最优值:5.466e-05 标准差:0.0022693 平均值:0.0020178 中值:0.00093838 最差值:0.0070596
F4函数计算结果:
IDBO:最优值:3.4084e-172 标准差:1.8247e-87 平均值:3.3315e-88 中值:1.3633e-157 最差值:9.9944e-87
DBO:最优值:6.8734e-77 标准差:1.1975e-47 平均值:2.4789e-48 中值:6.4907e-66 最差值:6.5271e-47
POA:最优值:1.1764e-60 标准差:8.7436e-52 平均值:2.3978e-52 中值:1.908e-55 最差值:4.1033e-51
RIME:最优值:0.028983 标准差:0.070491 平均值:0.17738 中值:0.17562 最差值:0.40332
GWO:最优值:2.1966e-20 标准差:3.3561e-18 平均值:2.0867e-18 中值:1.2651e-18 最差值:1.7374e-17
PSO:最优值:0.00014318 标准差:0.0018738 平均值:0.0017881 中值:0.0012939 最差值:0.01012
F5函数计算结果:
IDBO:最优值:3.3744e-10 标准差:2.6766 平均值:2.1129 中值:0.00054869 最差值:5.9616
DBO:最优值:4.9322 标准差:0.25413 平均值:5.3329 中值:5.3066 最差值:5.8435
POA:最优值:5.2964 标准差:0.62048 平均值:6.3854 中值:6.2605 最差值:7.5541
RIME:最优值:2.4451 标准差:95.3281 平均值:62.8529 中值:17.2105 最差值:397.1781
GWO:最优值:5.6837 标准差:0.50977 平均值:6.5998 中值:6.2575 最差值:7.2276
PSO:最优值:0.079247 标准差:764.1423 平均值:210.4998 中值:5.6396 最差值:3020.73
F6函数计算结果:
IDBO:最优值:8.9363e-32 标准差:1.6928e-24 平均值:3.3397e-25 中值:6.5782e-28 最差值:9.2864e-24
DBO:最优值:2.0245e-30 标准差:1.9387e-23 平均值:5.0326e-24 中值:9.4085e-26 最差值:1.0096e-22
POA:最优值:9.5254e-07 标准差:0.098336 平均值:0.051839 中值:2.8711e-06 最差值:0.25666
RIME:最优值:0.0013626 标准差:0.014849 平均值:0.018724 中值:0.013838 最差值:0.05142
GWO:最优值:1.5983e-06 标准差:0.04594 平均值:0.0083907 中值:3.14e-06 最差值:0.25163
PSO:最优值:9.5314e-12 标准差:1.2313e-09 平均值:5.8171e-10 中值:1.4647e-10 最差值:5.1335e-09
F7函数计算结果:
IDBO:最优值:7.3807e-06 标准差:0.00012974 平均值:0.00018304 中值:0.00015625 最差值:0.00055443
DBO:最优值:0.00026051 标准差:0.00085674 平均值:0.0011225 中值:0.00088427 最差值:0.0038473
POA:最优值:2.8649e-05 标准差:0.00010243 平均值:0.00015893 中值:0.00015159 最差值:0.00037197
RIME:最优值:0.001078 标准差:0.0019118 平均值:0.0031863 中值:0.0025373 最差值:0.0082845
GWO:最优值:7.2974e-05 标准差:0.0004126 平均值:0.00058054 中值:0.00047977 最差值:0.001418
PSO:最优值:0.00083596 标准差:0.0011913 平均值:0.0029738 中值:0.003273 最差值:0.0054277
F8函数计算结果:
IDBO:最优值:-4189.8289 标准差:341.2354 平均值:-3923.7854 中值:-4061.6432 最差值:-2997.8602
DBO:最优值:-4189.8289 标准差:469.6195 平均值:-3385.5902 中值:-3339.2994 最差值:-2641.0282
POA:最优值:-3478.7982 标准差:186.2891 平均值:-3042.4312 中值:-3059.9097 最差值:-2684.0164
RIME:最优值:-4071.3751 标准差:154.0057 平均值:-3900.2185 中值:-3952.8522 最差值:-3479.01
GWO:最优值:-3518.5805 标准差:398.5263 平均值:-2747.5579 中值:-2772.4435 最差值:-2148.2888
PSO:最优值:-3617.3742 标准差:263.7841 平均值:-2975.0618 中值:-2965.9552 最差值:-2511.9144
F9函数计算结果:
IDBO:最优值:0 标准差:0 平均值:0 中值:0 最差值:0
DBO:最优值:0 标准差:3.0658 平均值:0.90048 中值:0 最差值:15.9193
POA:最优值:0 标准差:0 平均值:0 中值:0 最差值:0
RIME:最优值:0.0029538 标准差:1.6902 平均值:2.863 中值:2.9888 最差值:6.9678
GWO:最优值:0 标准差:1.4768 平均值:0.78374 中值:0 最差值:4.4834
PSO:最优值:1.99 标准差:2.8726 平均值:6.7157 中值:6.4743 最差值:13.9294
F10函数计算结果:
IDBO:最优值:4.4409e-16 标准差:0 平均值:4.4409e-16 中值:4.4409e-16 最差值:4.4409e-16
DBO:最优值:4.4409e-16 标准差:0 平均值:4.4409e-16 中值:4.4409e-16 最差值:4.4409e-16
POA:最优值:4.4409e-16 标准差:1.5979e-15 平均值:3.0494e-15 中值:3.9968e-15 最差值:3.9968e-15
RIME:最优值:0.028095 标准差:0.02511 平均值:0.061136 中值:0.054543 最差值:0.13749
GWO:最优值:3.9968e-15 标准差:1.3467e-15 平均值:6.9574e-15 中值:7.5495e-15 最差值:7.5495e-15
PSO:最优值:8.8838e-07 标准差:5.0736e-06 平均值:6.7866e-06 中值:5.8076e-06 最差值:2.044e-05
F11函数计算结果:
IDBO:最优值:0 标准差:0 平均值:0 中值:0 最差值:0
DBO:最优值:0 标准差:0.030774 平均值:0.010735 中值:0 最差值:0.1328
POA:最优值:0 标准差:0 平均值:0 中值:0 最差值:0
RIME:最优值:0.046933 标准差:0.087513 平均值:0.19999 中值:0.17363 最差值:0.50778
GWO:最优值:0 标准差:0.017619 平均值:0.020812 中值:0.021356 最差值:0.0774
PSO:最优值:0.029579 标准差:0.072136 平均值:0.11052 中值:0.093109 最差值:0.32049
F12函数计算结果:
IDBO:最优值:5.7765e-32 标准差:8.4403e-26 平均值:3.0725e-26 中值:1.3505e-28 最差值:4.1451e-25
DBO:最优值:4.7186e-31 标准差:3.3683e-11 平均值:6.7187e-12 中值:2.1e-25 最差值:1.847e-10
POA:最优值:9.611e-07 标准差:0.059516 平均值:0.025787 中值:0.017673 最差值:0.33346
RIME:最优值:3.7307e-05 标准差:0.00016285 平均值:0.00023748 中值:0.00021144 最差值:0.00059381
GWO:最优值:3.8696e-07 标准差:0.008893 平均值:0.0052737 中值:1.6643e-06 最差值:0.0201
PSO:最优值:1.9617e-13 标准差:3.2109e-11 平均值:1.6285e-11 中值:5.7721e-12 最差值:1.5334e-10
F13函数计算结果:
IDBO:最优值:3.5506e-31 标准差:0.0049376 平均值:0.0017995 中值:3.1559e-27 最差值:0.021024
DBO:最优值:1.6398e-28 标准差:0.043648 平均值:0.022922 中值:4.9161e-20 最差值:0.14132
POA:最优值:2.6235e-06 标准差:0.21971 平均值:0.30092 中值:0.25007 最差值:0.86165
RIME:最优值:8.9776e-05 标准差:0.0035563 平均值:0.0019783 中值:0.00081764 最差值:0.013139
GWO:最优值:2.7746e-06 标准差:0.050276 平均值:0.023377 中值:8.2744e-06 最差值:0.19718
PSO:最优值:4.9108e-12 标准差:1.0538e-08 平均值:2.0744e-09 中值:2.2623e-11 最差值:5.7824e-08
F14函数计算结果:
IDBO:最优值:0.998 标准差:0.19308 平均值:1.0444 中值:0.998 最差值:1.992
DBO:最优值:0.998 标准差:0.71287 平均值:1.362 中值:0.998 最差值:2.9821
POA:最优值:0.998 标准差:0 平均值:0.998 中值:0.998 最差值:0.998
RIME:最优值:0.998 标准差:3.5407e-12 平均值:0.998 中值:0.998 最差值:0.998
GWO:最优值:0.998 标准差:3.7747 平均值:3.9074 中值:2.9821 最差值:12.6705
PSO:最优值:0.998 标准差:2.685 平均值:1.5805 中值:0.998 最差值:15.5038
F15函数计算结果:
IDBO:最优值:0.00030749 标准差:0.00022115 平均值:0.00039727 中值:0.00031821 最差值:0.0014887
DBO:最优值:0.00030749 标准差:0.00034146 平均值:0.00067266 中值:0.00066197 最差值:0.0014894
POA:最优值:0.00030749 标准差:0.0036596 平均值:0.00098779 中值:0.00030749 最差值:0.020363
RIME:最优值:0.000372 标准差:0.0095987 平均值:0.0084209 中值:0.00077061 最差值:0.020364
GWO:最优值:0.00030754 标准差:0.0075709 平均值:0.0037227 中值:0.00037613 最差值:0.020363
PSO:最优值:0.00030751 标准差:0.0060404 平均值:0.0025911 中值:0.00042301 最差值:0.020363
F16函数计算结果:
IDBO:最优值:-1.0316 标准差:5.8312e-16 平均值:-1.0316 中值:-1.0316 最差值:-1.0316
DBO:最优值:-1.0316 标准差:5.9752e-16 平均值:-1.0316 中值:-1.0316 最差值:-1.0316
POA:最优值:-1.0316 标准差:5.8312e-16 平均值:-1.0316 中值:-1.0316 最差值:-1.0316
RIME:最优值:-1.0316 标准差:1.9463e-07 平均值:-1.0316 中值:-1.0316 最差值:-1.0316
GWO:最优值:-1.0316 标准差:3.2869e-08 平均值:-1.0316 中值:-1.0316 最差值:-1.0316
PSO:最优值:-1.0316 标准差:6.1158e-16 平均值:-1.0316 中值:-1.0316 最差值:-1.0316
F17函数计算结果:
IDBO:最优值:0.39789 标准差:5.4213e-16 平均值:0.39789 中值:0.39789 最差值:0.39789
DBO:最优值:0.39789 标准差:6.4868e-16 平均值:0.39789 中值:0.39789 最差值:0.39789
POA:最优值:0.39789 标准差:0 平均值:0.39789 中值:0.39789 最差值:0.39789
RIME:最优值:0.39789 标准差:1.1318e-06 平均值:0.39789 中值:0.39789 最差值:0.39789
GWO:最优值:0.39789 标准差:0.00015255 平均值:0.39792 中值:0.39789 最差值:0.39873
PSO:最优值:0.39789 标准差:0 平均值:0.39789 中值:0.39789 最差值:0.39789
F18函数计算结果:
IDBO:最优值:3 标准差:2.9779e-15 平均值:3 中值:3 最差值:3
DBO:最优值:3 标准差:2.3237e-15 平均值:3 中值:3 最差值:3
POA:最优值:3 标准差:1.3873e-15 平均值:3 中值:3 最差值:3
RIME:最优值:3 标准差:9.9194e-07 平均值:3 中值:3 最差值:3
GWO:最优值:3 标准差:3.5555e-05 平均值:3 中值:3 最差值:3.0002
PSO:最优值:3 标准差:1.5228e-15 平均值:3 中值:3 最差值:3
F19函数计算结果:
IDBO:最优值:-3.8628 标准差:0.0033905 平均值:-3.8609 中值:-3.8628 最差值:-3.8549
DBO:最优值:-3.8628 标准差:0.14087 平均值:-3.8354 中值:-3.8628 最差值:-3.0898
POA:最优值:-3.8628 标准差:2.3744e-15 平均值:-3.8628 中值:-3.8628 最差值:-3.8628
RIME:最优值:-3.8628 标准差:3.9417e-07 平均值:-3.8628 中值:-3.8628 最差值:-3.8628
GWO:最优值:-3.8628 标准差:0.0027067 平均值:-3.8612 中值:-3.8627 最差值:-3.8549
PSO:最优值:-3.8628 标准差:2.5973e-15 平均值:-3.8628 中值:-3.8628 最差值:-3.8628
F20函数计算结果:
IDBO:最优值:-3.322 标准差:0.089682 平均值:-3.1965 中值:-3.2004 最差值:-3.0207
DBO:最优值:-3.322 标准差:0.086874 平均值:-3.2548 中值:-3.322 最差值:-3.0867
POA:最优值:-3.322 标准差:0.030221 平均值:-3.314 中值:-3.322 最差值:-3.2027
RIME:最优值:-3.322 标准差:0.057 平均值:-3.2823 中值:-3.322 最差值:-3.2031
GWO:最优值:-3.322 标准差:0.10071 平均值:-3.2412 中值:-3.2029 最差值:-2.8404
PSO:最优值:-3.322 标准差:0.065123 平均值:-3.278 中值:-3.322 最差值:-3.1376
F21函数计算结果:
IDBO:最优值:-10.1532 标准差:1.7626 平均值:-9.4735 中值:-10.1532 最差值:-5.0552
DBO:最优值:-10.1532 标准差:2.6418 平均值:-7.2097 中值:-5.1008 最差值:-3.0436
POA:最优值:-10.1532 标准差:1.2934 平均值:-9.8132 中值:-10.1531 最差值:-5.0552
RIME:最优值:-10.1532 标准差:2.4488 平均值:-8.7226 中值:-10.152 最差值:-2.6305
GWO:最优值:-10.1529 标准差:2.2645 平均值:-9.057 中值:-10.151 最差值:-2.6303
PSO:最优值:-10.1532 标准差:3.5534 平均值:-5.9816 中值:-5.0552 最差值:-2.6305
F22函数计算结果:
IDBO:最优值:-10.4029 标准差:4.6649e-16 平均值:-10.4029 中值:-10.4029 最差值:-10.4029
DBO:最优值:-10.4029 标准差:2.6749 平均值:-8.7028 中值:-10.4029 最差值:-2.7659
POA:最优值:-10.4029 标准差:0.97041 平均值:-10.2256 中值:-10.4029 最差值:-5.0877
RIME:最优值:-10.4027 标准差:2.8878 平均值:-8.4227 中值:-10.3991 最差值:-2.7659
GWO:最优值:-10.4025 标准差:0.00097027 平均值:-10.4011 中值:-10.4013 最差值:-10.3982
PSO:最优值:-10.4029 标准差:3.5379 平均值:-5.5598 中值:-3.2451 最差值:-2.7519
F23函数计算结果:
IDBO:最优值:-10.5364 标准差:1.9515e-15 平均值:-10.5364 中值:-10.5364 最差值:-10.5364
DBO:最优值:-10.5364 标准差:3.0505 平均值:-8.3917 中值:-10.5359 最差值:-2.4217
POA:最优值:-10.5364 标准差:1.6501 平均值:-9.9955 中值:-10.5364 最差值:-5.1285
RIME:最优值:-10.5364 标准差:2.5559 平均值:-9.2932 中值:-10.5348 最差值:-2.8711
GWO:最优值:-10.5358 标准差:1.5064 平均值:-10.1402 中值:-10.5345 最差值:-4.0728
PSO:最优值:-10.5364 标准差:3.8088 平均值:-7.2905 中值:-10.5364 最差值:-2.4217

箱线图:

5f081760fe7d2781f1a1665405832f2a.jpeg

运行后会自动出现一个excel表格,用来统计五种指标结果:

98474ed0be9c93bfa2eaa02f69a64034.png

Wilcoxon 秩和检验:

5cc891190a956ab2f3701d02334ef151.png

代码目录:

b0f9985debc5a4bbf66cf77e68aaf1c7.png

运行plotCEC2005_Main.m和runsCEC2005_Main.m这两个主程序即可!

以上提到的所有图片,EXCEL表格等,代码均可运行出来。

本期代码获取

或者点击下方阅读原文跳转链接。

往期改进蜣螂算法推荐:

多策略改进蜣螂优化--螺旋搜索+最优值引导+反向学习策略(原创)

改进蜣螂优化--采用莱维飞行和三角形游走策略(原创)

改进正弦算法引导的蜣螂优化算法(MSADBO)(文献复现)

融合麻雀追随机制扰动与柯西变异的蜣螂优化算法,历史位置图,平均适应度收敛图一次性全部搞定,MATLAB代码(文献复现)

独家原创!随机游走与纵横交叉的蜣螂优化算法(原创)

融合鱼鹰与自适应t分布的蜣螂优化算法(OTDBO)(原创,力荐)

以上算法均为MATLAB代码!

cec2005测试集,评估算法 包含input_data 立即下载

相关推荐

21种混沌映射方法[代码]

本文介绍了21种常见的混沌映射方法及其在优化算法初始化中的应用。这些混沌映射方法包括Chebyshev、Circle、Gauss/mouse、Iterative、Logistic、Piecewise、Sine、Singer、Sinusoidal、Tent、Fuch、SPM、ICMIC、Tent-Logistic-Cosine、Sine-Tent-Cosine、Logistic-Sine-Cosine、Henon、Cubic、Logistic-Tent、Bernoulli和Kent映射。每种映射方法都详细描述了其数学表达式、控制参数取值以及混沌轨道状态值范围。文章还展示了这些混沌映射方法在种群初始化中的应用,并以2024年优化算法为例,对比了21种混沌改进策略在cec2005上的表现。最后,提供了获取Matlab代码的途径。

常用智能优化算法改进策略---变异篇(五种变异策略)可用于改进所有智能算法,让小白也会改进智能算法。...

本期文章将讲述常用智能优化算法改进策略---变异篇,一共包含五种常见的变异策略:高斯变异,t分布扰动变异,自适应t分布扰动变异,柯西变异,差分变异。五种策略可以方便移植到其他智能算法的改进中!为了方便大家对变异策略的深入了解,作者将在简单易懂的粒子群算法教大家如何运用这五种策略,今后也方便大家移植到别的智能算法中。高斯变异:高斯函数如下:带入粒子群算法中如下:t分布扰动变异:带入粒子群算法中如下:...

淘个代码 1万+

Latex | IEEE双栏排版中长公式的排版

IEEE双栏排版中,有时候公式过于长了,过宽,导致单栏排版不下。

qq_43466146的博客 1万+

基于随机收敛因子和差分变异的改进灰狼优化算法-附代码

针对基本灰狼优化算法在求解高维复杂优化问题时存在解精度低和易陷入局部最优的缺点,提出一种改进的灰狼优化算法。受粒子群优化算法的启发,设计一种收敛因子 a 随机动态调整策略以协调算法的全局勘探和局部开采能力;为了增强种群多样性和降低算法陷入局部最优的概率,受差分进化算法的启发,构建一种随机差分变异策略产生新个体。...

Jack旭的博客 1049

在Keil uv5里面添加STC元器件库,不影响其他元件

先到网上下载stc.CBD(宏晶网站的地址实效了)还有STC新系列单片机的头文件,宏晶的网站就有1、在Keil/C51/INC下新建目录"STC"文件夹, 把所有STC新系列单片机的头文件拷贝到"STC"目录下。2、下载的用于keil下的STC器件数据库更名为STC.CDB并拷贝到Keil/UV4目录下。3、打开Keil文件夹下的TOOLS.ini文件。4、在[UV2]下键入CDB0="UV2\S

技术联盟 1万+

海思3559av100平台lan9500模块调试记录

1. 前言 通过USB2.0接口扩展一路百兆虚拟网口 2. 配置lan9500驱动 make ARCH=arm64 menuconfig 开启LAN95XX驱动,编译进内核 保存内核配置 3. 编译内核 make ARCH=arm64 CROSS_COMPILE=aarch64-himix100-linux- uImage -j 20 cd ../../arm-trusted-firmware/arm-trusted-firmware ./mk.sh cp ...

jzwjzw19900922的博客 909

基于混沌透镜成像学习的哈里斯鹰优化算法

文章目录一、理论基础1、哈里斯鹰优化算法2、基于混沌透镜成像学习的哈里斯鹰优化算法(1)Fuch无限折叠混沌策略(2)黄金正弦策略(3)融合透镜成像学习和柯西变异策略二、仿真实验与结果分析三、参考文献 一、理论基础 1、哈里斯鹰优化算法 请参考这里。 2、基于混沌透镜成像学习的哈里斯鹰优化算法 (1)Fuch无限折叠混沌策略 Fuch为可无限折叠的混沌映射,比起传统的混沌映射,Fuch映射具有更佳的遍历性、动态性和收敛性等优点,因此,选用Fuch映射生成HHO初始种群。在FLHHO算法中,Fuch混沌映射值

心升明月的博客 1939

LeRobot 入门教程(三)在仿真环境和自定义机器人上部署 LeRobot

本教程详细介绍了基于真实世界机器人和仿真环境的模仿学习实现方法,涵盖数据采集、训练策略和评估全流程。在真实机器人部分,重点讲解了远程操作设置、摄像头配置、数据集记录与管理技巧、策略训练(支持GPU/MPS设备)以及模型评估。仿真环境部分则演示了gym-hil的安装使用、模拟数据采集和策略训练。此外,教程还提供了自定义机器人集成指南,包括电机选择、接口继承、传感器/动作特征定义、连接管理和校准配置等核心步骤。所有方法均支持HuggingFace数据集中心和Weights & Biases工具链,为机器

2506_90492529的博客 2403

Fuch混沌映射

一、Fuch混沌映射 Fuch混沌映射公式如下: 该映射具有对初值不敏感,遍历均衡和收敛较快等优点,且在初值不为0的情形下均能产生混沌。 二、Fuch混沌映射代码 x(1)=rand; for i=2:2000 x(i)=cos(1./x(i-1).^2);%Fuch end figure plot(x,'.') xlabel('维度') ylabel('混沌值') figure hist(x) xlabel('混沌值') ylabel('频数') 三、Fuch混沌映射图 3.1 Fuch混沌映射分布图

IT猿手 4475

别再把 SELECT SINGLE 当成 TOP 1:一篇讲透 SELECT SINGLE vs. SELECT UP TO 1 ROWS 的 ABAP SQL

ABAP开发中SELECT SINGLE与UP TO 1 ROWS的选择取决于查询意图:前者适用于主键唯一查询,后者配合ORDER BY可从多行中筛选特定记录。关键区别在于结果确定性:当条件不唯一时,SELECT SINGLE返回随机行且不支持排序,而UP TO 1 ROWS允许通过排序规则明确定义所需行。文章建议根据四种典型场景选择语法:全键查询用基础SELECT或SELECT SINGLE;部分键查询必须使用UP TO 1 ROWS+ORDER BY;存在性检查推荐SELECT SINGLE返回常量。正

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 201

Python 爬虫实战:就业市场趋势数据抓取与行业洞察

在当今竞争激烈的就业市场中,了解行业趋势和就业形势对于求职者、学生以及人力资源专业人士来说至关重要。通过获取和分析就业市场数据,我们可以深入了解不同行业的招聘需求、薪资水平、技能要求等关键信息,从而为职业规划和人才发展提供有力支持。

yansideyucsdn的博客 1407

中科院一区论文复现,改进蜣螂算法,Fuch映射+反向学习+自适应步长+随机差分变异,Python代码...

有小伙伴后台不断留言,要求将蜣螂算法的MATLAB语言变更为Python语言。话不多说,安排!本期文章采用Python代码复现一篇发表于2024年来自中科院一区TOP顶刊《Energy》的改进蜣螂算法论文引用如下:Li Y, Sun K, Yao Q, et al. A dual-optimization wind speed forecasting model based on deep lea...

淘个代码 512

EtherCAT主站SOEM -- 1 -- SOEM之ethercattype.h文件分析

“ethercattype.h” 文件用于支持 EtherCAT 网络通信,提供了各种类型定义和宏,以便开发者更轻松地开发 EtherCAT 相关应用程序。这些定义包括数据类型、命令类型、状态类型和错误类型,以支持 EtherCAT 通信。根据具体应用需求,还可以调整一些超时和帧长度设置。这些定义用于处理函数调用的结果,如 EC_NOFRAME(没有帧返回)、EC_ERROR(一般错误)、EC_TIMEOUT(请求超时)等。这些定义用于处理 EtherCAT 命令,例如 EC_CMD_APRD(自动递增读取

常驻客栈的博客--嵌入式EtherCAT 2717

MATLAB实战:用改进蜣螂算法优化风速预测模型(附完整代码)

本文详细介绍了如何利用融合了Fuch混沌映射、反向学习、自适应步长和随机差分变异等策略的改进蜣螂算法(IDBO),来优化LSTM风速预测模型的超参数。通过MATLAB实战代码,展示了从数据预处理、算法实现到模型训练与评估的完整流程,旨在提升风电领域风速预测的精度与工程应用价值。

weixin_29219189的博客 547

倍福EL6002实现RS232自由口通信,以称重模块RS232数据接收为例

RS-232是美国电子工业联盟制定的串行数据通信接口标准,原始编号全称是EIA-RS-232(简称RS232),它被广泛用于DCE(Data Communication Equipment ) 和 DTE(Data Terminal Equipment) 之间的连接。最早的台式电脑都会保留9针的232接口,用于串口通信,目前基本被USB接口取代。CTS是对请求发送RTS信号的响应,当DCE已经准备好接收数据时,该信号有效(ON),通知DTE可用使用TXD发送数据了。弄完了,再将CTS设置为1,让A发数据。

weixin_41883890的博客 1726

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")

改进蜣螂优化--采用莱维飞行和三角形游走策略

今天为大家带来一期改进的蜣螂优化算法。之前有篇文章推出过改进正弦算法引导的蜣螂优化算法(MSADBO),但是该文章已经有论文发表过了。今天作者为大家带来的这一期改进,完全属于个人的改进,网络上应该查不到,大家也可以作为参考,也可以在作者改进的基础上接着改进。改进策略如下:①采用Cubic混沌映射,公式如下:采用Cubic映射增加粒子多样性,可以减少粒子寻优时间,增加算法的收敛速度。想要采用别的混沌...

淘个代码 2400

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

优化算法改进策略:21种混沌映射方法-混沌初始化(附matlab代码)

将混沌映射方法与优化算法相结合是一种常见的改进方式。本期,并将21种混沌映射方法运用在算法的初始化中。

weixin_44028734的博客 7997

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

13种变异策略,用于改进所有优化算法,帮你一键解决(附matlab代码)

本期。具体有:高斯变异高斯精英变异柯西变异柯西逆累积分布变异t分布扰动变异自适应t分布扰动变异正态云变异周期变异精英差分变异 DE/best/1随机-精英差分变异 DE/rand-to-best/1随机差分变异 DE/rand/2精英差分变异 DE/best/2非均匀变异,mutation_HHO.m,分别如下所示。算法最大迭代次数为500次,种群数50,在上进行测试。为快速验证算法,每个算法暂运行2次,均值作为最终的结果。点击run.m运行。

weixin_44028734的博客 3876

【群智能算法】一种改进的蜣螂优化算法IDBO[2]【Matlab代码#18】

一种改进的蜣螂优化算法IDBO,采用多种策略提高算法跳出局部最优的能力,在多峰函数上也表现优异!

jayxiaoxionger的博客 4980

【群智能算法】一种改进的蜣螂优化算法IDBO【Matlab代码#11】

一种改进的蜣螂优化算法,加入了Chebyshev映射种群初始化、黄金正弦策略和动态权重系数,matlab代码,可以直接运行,注释极其详细!

jayxiaoxionger的博客 3775

基于随机差分变异的改进鲸鱼优化算法-附代码

摘要:针对基本鲸鱼优化算法(whale optimization algorithm,WOA)求解复杂问题时存在解精度低、收敛速度慢和易陷入局部最优的缺点,提出了一种基于非线性调整控制参数和随机差分变异策略的改进鲸鱼优化算法(IWOA),设计了基于余弦函数非线性调整控制参数的策略,以协调算法的探索和开发能力;随机选择个体与当前个体进行差分变异产生新个体以增强群体的多样性,减小陷入局部最优的概率。...

Jack旭的博客 2227

实验丰富、原创改进!|多策略改进蜣螂优化算法(MATLAB)

东华大学沈波教授团队在2022年提出蜣螂优化算法 (Dung Beetle Optimizer,DBO) [1],该算法与PSO、GWO、WOA、SSA、SCA、MVO、HHO相比均显示出一定然而,它有其他SI算法存在的问题,如全局探索和局部开发能力不平衡、面对复杂问题的易陷入局部最优等,其收敛速度和精度仍有改进的可能。因此针对DBO存在的问题,KAU将对DBO进行改进。

sfejojno的博客 3419

多策略改进蜣螂优化--螺旋搜索+最优值引导+反向学习策略

声明:对于作者的原创代码,禁止转售倒卖,违者必究!关于蜣螂算法的原理网上有很多,本文就不再详细介绍,本期算法是作者在参考了网上一些文献后自行改进的,接下来直接上改进策略:①螺旋搜索策略在蜣螂优化算法(DBO)中,如果按照当前的在产卵区域内繁殖雏球,这肯定会使种群在短时间内快速收敛,但也会导致种群的多样性降低,容易使算法陷入局部最优;因此对蜣螂算法繁殖阶段的这个公式进行改进受到鲸鱼算法中头鲸种群围捕...

淘个代码 4786

一看就会!四种策略改进的蜣螂算法求解三维无人机路径规划!原理公式详解!附赠与原算法对比!出图美观直接用!

大家在改进智能优化算法的时候,传统的工程应用已经吸引不了审稿人的注意,非常容易被拒稿!今天为大家带来一期多策略改进的蜣螂算法求解三维无人机路径规划代码,适合作为创新点!同时也附赠与原DBO算法的对比

QSJIQIXUEXI的博客 4236

【智能算法改进】多策略改进的蜣螂优化算法

偷窃蜣螂占据种群的 40%,实现对种群的快速收敛,但原算法偏重在全局最优位置附近扰动,无法充分利用当前位置信息,使得种群对全局探索能力欠佳,在复杂问题上容易过早收敛。蜣螂的滚球行为影响着算法的全局搜索能力与收敛速度,对种群有着引领作用,原始 DBO 算法以直线形式的滚球行为限制了滚球蜣螂在局部的搜索能力,容易错失寻得最优解的机会。[1] 匡鑫,阳波,马华,等.多策略改进的蜣螂优化算法[J/OL].计算机工程,1-20[2024-07-08].全局最优位置对蜣螂种群的滚球、觅食、偷窃行为都有指引作用。

Logic_9527的博客 2491

【智能算法改进】融合黑寡妇思想的蜣螂优化算法

李雅普诺夫指数表征了一个系统随着时间运动发生改变的程度,当指数小于 0,说明运动系统体积缩小,系统趋于稳定;当 m=1 时, t 分布即是柯西分布, m 趋于无穷, t 分布即是高斯分布。因此自适应 t 分布变异扰动因子具有柯西、高斯分布两种特性,使得蜣螂算法在迭代前期具有较好的全局开发能力,在迭代后期具有良好的局部探索能力,并提高算法的收敛速度。智能算法,论文复现,算法应用(机器学习、二维&三维路径规划、UAV路径规划、布局优化、调度优化、VRP问题等),定制算法可以联系我~

Logic_9527的博客 1745
上一篇: 新思路:TCN-RVM模型,你见过吗?机器学习预测全家桶新增模型,MATLAB代码
下一篇: 中科院一区论文复现,改进蜣螂算法,Fuch映射+反向学习+自适应步长+随机差分变异,Python代码...
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 1
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

淘个代码_

不想刀我的可以选择爱我

¥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