蒲公英优化算法(DO),原理详解,MATLAB代码免费获取

【LSSVM时间序列预测】蒲公英算法优化最小二乘支持向量机DO-LSSVM时序预测未来数据【含Matlab源码 2482期】 蒲公英算法优化最小二乘支持向量机DO-LSSVM时序预测未来数据 完整代码和数据,方可运行;数据可直接替换,适合小白!可提供运行操作视频! 阅读详情

蒲公英优化算法(Dandelion Optimizer,DO)是一种新的元启发式算法,DO受启发于播种行为的启发,模拟了蒲公英种子依靠风进行远距离飞行的过程,分为三个阶段。在上升阶段,根据不同的天气条件,种子由于上方的漩涡或在群落中局部漂移,以螺旋方式上升。在下降阶段,飞来的种子通过在全球空间中不断调整方向,稳步下降。在着陆阶段,种子在随机选择的位置上着陆,以便它们生长。

37bbf47d43683d3b27dfa201a9ab8811.png

该成果于2022年发表在计算机领域二区SCI期刊“Engineering Applications of Artificial Intelligence”上。DO方法具有出色的迭代优化性能和较强的鲁棒性。

934d17a40157954d9b715cc73586139b.png

1490fe09ace755fec9360988aa91da1b.jpeg

1、算法原理

(1)初始化

与其他受自然启发的元启发式算法类似,DO算法在种群初始化的基础上完成种群进化和迭代优化。在所提出的DO算法中,假设每个蒲公英种子代表一个候选解,其种群表示为

其中,pop表示人口大小,Dim表示变量的维度。每个候选解是在给定问题的上界(LB)和下界(UB)之间随机生成的,并且个体Xi的表达式为

式中,应为1 ~pop之间的整数,rand为0 ~ 1之间的随机数。LB和UB表示为

初始化过程中,DO将适应度值最优的个体作为初始精英,近似认为这是蒲公英种子生长最适宜的位置。以最小值为例,初始精英Xelite的数学表达式为

其中find()表示两个值相等的索引。

(2)上升阶段

在上升阶段,蒲公英的种子需要达到一定的高度才能飘离它们的父母。蒲公英种子在风速、空气湿度等因素的影响下,会上升到不同的高度。在这里,天气分为以下两种情况。

在晴朗的日子里,风速可以被认为具有对数正态分布。在这种分布下,随机数更多地沿着Y轴分布,这增加了蒲公英种子传播到遥远地区的机会。因此,在这种情况下,DO强调探索。在搜索空间中,蒲公英种子被风随机地吹到不同的位置。蒲公英种子的上升高度由风速决定。风越强,蒲公英飞得越高,种子撒得越远。受风速的影响,蒲公英种子上方的漩涡不断调整,使它们以螺旋形式上升。在这种情况下对应的数学表达式是

其中Xt表示蒲公英种子在迭代过程中的位置t。Xs表示迭代过程中在搜索空间中随机选择的位置s。下式给出了随机生成位置的表达式。

LnY表示服从对数正态分布,其数学公式为

其中,y表示标准正态分布N(0,1)。a是用于调整搜索步长的自适应参数,数学表达式为

下图显示了随迭代次数的动态变化。由图可知,在趋于0的非线性减小过程中,在[0,1]之间的随机扰动。这种波动使得算法在前期注重全局搜索,后期转向局部搜索,有利于保证在全全局搜索后的精确收敛。Vx和Vy分别表示蒲公英在分离涡流作用下的升力分量系数。利用下式计算变尺度上的力。

其中θ是一个随机数在[−Π Π]之间.

在雨天,蒲公英种子受空气阻力、湿度等因素影响,不能随风适当上升。在这种情况下,蒲公英种子在其局部邻域被开发,相应的数学表达式为

其中,k用于调节蒲公英的局部搜索域,使用下式计算该域。

k的动态波形如图所示。显然,k呈现“向下凸”的振荡,有利于算法的局部开发,前期步幅大,后期布长小。迭代结束时,参数k逐渐趋近于1,保证种群最终收敛到最优搜索代理。

综上所述,蒲公英种子上升期的数学表达式为

其中rand()为服从标准正态分布的随机数。

下图显示了蒲公英种子在不同天气条件下的飞行行为。蒲公英种子再生的大致位置如图所示。首先,当天气晴朗时,根据随机选择的位置信息更新蒲公英种子,以强调探索过程。种子上方的涡流作用于运动矢量,通过相乘的分式来修正蒲公英螺旋运动的方向。在第二种情况下,蒲公英种子在当地社区的各个方向被利用。利用随机数的正态分布来动态控制开采和勘探。为了使算法更加面向全局搜索,截断点设置为1.5。这种设置使得蒲公英种子在第一阶段尽可能遍历整个搜索空间,为下一阶段的迭代优化提供正确的方向。

fe597dbb3d532a2a2cf0cafbddd9fc4d.png

(3)下降阶段

在这一阶段,提出的DO算法也强调探索。蒲公英的种子上升到一定距离后,会稳步下降。在DO中,布朗运动用于模拟蒲公英的运动轨迹。在迭代更新过程中,由于布朗运动服从正态分布,个体很容易遍历更多的搜索社区。为了反映蒲公英下降的稳定性,采用上升阶段后的平均位置信息。这有助于整个人口向有前途的社区发展。对应的数学表达式为

其中,βt为布朗运动,并且为标准正态分布中的随机数,Xmean_t表示th迭代中总体的平均位置,其数学表达式为

下图为蒲公英种子在下降过程中的再生过程。由图可知,种群的平均位置信息对于个体的迭代更新至关重要,它直接决定了个体的进化方向。图中还给出了基于全局搜索的布朗运动轨迹。这种不规则的运动使得搜索对象在迭代更新过程中以高概率逃离局部极值,进而推动种群向全局最优附近的区域寻找。

451842b82b45ff0e402bf2410320e41e.png

(4)着陆级

在这一部分中,重点研究了DO算法的开发。在前两个阶段的基础上,蒲公英种子随机选择降落的地方。随着迭代的逐步进行,算法有望收敛到全局最优解。因此,得到的最优解是蒲公英种子最容易存活的近似位置。为了精确地收敛到全局最优,搜索代理借用当前精英的杰出信息在其本地社区中进行开发。随着种群的进化,最终会找到全局最优解。这种行为如式所示。

其中Xelite表示蒲公英种子在ith迭代中的最优位置。 表示Levy飞行的函数,使用式

在式中,β为[0,2]之间的随机数(时延为1.5)。s是一个固定的常数0.01。w和t是介于[0,1]之间的随机数。其数学表达式为

其中,β为1.5。δ是[0,2]之间的线性递增函数,由下式计算。

图显示了搜索代理在最终阶段逐步更新到全局最优解的过程。为了精确收敛到全局最优,对个体应用线性递增函数以避免过度开发。在这一阶段,采用Levy飞行系数来模拟个体的运动步长。原因是在高斯分布下,智能体可以利用Levy飞行系数以大概率跨步到其他位置,从而在有限的迭代次数下开发出更多的局部搜索域。

e6e980172587acf875b8d0330246aef2.png

DO对应的伪代码过程如下图所示

d4a4b7410efd8951ef77b9b6d01c52eb.png

2、结果展示

e9fbfcf9c087680794d23f4b5b4b65f5.png

707a7342ace691da3337bf9e43a4449b.png

11dc86b0496e0aac0b4ec6b1e3205f39.png

e0b69c601a5cdd42dfe2ee30d7c05959.png

3、MATLAB核心代码

% 蒲公英优化算法(Dandelion Optimizer,DO)
function [Best_fitness,Best_position,Convergence_curve]=DO(Popsize,Maxiteration,LB,UB,Dim,Fobj)
tic;

dandelions=initialization(Popsize,Dim,UB,LB);
dandelionsFitness = zeros(1,Popsize);
Convergence_curve=zeros(1,Maxiteration);
for i=1:Popsize
    dandelionsFitness(1,i)=Fobj(dandelions(i,:));
end
% Calculate the fitness values of initial dandelions.
[~,sorted_indexes]=sort(dandelionsFitness);
Best_position=dandelions(sorted_indexes(1),:);
Best_fitness = dandelionsFitness(sorted_indexes(1));
Convergence_curve(1)=Best_fitness;
t=2;
while t<Maxiteration+1
    %% Rising stage
    beta=randn(Popsize,Dim);
    alpha=rand()*((1/Maxiteration^2)*t^2-2/Maxiteration*t+1); % eq.(8) in this paper
    a=1/(Maxiteration^2-2*Maxiteration+1);% Note: U can use positive or negative on 1 for solving ur problem.  
    b=-2*a;
    c=1-a-b;
    k=1-rand()*(c+a*t^2+b*t); % eq.(11) in this paper
    if randn()<1.5
        for i=1:Popsize
            lamb=abs(randn(1,Dim));
            theta=(2*rand()-1)*pi;
            row=1/exp(theta);
            vx=row*cos(theta);
            vy=row*sin(theta);
dandelions_1(i,:)=dandelions(i,:)+alpha.*vx.*vy.*lognpdf(lamb,0,1).*(NEW(1,:)-dandelions(i,:)); % eq.(5) in this paper
        end
    else
        for i=1:Popsize
            dandelions_1(i,:)=dandelions(i,:).*k; % eq.(10) in this paper
        end
    end
    dandelions=dandelions_1;
    % Check boundries
    dandelions = max(dandelions,LB);
    dandelions = min(dandelions,UB);
    %% Decline stage
    dandelions_mean=sum(dandelions,1)/Popsize; % eq.(14) in this paper
    for i=1:Popsize
        for j=1:Dim
dandelions_2(i,j)=dandelions(i,j)-beta(i,j)*alpha*(dandelions_mean(1,j)-beta(i,j)*alpha*dandelions(i,j)); % eq.(13) in this paper
        end
    end
    dandelions=dandelions_2;
    % Check boundries
    dandelions = max(dandelions,LB);
    dandelions = min(dandelions,UB);
    
    %% Landing stage
    Step_length=levy(Popsize,Dim,1.5);
    Elite=repmat(Best_position,Popsize,1);
    for i=1:Popsize
        for j=1:Dim
dandelions_3(i,j)=Elite(i,j)+Step_length(i,j)*alpha*(Elite(i,j)-dandelions(i,j)*(2*t/Maxiteration)); % eq.(15) in this paper
        end
    end
    dandelions=dandelions_3;
    % Check boundries
    dandelions = max(dandelions,LB);
    dandelions = min(dandelions,UB);
    %%
    % Calculated all dandelion seeds' fitness values
    for i=1:Popsize
        dandelionsFitness(1,i)=Fobj(dandelions(i,:));
    end
    % Arrange dandelion seeds from good to bad according to fitness values
    [~,sorted_indexes]=sort(dandelionsFitness);
    dandelions=dandelions(sorted_indexes(1:Popsize),:);
    SortfitbestN = dandelionsFitness(sorted_indexes(1:Popsize));
    
    %Update the optimal dandelion seed
    if SortfitbestN(1)<Best_fitness
        Best_position=dandelions(1,:);
        Best_fitness=SortfitbestN(1);
    end
    Convergence_curve(t)=Best_fitness;
    t = t + 1;
end
time = toc;
end
% ___________________________________
function [z] = levy(n,m,beta)
% beta is set to 1.5 in this paper
num = gamma(1+beta)*sin(pi*beta/2);
den = gamma((1+beta)/2)*beta*2^((beta-1)/2);
sigma_u = (num/den)^(1/beta);
u = random('Normal',0,sigma_u,n,m);
v = random('Normal',0,1,n,m);
z =u./(abs(v).^(1/beta));
end

参考文献

[1]Zhao S, Zhang T, Ma S, et al. Dandelion Optimizer: A nature-inspired metaheuristic algorithm for engineering applications[J]. Engineering Applications of Artificial Intelligence, 2022, 114: 105075.

完整代码获取

后台回复关键词:

TGDM835

获取更多代码:

点击下方卡片关注,获取更多代码

蒲公英优化器:Dandelion Optimizer(附带MATLAB代码) 它模拟了蒲公英种子在风中飘散的过程,通过种子的飞散和重新落地来搜索最优解。本文将详细介绍蒲公英优化器的原理,并提供相应的MATLAB代码实现。因此,在应用蒲公英优化器时,需要根据具体问题进行参数调整和结果分析,以获得满意的优化结果。蒲公英优化器的灵感来自于蒲公英的繁殖方式。在每次迭代中,种子根据风向和风速进行飞散,然后计算新的种子适应度值。你可以根据具体的问题需求,自定义适应度函数和优化器的参数,以达到更好的优化效果。然后,根据问题的要求,设置了蒲公英优化器的参数,包括种子数量、最大迭代次数、风向和风速。 阅读详情

相关推荐

基于MATLAB的蒲公英算法求解单目标优化问题

蒲公英算法(Dandelion Algorithm)是一种基于自然界蒲公英种子传播过程的启发式优化算法。在这篇文章中,我们将使用MATLAB编写代码来应用蒲公英算法解决单目标优化问题。蒲公英算法(Dandelion Algorithm)是一种基于自然界蒲公英种子传播过程的启发式优化算法。使用蒲公英算法求解单目标优化问题时,需要定义问题的目标函数和变量范围。下面是一个示例的问题基于MATLAB的蒲公英算法求解单目标优化问题。使用蒲公英算法求解单目标优化问题时,需要定义问题的目标函数和变量范围。

HackDashX的博客 589

基于蒲公英优化算法的函数寻优算法

文献[1]模拟蒲公英种子依靠风的长距离飞行过程提出了一种新的群体智能仿生优化算法,称为蒲公英优化(Dandelion Optimizer, DO)算法,用于解决连续优化问题。与其他自然启发元启发式算法相似,DO在种群初始化的基础上进行种群进化和迭代优化。在提出的DO算法中,假设每个蒲公英种子代表一个候选解,其种群表示为:population=[x11⋯x1Dim⋮⋱⋮xpop1⋯xpopDim](1)population=\begin{bmatrix} x_1^1 & \cdots & x_1^{Dim}

心升明月的博客 5515

个人整合了蒲公英优化算法Dandelion-Optimizer源代码及原文,更多算法可进入空间查看

个人整合了蒲公英优化算法Dandelion-Optimizer源代码及原文,更多算法可进入空间查看

【智能算法】蒲公英优化算法(DO)原理及实现

蒲公英种子随机选择位置降落,随着迭代次数增加,算法有望收敛于全局最优解,反映种子最容易存活的近似位置。在确定最优种子生长位置后,利用当前精英个体局部领域内的信息,可以使算法精确收敛于全局最优解。在上升阶段,根据不同天气条件,种子在群落中以螺旋式上升方式运动或在局部中飘逸;在着陆阶段,在风和天气的影响下,种子随机选择位置降落。2022年,Zhao等人受到自然界蒲公英种子依靠风的长距离飞行过程启发,提出了蒲公英优化算法(Dandelion Optimizer, DO)。蒲公英种子达到一定高度后分散。

Logic_9527的博客 2106

Qwen2.5-7B大模型实战:从零部署到高效推理全流程解析

本文详细解析了Qwen2.5-7B大模型从零部署到高效推理的全流程。内容涵盖环境准备、模型下载、使用Transformers进行核心对话推理,并深入介绍了vLLM与TGI生产级服务部署、GPTQ/AWQ量化技术以降低显存消耗,以及llama.cpp、Ollama等本地推理方案。旨在帮助开发者快速掌握部署技巧,实现大模型在消费级硬件上的高效运行。

weixin_29061425的博客 492

记录一下本地部署Dify的坑

1. 截止2025-3-4为止,请注意,不要直接拉Dify的1.0.0版本。请先试用0.15.3版本。1.0.0有一个bug需要解决。3. 请使用docker-ce 新版本,docker-engine等老版本可能会有部分容器启动脚本执行莫名报错。2. 注意,请使用docker-compose V2版本,或者V1较高版本,否则会导致解析官方yml模板错误。

哈利路亚的收藏夹 5348

Python实现蒲公英优化算法 (Dandelion Optimizer, DO)(附完整代码)

Python实现蒲公英优化算法 (Dandelion Optimizer, DO)(附完整代码)

corn1949的博客 782

手把手教你用ADS和CGH40010F模型搭建Doherty功放仿真原型(附工程文件)

本文详细介绍了如何使用ADS软件和CGH40010F GaN器件模型搭建Doherty功放仿真原型,涵盖工程准备、关键电路模块实现、效率优化技巧及常见问题排查。通过实战指南和效率优化技巧,帮助工程师快速掌握Doherty功放设计,提升5G基站和广播发射系统的功率放大器性能。

weixin_26897585的博客 346

【MATLAB源码-第303期】基于matlab的蒲公英优化算法(DO)机器人栅格路径规划,输出做短路径图和适应度曲线.

其灵感来源于蒲公英种子在自然环境中的传播方式,蒲公英种子通过风力的作用飞扬到空中,漂移到新的地点,在适宜的地方生根发芽。在蒲公英优化算法中,种子的位置和传播过程被转化为解空间中的搜索过程,优化目标则通过适应度函数来衡量每个解的优劣。为了克服这个问题,研究人员提出了一些改进方案,如通过调整种群初始化的方式来提高搜索的稳定性,或者与其他优化算法结合,进一步增强算法的收敛能力。蒲公英优化算法的优势在于其能够在全局搜索的基础上,结合局部搜索的精度,避免陷入局部最优解,从而提高求解质量。

weixin_67624305的博客 774

Altium Designer 16安装教程(Windows11、小白教程)

Altium Designer 16在Windows11中的超详细安装教程

qq_47003770的博客 1万+

IT世界里的“国境线”(芯片与算法篇)

首先分析下概念,对于芯片,相信大家已经比较了解,就不做过多的解释。我们说一下算法,虽然算法是应用在IT领域,但我相信学数学的同学,特别是学习计算数学的,对算法应该更加熟悉。记得在本科课程中,专门有一门课叫做“算法设计”。从概念上来讲,算法指的是解决问题的方法和流程,是一段逻辑,一系列解决问题的清晰指令。或者更通俗一点来讲,算法是从A到B,所有可能的计算方式。 一、 芯片与算法的关系 芯片和算法并不是独立或者对立的两个个体。芯片本身就集成了算法。算法是一种逻辑概念,芯片是算法的一种表现形式,软件也是算法的

weixin_49664622的博客 7021

【智能优化算法-蒲公英优化器】基于蒲公英优化器求解单目标优化问题附matlab代码

群智能优化算法作为当前优化算法中的一个主要研究热点,经过近年的发展,已经发展为较为新颖的演化计算技术,受到越来越多不同领域研究工作者的关注.群智能优化算法比传统优化方法求解各种复杂优化问题上表现出了更好的高效性以及稳定性,并且算法的结构和操作性相对简单,隐含并行性,容易理解和编程,因此在优化技术应用上有较强的实用性,具有一定的现实意义.本文首先介绍了群体智能优化算法研究背景、意义及其国内外研究现状和应用情况.本文的主要研究工作如下:1.通过模拟蒲公英飘落繁殖过程,提出了一种新的群体智能算法——蒲公英智能优化

qq_59747472的博客 382

别再搞混了!Vue3里xgplayer播放FLV视频与FLV直播流,配置到底差在哪?

本文详细解析了在Vue3项目中使用xgplayer播放FLV视频与FLV直播流的配置差异,帮助开发者避免常见错误。通过对比点播与直播的核心协议差异、插件选择及配置参数,提供实战代码示例和性能优化技巧,确保流畅播放体验。特别针对直播流场景,深入讲解专属配置和问题排查方法。

weixin_28687331的博客 150

【MATLAB源码-第304期】基于matlab的蒲公英优化算法(DO)无人机三维路径规划,输出做短路径图和适应度曲线.

其灵感来源于蒲公英种子在自然环境中的传播方式,蒲公英种子通过风力的作用飞扬到空中,漂移到新的地点,在适宜的地方生根发芽。在蒲公英优化算法中,种子的位置和传播过程被转化为解空间中的搜索过程,优化目标则通过适应度函数来衡量每个解的优劣。为了克服这个问题,研究人员提出了一些改进方案,如通过调整种群初始化的方式来提高搜索的稳定性,或者与其他优化算法结合,进一步增强算法的收敛能力。蒲公英优化算法的优势在于其能够在全局搜索的基础上,结合局部搜索的精度,避免陷入局部最优解,从而提高求解质量。

2401_83582367的博客 592

uniapp [微信小程序] - 详解微信小程序端接入mqtt全流程及示例源码教程,uniApp微信小程序端如何接入MQTT插件并实现连接/断开+发布订阅+消息队列+离线重连等各种示例代码(开箱即用)

uniapp微信小程序接入MQTT,uniapp中使用mqtt,uniapp 微信小程序端接入mqtt示例代码教程,适用于微信小程序的MQTT插件,uniapp开发微信小程序连接mqtt,uniApp微信小程序接入MQTT协议,uniapp vue3微信小程序使用MQTT的小例子接入流程,使用uniapp开发小程序接入mqtt,如何在uniapp项目中使用mqtt,uniapp mqtt的使用示例,mqtt连接报错,如何在项目里集成mqtt,Mqtt协议,主动连接mqtt,订阅消息,实现发布,订阅和接收消息

🏆 前端领域优质创作者 2884

【大数据技术干货】(还不懂数仓,数据中心?看这一篇就够了!)在实际的开发生产中,让你了解企业级数据中心整体架构(DB+ETL+ODS+DW+DM)的各个层次的过程详解,数据联系及功能区分

一 企业级数据中心架构 数据仓库的整体架构,各个系统的元数据通过ETL同步到操作性数据仓库ODS中,对ODS数据进行面向主题域建模形成DW(数据仓库),DM是针对某一个业务领域建立模型,具体用户(决策层)查看DM生成的报表。 二 DB 三 ETL(Extract-Transform-Load) ETL是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程,目的是将企业中的分散、零乱、标准不统一的数据整合到一起,为企业的决策提供分析依据。 ETL是BI项目重要的一个环节。 通常情况下,在BI项目中ET

liuchunhang的博客 1291

蒲公英优化算法Dandelion-Optimizer源代码及原文整合

本仓库包含了个人整合的蒲公英优化算法(Dandelion-Optimizer)的源代码及原文。该算法是一种新颖的优化算法,旨在解决各种复杂的优化问题。通过本仓库,您可以获取到该算法的完整实现代码以及相关的理论背景。 ## 内容 - **源代码**:包含了Dandelion-Optimizer算法的完整实现代码,方便您进行学习和应用。 - **原文**:提供了算法的详细理论背景和实现原理,帮助您更

gitblog_09758的博客 584

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)

蒲公英优化器Dandelion Optimizer附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进。 ????个人主页:Matlab科研工作室????个人信条:格物致知。更多Matlab仿真内容点击????​​智能优化算法​​​ ​​神经网络预测​​​ ​​雷达通信 ​​​ ​​无线传感器​​​​信号处理​​​ ​​图像处理​​​ ​​路径规划​​​ ​​...

m0_57702748的博客 32

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

【无人机三维路径规划】基于蒲公英算法DO实现复杂地形无人机避障三维航迹规划附Matlab代码

在无人机应用日益广泛的当下,复杂地形中的避障三维航迹规划是确保其安全、高效飞行的关键挑战。传统规划算法在面对复杂多变的地形和障碍物时,常显局限性。蒲公英算法(Dandelion Optimization,DO)作为一种新兴的智能优化算法,为无人机在复杂地形下实现精准避障的三维航迹规划提供了新思路,有望提升无人机在复杂环境中的任务执行能力。

j_jinger的博客 64

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: 五行优化算法(FPA),原理详解,MATLAB代码免费获取
下一篇: 八篇保姆级故障诊断教程,学会这几篇你的故障诊断就算入门了!
淘个代码_
博客等级 码龄7年 1万+粉丝 504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

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