python实现cma-es优化算法

最新推荐文章于 2024-04-13 21:43:33 发布
最新推荐文章于 2024-04-13 21:43:33 发布
阅读量1.8k 收藏 9
点赞数 1
分类专栏： 最优化 python 文章标签： python 算法 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sdhdsf132452/article/details/127085967
版权

测试目标函数

用cma-es方法求函数
f ( x 1 , x 2 ) = 10 ( x 1 + x 2 − 5 ) 2 + ( x 1 − x 2 ) 2 f(x_1,x_2)=10(x_1+x_2-5)^2+(x_1-x_2)^2 f(x1​,x2​)=10(x1​+x2​−5)2+(x1​−x2​)2的极小值

代码

from cmaes import CMA
import numpy as np
import math


def func(x1,x2):
    return 10*math.pow((x1+x2-5),2)+math.pow((x1-x2),2)

if __name__ == '__main__':
    op1 = None
    op2 = None

    optimizer = CMA(mean=np.zeros(2),sigma=1.5,bounds=np.array([[2,3],[2,3]]))
    for generation in range(50):
        solutions = []
        for _ in range(optimizer.population_size):
            x = optimizer.ask()
            value = func(x[0],x[1])
            solutions.append((x,value))
            print(f'#{generation}: {value}, x1={x[0]}, x2={x[1]}')
            if value<1e-4:
                op1 = x[0]
                op2 = x[1]
                break
        if op1!=None:
            break
        optimizer.tell(solutions)

    print(f'op1 = {op1}, op2 = {op2}')

结果

#0: 10.0, x1=2.0, x2=2.0
#0: 10.0, x1=2.0, x2=2.0
#0: 6.534076900378765, x1=2.193994857609466, x2=2.0
#0: 10.0, x1=2.0, x2=2.0
#0: 0.06335566347967159, x1=2.376519710481994, x2=2.574212375227286
#0: 0.3442059362928029, x1=2.360081782467732, x2=2.456935919932541
#1: 3.015856361818722, x1=2.5481285065342933, x2=2.9835016808084815
#1: 1.0402535327830014, x1=2.764233382822427, x2=2.016437120209082
#1: 0.15058582430743594, x1=2.701000460480677, x2=2.3538168242217394
#1: 0.7868521946585273, x1=2.4251776547005615, x2=2.2972461013043586
#1: 0.9262149571480615, x1=2.910581469401808, x2=2.3328102727474884
#1: 1.9883736927416178, x1=2.134014887218789, x2=2.4300078349765917
#2: 0.82022805460328, x1=2.9748246921767434, x2=2.105637222300638
#2: 0.08856697756923511, x1=2.474107423495605, x2=2.609671643067113
#2: 0.2646313083431093, x1=2.7472189172803745, x2=2.2356545315164955
#2: 0.2187844565601368, x1=2.2564488730243575, x2=2.682520361709355
#2: 0.10165301794553384, x1=2.6009975773248213, x2=2.3407554767868857
#2: 1.969605825329867, x1=2.2703902188512872, x2=2.2858342401896863
#3: 0.8353676431824137, x1=2.9636814187607285, x2=2.1903952147038095
#3: 0.05753740324804603, x1=2.619222760925894, x2=2.379393142223122
#3: 0.44682577699652737, x1=2.6743916001686836, x2=2.5321496823414624
#3: 0.2498444545897333, x1=2.7620093589880907, x2=2.2900195613480694
#3: 3.1188697293697363, x1=2.705789911831616, x2=2.8507928648499568
#3: 0.8525997211104847, x1=2.5675832587399805, x2=2.1690251744679365
#4: 0.4959335838977355, x1=2.8539594975415983, x2=2.1498362806416202
#4: 1.6442749822921043, x1=2.6025739442057505, x2=2.7981771468004744
#4: 1.9615450460338173, x1=2.1556984027146813, x2=2.4086941845368677
#4: 1.6016747715075708, x1=2.3811646294272175, x2=2.9726465987053103
#4: 1.8114068090424973, x1=2.5955382415601433, x2=2.0197677105676406
#4: 0.6414232216808395, x1=2.3007703949301175, x2=2.875584815741031
#5: 1.4800459968433166, x1=2.1467559799992815, x2=2.483567990715536
#5: 1.2720906127185203, x1=2.397430091053399, x2=2.918833840332442
#5: 3.6417601887471154, x1=2.883197235310154, x2=2.7180076028331555
#5: 4.108580048540381, x1=2.2281967591176906, x2=2.131550205572963
#5: 4.079206830993574, x1=2.876233518038383, x2=2.761420367023698
#5: 0.9356685819334423, x1=2.696627918066794, x2=2.07027362918555
#6: 1.081497314368821, x1=2.333854985524522, x2=2.337285539065201
#6: 3.3037064127220477, x1=2.060426247004182, x2=2.3733788126831183
#6: 2.465420725941423, x1=2.8844307942372702, x2=2.604123018217866
#6: 1.956939271972105, x1=2.582260296752602, x2=2.851822147121573
#6: 3.289756464683478, x1=2.2500694280671008, x2=2.1768343248383513
#6: 0.1308506764954115, x1=2.686469417393113, x2=2.3674596538684565
#7: 2.3250950827961456, x1=2.8481412529242633, x2=2.629047714269651
#7: 0.20693568350350128, x1=2.519395579917585, x2=2.3474269205893177
#7: 0.2644805637415131, x1=2.7685055583559612, x2=2.2948240482393216
#7: 0.7430600495400986, x1=2.7899468723400718, x2=2.4621684494989386
#7: 1.920359663261277, x1=2.4457077548694164, x2=2.127763128010452
#7: 0.7418704950447988, x1=2.8922703315483673, x2=2.3077941925356296
#8: 2.587054895063614, x1=2.4000435996417044, x2=2.100239255344807
#8: 0.316319604172951, x1=2.773642531031088, x2=2.2128450968600157
#8: 0.5261465682178328, x1=2.876563502910547, x2=2.160992243442791
#8: 0.5313395354165122, x1=2.426736841047016, x2=2.3442362631391136
#8: 0.9541331224781457, x1=2.2483977046117376, x2=2.962395946423536
#8: 0.33559048969298005, x1=2.6474113347794463, x2=2.5321150583600596
#9: 0.7338641238267016, x1=2.8880557629680355, x2=2.3126305451029485
#9: 0.14746128690044774, x1=2.5533005068486885, x2=2.344737386580146
#9: 0.07946973210124161, x1=2.6407003613704756, x2=2.410962037632292
#9: 0.4426816268713762, x1=2.840038147565921, x2=2.176838862022909
#9: 0.1726432543724588, x1=2.715114572325701, x2=2.3439360476428943
#9: 0.39530195764123677, x1=2.7963469883981125, x2=2.174440188748402
#10: 0.4337099260686925, x1=2.718704843812967, x2=2.167384668999698
#10: 0.2381483820789981, x1=2.4414637486486344, x2=2.6911313084474386
#10: 0.011747625524323773, x1=2.444048479778901, x2=2.5400282192719614
#10: 0.05724842388558135, x1=2.535045164920554, x2=2.4020562156524985
#10: 0.04947550567446757, x1=2.596232746954514, x2=2.383364629775309
#10: 1.349065962168933, x1=2.8541714592737963, x2=2.4951363972681886
#11: 0.4386921220137742, x1=2.505823891521909, x2=2.2955605389524325
#11: 0.3990949509865823, x1=2.6885071121870605, x2=2.1891327023728615
#11: 0.11152710803387075, x1=2.668121083131221, x2=2.334248408076757
#11: 1.7127175226612674, x1=2.378096333474768, x2=2.211423731988234
#11: 0.07891279388053785, x1=2.4252514273245227, x2=2.6341430777080133
#11: 0.8631980811798495, x1=2.3063518677567894, x2=2.4013868743414313
#12: 0.1215832197249647, x1=2.512578303013577, x2=2.3848243538449965
#12: 0.01794980192778644, x1=2.5246720630176442, x2=2.441990843682251
#12: 0.17728425739526243, x1=2.624997926533472, x2=2.5023790182947008
#12: 0.1900709965888348, x1=2.2891379041340607, x2=2.62172267208869
#12: 0.1317466161568503, x1=2.471402124079702, x2=2.4152011952982644
#12: 0.014299069431282084, x1=2.549892969025236, x2=2.4373380689740647
#13: 0.07494688829501794, x1=2.4493154526845657, x2=2.46424144284036
#13: 0.008608671935873103, x1=2.5180198466045662, x2=2.511242307974324
#13: 0.002101537602758445, x1=2.477621338445377, x2=2.523358939536232
#13: 0.1253744015014866, x1=2.3587801970399287, x2=2.546225838394624
#13: 0.0007931066586420569, x1=2.5110329800069615, x2=2.496617517325351
#13: 0.29681430186201274, x1=2.4431137228600477, x2=2.385567076422179
#14: 0.33493948130010487, x1=2.283242238566705, x2=2.7994831140964327
#14: 0.02402833436232993, x1=2.4323615654892414, x2=2.529417356937374
#14: 0.23413212248448917, x1=2.528319030301766, x2=2.621811349293453
#14: 0.02447496459989463, x1=2.4317273682917753, x2=2.5297037380696374
#14: 0.13017017904955874, x1=2.3598461705714646, x2=2.6877470785357143
#14: 0.05705493406043433, x1=2.3748849334704367, x2=2.5989014832270616
#15: 0.04385090518244558, x1=2.4405874151705977, x2=2.495510846278926
#15: 0.17091186040217496, x1=2.3492668070956872, x2=2.533736230442824
#15: 0.09020731121953468, x1=2.470224789515952, x2=2.435436927749388
#15: 0.09874529851251285, x1=2.5392974206077943, x2=2.5598602658852894
#15: 0.0033412487589541935, x1=2.528141192392836, x2=2.4704980480254317
#15: 0.07381010683748489, x1=2.462445276927733, x2=2.451709024449558
#16: 0.05592153140154273, x1=2.507882496653863, x2=2.4223942688356495
#16: 0.10069156156133502, x1=2.6588371793206895, x2=2.3985647646606485
#16: 0.031063183448908942, x1=2.5042649472075587, x2=2.4434264830133
#16: 0.03613708392853141, x1=2.4556975106561465, x2=2.4849019996566897
#16: 0.0790691499218851, x1=2.477385194807159, x2=2.434723329404649
#16: 0.07572630321009807, x1=2.3742830739836864, x2=2.643596265814285
#17: 0.009656256558257175, x1=2.5492959208875385, x2=2.4682986996050005
#17: 0.008333720585859416, x1=2.4522280277320054, x2=2.5408687032047372
#17: 0.17150234300637354, x1=2.531074323252401, x2=2.350995980166239
#17: 0.03986776688999875, x1=2.42784562832178, x2=2.5154089471115464
#17: 0.13227464607111497, x1=2.416966053002254, x2=2.4692163045681035
#17: 0.014102304778798964, x1=2.5621353916768905, x2=2.446768647876299
#18: 0.002864832196328253, x1=2.4945310516390466, x2=2.488645763238135
#18: 0.054214905619042957, x1=2.3831692459143734, x2=2.6159951982555842
#18: 0.04938307278665337, x1=2.517675519616028, x2=2.419310652048395
#18: 0.11616479668415054, x1=2.332313724061048, x2=2.6727647329174298
#18: 0.003986587304035755, x1=2.479224971826557, x2=2.5318213378820733
#18: 0.09173386149717747, x1=2.624620979915844, x2=2.3414208702653814
#19: 0.018949964846792164, x1=2.5376321428963684, x2=2.5046299181111316
#19: 0.00728201661353757, x1=2.4735456891778096, x2=2.5008922660115456
#19: 0.02255325440617661, x1=2.45951045580425, x2=2.494290399246603
#19: 0.001963377035031722, x1=2.5109522370015496, x2=2.479256233893981
#19: 0.014403549473427438, x1=2.4384309556296344, x2=2.5428730721649857
#19: 0.005897052874434157, x1=2.5149148482676753, x2=2.4662897892467415
#20: 0.004067769251672983, x1=2.4700060880093044, x2=2.533049132870812
#20: 0.008440670409775591, x1=2.456108518473503, x2=2.5473342888751587
#20: 0.02639164343876337, x1=2.533384701445267, x2=2.4276208691792767
#20: 4.682774624472397e-05, x1=2.5025877962626555, x2=2.4964532765298557
op1 = 2.5025877962626555, op2 = 2.4964532765298557
吴天德少侠
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CMA-ES算法解决连续优化问题
fengkuang的一亩三分地
11-18 1万+
一、算法介绍CMA-ES是Covariance Matrix Adaptation Evolutionary Strategies的缩写，中文名称是协方差矩阵自适应进化策略，主要用于解决连续优化问题，尤其在病态条件下的连续优化问题。进化策略算法主要作为求解参数优化问题的方法，模仿生物进化原理，假设不论基因发生何种变化，产生的结果（性状）总遵循这零均值，某一方差的高斯分布。注意这里进化策略和遗传算法不
CMA-ES的matlab实现
12-24
进化策略（ES）是最早也是最古老的进化算法，它基于自适应和进化。特别地，用于描述进化策略如何工作的主要概念是进化。进化策略算法的最新，最强大的版本之一是协方差矩阵适应进化策略（CMA-ES），该算法由Nikolaus Hansen和Andreas Ostermeier于2001年提出。在本文中，我们将与您分享MATLAB中CMA-ES的结构化开源实现。
CMA-ES 和python
stereohomology
03-14 3448
https://www.lri.fr/~hansen/pythoncma.html点击打开链接     cma (version 0.91.00 $Revision: 3103 $) index cma.py Module cma implements the CMA-ES, Covariance Matrix Adaptation Evolutio
python 某些包跨平台死活装不上时，比如 CMA-ES
shimly123456的博客
01-05 358
windows11 下，安装 anaconda，随后修改环境变量，去掉 python39 的环境变量，改为 anaconda 根目录，随后再次使用 python -m pip install xxxx 安装包。
协方差矩阵自适应调整的进化策略(CMA-ES)，大数据开发面试题大全
最新发布
UYruihu的博客
04-13 937
w1​≥⋯≥wμ​>0≥wμ+1​≥wλ​，并且通常∑i1μwi1∑i1λwi≈0。
CMAES优化方法测试--python
sinat_18131557的博客
05-11 524
进行配准的时候发现有些研究说CMAES优化方法算是status-of-art的方法，找了一下相关的CMAES实现。在python中可以直接使用cma库，通过。由于CMAES是通过协方差优化，优化变量至少是2D的。example中都是使用。中的目标函数，如果是自定义的目标函数需要参照以下写，目标函数带一个参数。注意输入初始化的参数，数据大小与木目标函数的输入一致。中传入这个目标函数即可。
【智能优化算法】协方差矩阵自适应进化算法CMAES附matlab代码
m0_60703264的博客
10-21 498
智能优化算法在解决复杂问题和优化函数方面发挥着重要作用。其中，协方差矩阵自适应进化算法（Covariance Matrix Adaptation Evolution Strategy，简称CMA-ES）是一种高效的优化算法。本文将详细介绍CMA-ES算法的步骤和原理。CMA-ES算法是一种进化策略（Evolution Strategy，简称ES），它通过模拟自然进化的过程来优化目标函数。与其他进化策略相比，CMA-ES算法具有自适应性，能够自动调整搜索策略以适应问题的特性。
（CMA-ES源码）协方差自适应进化策略（Covariance Matrix Adaptation Evolution Strategy，CMA-ES）——最好的单目标进化算法？
热门推荐
松间沙路的博客
09-27 1万+
获取更多资讯，赶快关注公众号(名称：智能制造与智能调度，公众号：deeprlscheduler)吧！ 文章目录0 (μ/μW,λ)\left(\mu / \mu_{\mathrm{W}}, \lambda\right)(μ/μW​,λ)-CMA-ES1 Set parameters参数设置2 Initialization初始化3 迭代优化过程3.1 采样新种群3.2 选择和重组：均值移动3.3 自适应协方差矩阵3.3.1 估计协方差矩阵3.3.2 秩μ\muμ更新3.3.3 秩1更新3.3.3.1 不同的视
pycma:CMA-ES的Python实现
05-13
pycma是的Python实现和一些相关的数值优化工具。 （ ）是用于连续搜索空间中困难（非凸，病态，多模态，粗糙，嘈杂）优化问题的随机无导数优化算法。 有用的链接： 安装 类型 python -m pip install cma 在系统...
CMA-es,python,遗传算法
04-19
CMA-es,遗传算法，python,遗传算法,遗传算法,遗传算法
Python库 | cma-2.3.1.macosx-10.7-x86_64.exe
03-25
资源分类：Python库 所属语言：Python 使用前提：需要解压 资源全名：cma-2.3.1.macosx-10.7-x86_64.exe 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
CMA-ES的综述和代码（matlab）
06-19
python代码随处可见，利用python进行相关的操作和实现时每一个python入门者必不可少的内容，这里利用python 的相关知识，简单的进行了实验，希望对大家有所帮助
无导数优化算法CMA-ES 的C ++ 实现_C++_代码_下载
06-08
如何开始 您需要以下程序： cmake - 为了生成 make 文件（仅使用这些进行测试） doxygen - 如果你想阅读 API 文档，你可以阅读每个文件中的注释，但我宁愿建议阅读生成的 html 文档 g++ - 或任何其他 C++ 编译器 花 5 分钟时间查看文件 example1.cpp。 编译并运行示例程序。使用 GNU c++ 编译器进行编译，并使用“./evo1”或“./evo2”运行。看看输出。 mkdir 构建 光盘构建 制作.. 制作 （可选）更改（增加）示例代码中的问题维度和/或问题编号。 阅读生成的 API 文档！( http://alexanderfabisch.github.com/CMA-ESpp/html/ ) 现在您已准备好检查和编辑 example2.cpp。 确保函数的所有目标参数分量的尺度有点相似，sigma 对应于各自搜索间隔的大约 1/4。
基于适应性均衡模型的C MAES约束优化算法 (2012年)
05-25
提出一种基于适应性均衡模型的协方差矩阵自适应进化策略(ATM-CMAES)用于求解约束优化问题。ATM-CMAES中的CMAES利用当前代最优子群与上一代分布均值之间的关系更新协方差矩阵来调整种群分布,将协方差矩阵秩1和秩μ2种更新机制相结合,克服了传统进化算法对种群大小的过分依赖;将ATM作为约束处理技术,针对群体不可行、半可行和可行这3种不同情形,采用不同的约束违反度与目标函数值之间的均衡机制来指导群体进化。对13个标准测试函数的实验结果表明:ATM-CMAES具有通用、稳健和高效性能。
libcmaes:libcmaes是一个多线程C ++ 11库，带有Python绑定，可使用CMA-ES算法进行协方差矩阵适应发展策略，从而实现高性能的黑盒随机优化。
05-02
libcmaes是CMA-ES系列算法的多线程C ++ 11实现（带有Python绑定），用于优化非线性非凸“黑盒”函数。 所实现的算法在各个学科中具有广泛的应用，范围从纯函数最小化，工业和科学应用中的优化到解决增强和机器学习...
deap:Python中的分布式进化算法
05-02
CMA-ES） 多个人群的协同进化（合作和竞争） 评估的并行化（以及更多） 人口中最优秀的名人堂定期为系统创建快照的检查点基准测试模块，包含最常用的测试功能进化的家谱（与兼容） 替代算法的示例：粒子群优化，差分...
fcmaes-java:Python优化库fcmaes的Java端口
03-25
fcmaes-java-Java无梯度优化库fcmaes-java提供了基于C ++ / Eigen的无梯度优化算法的快速实现。 它支持并行优化和并行功能评估。 可以将新的并行并行重试机制视为对大量用户定义的优化运行进行操作的元算法。 fcmaes...
协方差自适应调整的进化策略（CMA-ES）转载自知乎——补充
小唐要努力的博客
10-29 1万+
之前转载的原文好像挂了，于是在知乎上又找了一篇相关的文章，原文链接为：https://zhuanlan.zhihu.com/p/150946035 本文仅作个人学习用，若有侵权请联系删除 进化策略及其在深度学习中的应用 本文翻译自：https://lilianweng.github.io/lil-log/2019/09/05/evolution-strategies.html,这篇博文很早就看过，但是每次都是似懂非懂，各种数学公式，虽然我做这个方向的研究很久，但是仍然不能全懂。这个端午，闲来无事.
python实现CMA-ES
05-31
CMA-ES是一种优化算法，主要用于解决连续优化问题。下面给出使用Python实现CMA-ES算法的基本步骤： 1. 安装必要的库：numpy, scipy 2. 定义目标函数，即待优化的函数。 3. 初始化CMA-ES算法的参数。包括种群大小，初始种群分布，步长，收敛阈值等。 4. 根据CMA-ES算法公式更新种群，并计算适应度函数值。 5. 判断是否达到收敛条件，如果达到则输出最优解，否则重复执行第4步。 下面是一个简单的CMA-ES算法实现示例代码： ```python import numpy as np from scipy.optimize import minimize def cma_es(func, x0, sigma, popsize, maxiter): # 初始化参数 D = len(x0) x_mean = x0 C = np.eye(D) sigma = sigma weights = np.log(popsize/2+1) - np.log(np.arange(1,popsize+1)) mu = int(popsize/2) weights /= np.sum(weights) mueff = np.sum(weights)**2/np.sum(weights**2) cc = (4+mueff/D)/(D+4+2*mueff/D) cs = (mueff+2)/(D+mueff+5) c1 = 2/((D+1.3)**2+mueff) cmu = min(1-c1, 2*(mueff-2+1/mueff)/((D+2)**2+mueff)) damps = 1+2*max(0, np.sqrt((mueff-1)/(D+1))-1)+cs pc = np.zeros(D) ps = np.zeros(D) B = np.eye(D) D = np.ones(D) BD = np.dot(B,np.diag(D)) C = np.dot(BD,BD.T) eigeneval = 0 chiN = np.sqrt(D.shape[0])*(1-1/(4*D.shape[0])+1/(21*(D.shape[0]**2))) # 迭代寻优 for i in range(maxiter): # 生成种群 arz = np.random.randn(D.shape[0], popsize) arx = x_mean.reshape(-1,1) + sigma*(np.dot(BD, arz)) arfitness = np.zeros(popsize) for j in range(popsize): arfitness[j] = func(arx[:,j]) # 更新x_mean parent_indices = np.argsort(arfitness)[:mu] x_mean = np.dot(arx[:,parent_indices], weights) # 更新进化路径 ps = (1-cs)*ps + np.sqrt(cs*(2-cs)*mueff)*(np.dot(B, x_mean-x_old)/sigma) hsig = np.linalg.norm(ps)/np.sqrt(1-(1-cs)**(2*(i+1))) < (1.4+2/(D.shape[0]+1))*chiN pc = (1-cc)*pc + hsig*np.sqrt(cc*(2-cc)*mueff)*(x_mean-x_old)/sigma # 更新协方差矩阵 artmp = arx[:,parent_indices]-x_old.reshape(-1,1) C = (1-c1-cmu) * C + c1 * np.outer(pc,pc) + cmu * np.dot(np.dot(artmp, np.diag(weights)), artmp.T) eigeneval += mu if eigeneval > popsize/(c1+cmu)/D.shape[0]/10: eigeneval = 0 C = np.triu(C) + np.triu(C,1).T D, B = np.linalg.eig(C) D = np.sqrt(D) BD = np.dot(B, np.diag(D)) # 更新步长 sigma *= np.exp((cs/damps)*(np.linalg.norm(ps)/chiN-1)) # 判断是否收敛 if arfitness[parent_indices[0]] < 1e-10: break x_old = x_mean # 输出结果 res = minimize(func, x0) return res.x # 测试 def f(x): return np.sum(x**2) x0 = np.array([1,2,3]) sigma = 0.1 popsize = 10 maxiter = 100 result = cma_es(f, x0, sigma, popsize, maxiter) print(result) ``` 注意，在上面的代码中，目标函数需要传入一个numpy数组，而不是一个标量。另外，这里使用了scipy库中的minimize函数来检验最终的优化结果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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