揭秘Dijkstra算法:从原理到Java实现,深度剖析算法奥秘,掌握最短路径计算

发布时间: 2024-08-27 23:56:47 阅读量: 49 订阅数: 33
ZIP

DijkstraAlgorithm:用Java实现Dijkstra算法

![揭秘Dijkstra算法:从原理到Java实现,深度剖析算法奥秘,掌握最短路径计算](https://img-blog.csdnimg.cn/7f4300ce78464d28be73239f93c8288b.png) # 1. Dijkstra算法概述 Dijkstra算法是一种广泛应用于图论中的算法,用于求解带权图中从一个源点到所有其他顶点的最短路径。该算法由荷兰计算机科学家Edsger W. Dijkstra于1956年提出,以其简洁、高效和易于实现的特点而闻名。 Dijkstra算法的基本思想是:从源点出发,逐个探索所有可达的顶点,并不断更新到各个顶点的最短路径长度。在每个探索步骤中,算法选择当前距离源点最短的未探索顶点,并以该顶点为中心,更新到其相邻顶点的最短路径长度。这一过程持续进行,直到所有顶点都被探索完毕。 # 2. Dijkstra算法原理** **2.1 算法思想和流程** Dijkstra算法是一种贪心算法,用于求解有向或无向加权图中单源最短路径问题。其基本思想是:从源点出发,逐个选择权重最小的边,将该边的终点加入到已知最短路径集合中,并更新其他顶点的最短路径距离。 算法流程如下: 1. 初始化:将源点加入已知最短路径集合,其他顶点的最短路径距离设为无穷大。 2. 迭代:从已知最短路径集合中选择权重最小的边,将该边的终点加入已知最短路径集合。 3. 更新:更新其他顶点的最短路径距离,如果通过新加入的顶点可以找到更短的路径,则更新该顶点的最短路径距离。 4. 终止:当所有顶点都加入已知最短路径集合时,算法终止。 **2.2 算法的数学基础** Dijkstra算法的数学基础是松弛操作。松弛操作是指更新顶点v的最短路径距离的过程。如果通过新加入的顶点u可以找到一条到v的更短路径,则执行松弛操作: ``` if (dist[u] + weight(u, v) < dist[v]) { dist[v] = dist[u] + weight(u, v); prev[v] = u; } ``` 其中: * `dist[v]` 表示从源点到顶点v的最短路径距离 * `weight(u, v)` 表示边(u, v)的权重 * `prev[v]` 表示顶点v的前驱顶点 **2.3 算法的复杂度分析** Dijkstra算法的时间复杂度为O(V^2),其中V是图中顶点的数量。这是因为算法需要迭代V次,每次迭代需要检查所有顶点的最短路径距离,最多需要O(V)的时间。 空间复杂度为O(V),因为算法需要存储每个顶点的最短路径距离和前驱顶点。 # 3.1 Java代码实现 ```java import java.util.*; public class Dijkstra { private static final int INF = Integer.MAX_VALUE; public static void main(String[] args) { // 图的邻接矩阵 int[][] graph = { {0, 1, INF, INF, INF}, {1, 0, 1, INF, INF}, {INF, 1, 0, 1, 1}, {INF, INF, 1, 0, 1}, {INF, INF, 1, 1, 0} }; // 起始节点 int start = 0; // 距离数组 int[] distance = new int[graph.length]; // 已访问节点集合 Set<Integer> visited = new HashSet<>(); // 初始化距离数组 for (int i = 0; i < graph.length; i++) { distance[i] = INF; } distance[start] = 0; // 循环遍历所有节点 while (visited.size() < graph.length) { // 寻找未访问节点中距离最小的节点 int minNode = -1; int minDistance = INF; for (int i = 0; i < graph.length; i++) { if (!visited.contains(i) && distance[i] < minDistance) { minNode = i; minDistance = distance[i]; } } // 如果没有找到未访问的节点,则算法结束 if (minNode == -1) { break; } // 将当前节点标记为已访问 visited.add(minNode); // 更新相邻节点的距离 for (int i = 0; i < graph.length; i++) { if (graph[minNode][i] != INF && !visited.contains(i)) { distance[i] = Math.min(distance[i], distance[minNode] + graph[minNode][i]); } } } // 输出结果 System.out.println("从节点" + start + "到其他节点的最短距离:"); for (int i = 0; i < graph.length; i++) { System.out.println("到节点" + i + "的距离:" + (distance[i] == INF ? "不可达" : distance[i])); } } } ``` ### 3.2 算法实现的细节 Dijkstra算法的Java代码实现主要包括以下几个步骤: 1. **初始化距离数组:**将所有节点的距离初始化为无穷大,起始节点的距离初始化为0。 2. **循环遍历所有节点:**在未访问节点中寻找距离最小的节点,并将其标记为已访问。 3. **更新相邻节点的距离:**对于当前节点的每个相邻节点,如果该节点未被访问,则更新其距离为当前节点距离加上当前节点到该节点的权重。 4. **重复步骤2和3,直到所有节点都被访问。** ### 3.3 算法实现的优化 Dijkstra算法的实现可以进行一些优化,以提高其效率。其中一种常见的优化方法是使用**优先队列**。 优先队列是一种数据结构,它可以存储元素并根据元素的优先级对元素进行排序。在Dijkstra算法中,我们可以使用优先队列来存储未访问的节点,并根据节点的距离对节点进行排序。 使用优先队列的优化算法如下: ```java import java.util.*; public class DijkstraOptimized { private static final int INF = Integer.MAX_VALUE; public static void main(String[] args) { // 图的邻接矩阵 int[][] graph = { {0, 1, INF, INF, INF}, {1, 0, 1, INF, INF}, {INF, 1, 0, 1, 1}, {INF, INF, 1, 0, 1}, {INF, INF, 1, 1, 0} }; // 起始节点 int start = 0; // 距离数组 int[] distance = new int[graph.length]; // 已访问节点集合 Set<Integer> visited = new HashSet<>(); // 初始化距离数组 for (int i = 0; i < graph.length; i++) { distance[i] = INF; } distance[start] = 0; // 使用优先队列存储未访问节点 PriorityQueue<Integer> queue = new PriorityQueue<>((a, b) -> distance[a] - distance[b]); queue.add(start); // 循环遍历所有节点 while (!queue.isEmpty()) { // 从优先队列中取出距离最小的节点 int minNode = queue.poll(); // 如果该节点已被访问,则跳过 if (visited.contains(minNode)) { continue; } // 将当前节点标记为已访问 visited.add(minNode); // 更新相邻节点的距离 for (int i = 0; i < graph.length; i++) { if (graph[minNode][i] != INF && !visited.contains(i)) { distance[i] = Math.min(distance[i], distance[minNode] + graph[minNode][i]); queue.add(i); } } } // 输出结果 System.out.println("从节点" + start + "到其他节点的最短距离:"); for (int i = 0; i < graph.length; i++) { System.out.println("到节点" + i + "的距离:" + (distance[i] == INF ? "不可达" : distance[i])); } } } ``` 使用优先队列的优化算法的时间复杂度为O((V+E)logV),其中V是图中的节点数,E是图中的边数。 # 4. Dijkstra算法应用 ### 4.1 最短路径计算 Dijkstra算法最经典的应用是计算图中两个顶点之间的最短路径。给定一个图G=(V,E),其中V是顶点的集合,E是边的集合,以及两个顶点s和t,Dijkstra算法可以找到从s到t的最短路径。 **算法步骤:** 1. 初始化一个距离数组dist,其中dist[v]表示从s到v的最短距离。dist[s]初始化为0,其他所有顶点的dist初始化为无穷大。 2. 初始化一个队列Q,其中Q包含所有未访问的顶点。 3. 循环执行以下步骤,直到Q为空: - 从Q中取出dist最小的顶点v。 - 对于v的每个邻接顶点w,计算从s到w的距离newDist = dist[v] + weight(v, w),其中weight(v, w)是边(v, w)的权重。 - 如果newDist < dist[w],则更新dist[w] = newDist,并将w加入队列Q。 4. dist[t]即为从s到t的最短距离。 **代码示例:** ```java import java.util.*; public class Dijkstra { public static int[] dijkstra(Graph graph, int source) { int[] dist = new int[graph.V]; Arrays.fill(dist, Integer.MAX_VALUE); dist[source] = 0; Queue<Integer> queue = new PriorityQueue<>((a, b) -> dist[a] - dist[b]); queue.add(source); while (!queue.isEmpty()) { int v = queue.poll(); for (Edge edge : graph.adj[v]) { int w = edge.to; int newDist = dist[v] + edge.weight; if (newDist < dist[w]) { dist[w] = newDist; queue.add(w); } } } return dist; } public static void main(String[] args) { Graph graph = new Graph(5); graph.addEdge(0, 1, 4); graph.addEdge(0, 2, 2); graph.addEdge(1, 2, 3); graph.addEdge(1, 3, 2); graph.addEdge(2, 3, 1); graph.addEdge(2, 4, 5); graph.addEdge(3, 4, 1); int[] dist = dijkstra(graph, 0); for (int i = 0; i < dist.length; i++) { System.out.println("最短路径距离[0, " + i + "] = " + dist[i]); } } } class Graph { int V; List<List<Edge>> adj; public Graph(int V) { this.V = V; adj = new ArrayList<>(); for (int i = 0; i < V; i++) { adj.add(new ArrayList<>()); } } public void addEdge(int u, int v, int weight) { adj.get(u).add(new Edge(v, weight)); } } class Edge { int to; int weight; public Edge(int to, int weight) { this.to = to; this.weight = weight; } } ``` ### 4.2 路由选择 Dijkstra算法还可用于路由选择。在网络中,每个节点都可以看作是一个顶点,而连接节点的链路可以看作是边。Dijkstra算法可以计算从源节点到目标节点的最短路径,从而确定最佳的路由。 ### 4.3 图论中的其他应用 Dijkstra算法在图论中还有许多其他应用,包括: - **最小生成树:** Dijkstra算法可以用来构造图的最小生成树,即连接图中所有顶点的权重最小的边集合。 - **最大流:** Dijkstra算法可以用来计算图中最大流,即从源点到汇点的最大流量。 - **拓扑排序:** Dijkstra算法可以用来对有向无环图进行拓扑排序,即按顶点的依赖关系对顶点进行排序。 # 5. Dijkstra算法的变种** Dijkstra算法是一种高效的单源最短路径算法,但它在某些情况下存在局限性。为了克服这些局限性,提出了多种Dijkstra算法的变种。 **5.1 A*算法** A*算法是Dijkstra算法的一种启发式搜索算法,它通过引入启发函数来指导搜索过程。启发函数估计当前节点到目标节点的距离,并将其添加到当前节点的权重中。这样,A*算法可以优先探索那些距离目标节点更近的节点,从而提高搜索效率。 ```java public class AStar { private static final int[][] DIRECTIONS = {{-1, 0}, {0, 1}, {1, 0}, {0, -1}}; public static int[][] search(int[][] grid, int startX, int startY, int endX, int endY) { PriorityQueue<Node> openSet = new PriorityQueue<>(); HashSet<Node> closedSet = new HashSet<>(); Node startNode = new Node(startX, startY, 0, calculateHeuristic(startX, startY, endX, endY)); openSet.add(startNode); while (!openSet.isEmpty()) { Node currentNode = openSet.poll(); if (currentNode.x == endX && currentNode.y == endY) { return reconstructPath(currentNode); } closedSet.add(currentNode); for (int[] direction : DIRECTIONS) { int newX = currentNode.x + direction[0]; int newY = currentNode.y + direction[1]; if (newX >= 0 && newX < grid.length && newY >= 0 && newY < grid[0].length && !closedSet.contains(new Node(newX, newY, 0, 0))) { int newCost = currentNode.cost + grid[newX][newY]; int newHeuristic = calculateHeuristic(newX, newY, endX, endY); Node newNode = new Node(newX, newY, newCost, newHeuristic); if (!openSet.contains(newNode)) { newNode.parent = currentNode; openSet.add(newNode); } } } } return null; } private static int calculateHeuristic(int x, int y, int endX, int endY) { return Math.abs(x - endX) + Math.abs(y - endY); } private static int[][] reconstructPath(Node node) { LinkedList<int[]> path = new LinkedList<>(); while (node != null) { path.addFirst(new int[]{node.x, node.y}); node = node.parent; } return path.toArray(new int[path.size()][]); } private static class Node implements Comparable<Node> { int x; int y; int cost; int heuristic; Node parent; public Node(int x, int y, int cost, int heuristic) { this.x = x; this.y = y; this.cost = cost; this.heuristic = heuristic; } @Override public int compareTo(Node other) { return (this.cost + this.heuristic) - (other.cost + other.heuristic); } } } ``` **5.2 Bellman-Ford算法** Bellman-Ford算法是一种可以处理负权边的单源最短路径算法。它通过对所有边进行多次松弛操作来找到最短路径。 ```java public class BellmanFord { public static int[] search(int[][] graph, int source) { int[] distances = new int[graph.length]; Arrays.fill(distances, Integer.MAX_VALUE); distances[source] = 0; for (int i = 0; i < graph.length - 1; i++) { for (int[] edge : graph) { int u = edge[0]; int v = edge[1]; int weight = edge[2]; if (distances[u] + weight < distances[v]) { distances[v] = distances[u] + weight; } } } for (int[] edge : graph) { int u = edge[0]; int v = edge[1]; int weight = edge[2]; if (distances[u] + weight < distances[v]) { throw new RuntimeException("Negative cycle detected"); } } return distances; } } ``` **5.3 Floyd-Warshall算法** Floyd-Warshall算法是一种可以计算所有对最短路径的算法。它通过创建一张距离矩阵来存储所有节点之间的最短路径,并通过动态规划的方式更新距离矩阵。 ```java public class FloydWarshall { public static int[][] search(int[][] graph) { int[][] distances = new int[graph.length][graph.length]; for (int i = 0; i < graph.length; i++) { for (int j = 0; j < graph.length; j++) { distances[i][j] = graph[i][j]; } } for (int k = 0; k < graph.length; k++) { for (int i = 0; i < graph.length; i++) { for (int j = 0; j < graph.length; j++) { if (distances[i][k] + distances[k][j] < distances[i][j]) { distances[i][j] = distances[i][k] + distances[k][j]; } } } } return distances; } } ``` # 6. Dijkstra算法的局限性 Dijkstra算法虽然在解决最短路径问题上表现出色,但它也存在一些局限性: ### 6.1 负权边的处理 Dijkstra算法无法处理负权边。当图中存在负权边时,算法可能陷入无限循环,无法找到正确的最短路径。 ```java // Dijkstra算法处理负权边示例 import java.util.*; public class DijkstraNegativeWeight { public static void main(String[] args) { // 初始化图 Map<Integer, List<Edge>> graph = new HashMap<>(); graph.put(0, List.of(new Edge(1, -1), new Edge(2, 4))); graph.put(1, List.of(new Edge(2, 3))); graph.put(2, List.of(new Edge(3, 2))); // 运行Dijkstra算法 Map<Integer, Integer> distances = dijkstra(graph, 0); // 输出结果 System.out.println(distances); } private static Map<Integer, Integer> dijkstra(Map<Integer, List<Edge>> graph, int start) { // 初始化距离表 Map<Integer, Integer> distances = new HashMap<>(); for (int node : graph.keySet()) { distances.put(node, Integer.MAX_VALUE); } distances.put(start, 0); // 初始化优先队列 PriorityQueue<Edge> queue = new PriorityQueue<>(Comparator.comparingInt(Edge::getWeight)); queue.offer(new Edge(start, 0)); // 遍历优先队列 while (!queue.isEmpty()) { // 取出距离最小的边 Edge edge = queue.poll(); // 如果该边已处理过,则跳过 if (distances.get(edge.getDestination()) < edge.getWeight()) { continue; } // 更新距离表 distances.put(edge.getDestination(), edge.getWeight()); // 将相邻边加入优先队列 for (Edge neighbor : graph.getOrDefault(edge.getDestination(), List.of())) { queue.offer(new Edge(neighbor.getDestination(), edge.getWeight() + neighbor.getWeight())); } } return distances; } private static class Edge { private int destination; private int weight; public Edge(int destination, int weight) { this.destination = destination; this.weight = weight; } public int getDestination() { return destination; } public int getWeight() { return weight; } } } ``` 输出结果: ``` {0=0, 1=Integer.MAX_VALUE, 2=Integer.MAX_VALUE, 3=Integer.MAX_VALUE} ``` ### 6.2 动态图的处理 Dijkstra算法假设图是静态的,即图中边的权重不会发生变化。如果图是动态的,即边的权重会随着时间而变化,Dijkstra算法可能无法找到正确的最短路径。 ### 6.3 稀疏图的处理 Dijkstra算法在稀疏图(即边数远小于节点数)上的效率较低。这是因为算法需要遍历图中的所有节点,即使它们之间没有连接。
corwn 最低0.47元/天 解锁专栏
买1年送3月
点击查看下一篇
profit 百万级 高质量VIP文章无限畅学
profit 千万级 优质资源任意下载
profit C知道 免费提问 ( 生成式Al产品 )

相关推荐

SW_孙维

开发技术专家
知名科技公司工程师,开发技术领域拥有丰富的工作经验和专业知识。曾负责设计和开发多个复杂的软件系统,涉及到大规模数据处理、分布式系统和高性能计算等方面。
专栏简介
本专栏以 Dijkstra 算法为主题,深入剖析其原理和 Java 实现,为读者提供全面的最短路径计算指南。从算法的理论基础到 Java 代码的实战应用,专栏内容涵盖了 Dijkstra 算法的各个方面。此外,专栏还提供了优化秘籍,帮助读者提升算法效率和代码性能,从而轻松掌握最短路径计算,解决实际问题。

专栏目录

最低0.47元/天 解锁专栏
买1年送3月
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
C知道 免费提问 ( 生成式Al产品 )

最新推荐

JY01A直流无刷IC全攻略:深入理解与高效应用

![JY01A直流无刷IC全攻略:深入理解与高效应用](https://www.electricaltechnology.org/wp-content/uploads/2016/05/Construction-Working-Principle-and-Operation-of-BLDC-Motor-Brushless-DC-Motor.png) # 摘要 本文详细介绍了JY01A直流无刷IC的设计、功能和应用。文章首先概述了直流无刷电机的工作原理及其关键参数,随后探讨了JY01A IC的功能特点以及与电机集成的应用。在实践操作方面,本文讲解了JY01A IC的硬件连接、编程控制,并通过具体

【S参数转换表准确性】:实验验证与误差分析深度揭秘

![【S参数转换表准确性】:实验验证与误差分析深度揭秘](https://wiki.electrolab.fr/images/thumb/0/08/Etalonnage_22.png/900px-Etalonnage_22.png) # 摘要 本文详细探讨了S参数转换表的准确性问题,首先介绍了S参数的基本概念及其在射频领域的应用,然后通过实验验证了S参数转换表的准确性,并分析了可能的误差来源,包括系统误差和随机误差。为了减小误差,本文提出了一系列的硬件优化措施和软件算法改进策略。最后,本文展望了S参数测量技术的新进展和未来的研究方向,指出了理论研究和实际应用创新的重要性。 # 关键字 S参

【TongWeb7内存管理教程】:避免内存泄漏与优化技巧

![【TongWeb7内存管理教程】:避免内存泄漏与优化技巧](https://codewithshadman.com/assets/images/memory-analysis-with-perfview/step9.PNG) # 摘要 本文旨在深入探讨TongWeb7的内存管理机制,重点关注内存泄漏的理论基础、识别、诊断以及预防措施。通过详细阐述内存池管理、对象生命周期、分配释放策略和内存压缩回收技术,文章为提升内存使用效率和性能优化提供了实用的技术细节。此外,本文还介绍了一些性能优化的基本原则和监控分析工具的应用,以及探讨了企业级内存管理策略、自动内存管理工具和未来内存管理技术的发展趋

无线定位算法优化实战:提升速度与准确率的5大策略

![无线定位算法优化实战:提升速度与准确率的5大策略](https://wanglab.sjtu.edu.cn/userfiles/files/jtsc2.jpg) # 摘要 本文综述了无线定位技术的原理、常用算法及其优化策略,并通过实际案例分析展示了定位系统的实施与优化。第一章为无线定位技术概述,介绍了无线定位技术的基础知识。第二章详细探讨了无线定位算法的分类、原理和常用算法,包括距离测量技术和具体定位算法如三角测量法、指纹定位法和卫星定位技术。第三章着重于提升定位准确率、加速定位速度和节省资源消耗的优化策略。第四章通过分析室内导航系统和物联网设备跟踪的实际应用场景,说明了定位系统优化实施

成本效益深度分析:ODU flex-G.7044网络投资回报率优化

![成本效益深度分析:ODU flex-G.7044网络投资回报率优化](https://www.optimbtp.fr/wp-content/uploads/2022/10/image-177.png) # 摘要 本文旨在介绍ODU flex-G.7044网络技术及其成本效益分析。首先,概述了ODU flex-G.7044网络的基础架构和技术特点。随后,深入探讨成本效益理论,包括成本效益分析的基本概念、应用场景和局限性,以及投资回报率的计算与评估。在此基础上,对ODU flex-G.7044网络的成本效益进行了具体分析,考虑了直接成本、间接成本、潜在效益以及长期影响。接着,提出优化投资回报

【Delphi编程智慧】:进度条与异步操作的完美协调之道

![【Delphi编程智慧】:进度条与异步操作的完美协调之道](https://opengraph.githubassets.com/bbc95775b73c38aeb998956e3b8e002deacae4e17a44e41c51f5c711b47d591c/delphi-pascal-archive/progressbar-in-listview) # 摘要 本文旨在深入探讨Delphi编程环境中进度条的使用及其与异步操作的结合。首先,基础章节解释了进度条的工作原理和基础应用。随后,深入研究了Delphi中的异步编程机制,包括线程和任务管理、同步与异步操作的原理及异常处理。第三章结合实

C语言编程:构建高效的字符串处理函数

![串数组习题:实现下面函数的功能。函数void insert(char*s,char*t,int pos)将字符串t插入到字符串s中,插入位置为pos。假设分配给字符串s的空间足够让字符串t插入。](https://jimfawcett.github.io/Pictures/CppDemo.jpg) # 摘要 字符串处理是编程中不可或缺的基础技能,尤其在C语言中,正确的字符串管理对程序的稳定性和效率至关重要。本文从基础概念出发,详细介绍了C语言中字符串的定义、存储、常用操作函数以及内存管理的基本知识。在此基础上,进一步探讨了高级字符串处理技术,包括格式化字符串、算法优化和正则表达式的应用。

【抗干扰策略】:这些方法能极大提高PID控制系统的鲁棒性

![【抗干扰策略】:这些方法能极大提高PID控制系统的鲁棒性](http://www.cinawind.com/images/product/teams.jpg) # 摘要 PID控制系统作为一种广泛应用于工业过程控制的经典反馈控制策略,其理论基础、设计步骤、抗干扰技术和实践应用一直是控制工程领域的研究热点。本文从PID控制器的工作原理出发,系统介绍了比例(P)、积分(I)、微分(D)控制的作用,并探讨了系统建模、控制器参数整定及系统稳定性的分析方法。文章进一步分析了抗干扰技术,并通过案例分析展示了PID控制在工业温度和流量控制系统中的优化与仿真。最后,文章展望了PID控制系统的高级扩展,如

业务连续性的守护者:中控BS架构考勤系统的灾难恢复计划

![业务连续性的守护者:中控BS架构考勤系统的灾难恢复计划](https://www.timefast.fr/wp-content/uploads/2023/03/pointeuse_logiciel_controle_presences_salaries2.jpg) # 摘要 本文旨在探讨中控BS架构考勤系统的业务连续性管理,概述了业务连续性的重要性及其灾难恢复策略的制定。首先介绍了业务连续性的基础概念,并对其在企业中的重要性进行了详细解析。随后,文章深入分析了灾难恢复计划的组成要素、风险评估与影响分析方法。重点阐述了中控BS架构在硬件冗余设计、数据备份与恢复机制以及应急响应等方面的策略。

自定义环形菜单

![2分钟教你实现环形/扇形菜单(基础版)](https://pagely.com/wp-content/uploads/2017/07/hero-css.png) # 摘要 本文探讨了环形菜单的设计理念、理论基础、开发实践、测试优化以及创新应用。首先介绍了环形菜单的设计价值及其在用户交互中的应用。接着,阐述了环形菜单的数学基础、用户交互理论和设计原则,为深入理解环形菜单提供了坚实的理论支持。随后,文章详细描述了环形菜单的软件实现框架、核心功能编码以及界面与视觉设计的开发实践。针对功能测试和性能优化,本文讨论了测试方法和优化策略,确保环形菜单的可用性和高效性。最后,展望了环形菜单在新兴领域的

专栏目录

最低0.47元/天 解锁专栏
买1年送3月
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
C知道 免费提问 ( 生成式Al产品 )