开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何将CP-SAT公式(python中的)中的目标指定为所有决策变量值的最大值的最小化？

将CP-SAT公式中的目标指定为所有决策变量值的最大值的最小化，可以通过以下步骤实现：

定义决策变量：根据具体问题，定义CP-SAT公式所涉及的决策变量。决策变量是需要进行优化的变量。
建立约束条件：根据具体问题，建立CP-SAT公式的约束条件。约束条件是对决策变量的限制，可以是等式或不等式。
定义目标函数：目标函数是需要最小化的表达式。在这个问题中，我们将目标函数定义为所有决策变量值的最大值。
转化为最小化问题：将目标函数转化为最小化问题的形式。可以通过取相反数或使用适当的转换方法来实现。在这个问题中，我们需要将目标函数转化为最小化问题。
调用CP-SAT求解器：使用支持CP-SAT的求解器，例如OR-Tools库中的CP-SAT求解器。将定义好的决策变量、约束条件和转化后的目标函数传入求解器。
解决优化问题：调用求解器的解决方法，求解优化问题。求解器将尝试找到最小化目标函数的最优解，满足约束条件。

在这个过程中，可以利用相关的编程语言（如Python）进行开发。具体来说，可以使用Python中的OR-Tools库来实现CP-SAT公式的求解。

以下是一些相关的腾讯云产品和产品介绍链接地址，可用于支持云计算和开发过程中的相关需求：

云服务器（Elastic Cloud Server）：腾讯云提供的弹性云服务器实例，用于计算和存储数据。链接地址：https://cloud.tencent.com/product/cvm
云数据库 MySQL（TencentDB for MySQL）：腾讯云提供的MySQL数据库服务，用于存储和管理数据。链接地址：https://cloud.tencent.com/product/cdb_mysql
人工智能（AI）开发平台（Tencent Cloud AI）：腾讯云提供的人工智能开发平台，可支持机器学习、自然语言处理、计算机视觉等应用场景。链接地址：https://cloud.tencent.com/product/ai
物联网平台（Tencent Cloud IoT Hub）：腾讯云提供的物联网平台，用于连接和管理物联网设备，并进行数据处理和分析。链接地址：https://cloud.tencent.com/product/iothub

请注意，以上产品和链接仅为示例，具体选择和使用需根据实际需求进行评估和决策。

相关搜索:在python字典中查找所有最大值的键？如何将公式(Float)中的结果保存到列中，python 使用WebDriver Selenium在Python中获取所有标记中包含的文本，并将属性指定为“如何将目标文件夹中的所有构建版本(工件)存档如何将图片文件夹中的所有图片解压到Python数组中？Python3如何将列表中的所有连续项乘以列表中的前一项？如何将每行中的最大值保留为0，并将所有其他数字保留为0 R，如何将一个数据帧的所有列名放入一个公式中？在Python中，如何将列表中的所有元素添加到一个集合中？如何将所有白色像素的坐标添加到数组中？OpenCV Python 如何将zip文件移动到新的目标位置，然后在python 3中打开它如何将dataframe中的每一行乘以不同dataframe的不同列，并将所有行的总和作为Python中的新列？使用python解析复杂的文本文件中的数据-如何将所有相关数据放在一行中如何将逻辑运算符应用于python列表中的所有元素 Selenium/Python:如何将绝对url插入到所有具有相对url的锚标签中？如何将python dataframe中一行中的所有元素移位一列？如何使用python将不同源文件夹中的所有csv文件复制到目标文件夹中？如何将所有必需的包(或库)包含到归档中，以使Python代码正常工作 Python，如何将此公式应用于数据库中的每一行，以便每行为每年提供不同的值，而不是相同的值如何将芹菜的所有日志发送到自定义处理程序。在我的例子中，python-logstash处理程序

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

使用Python批量复制源目录下的所有Excel文件复制到目标目录中

一、前言前几天在Python白银群【由恒远】问了一个Python自动化办公处理的问题，这里拿出来给大家分享下。...r"D:\xx" #获取源目录下所有Excel文件的文件名 excel_files = glob.glob(os.path.join(source_dir, "*.xlsx")) # 将源目录下的所有...Excel文件复制到目标目录中 for file in excel_files: shutil.copyfile(file, os.path.join(target_dir, file)) # 将库文件复制到目标目录中...import shutil import os def copy_file(path): # （root，dirs，files）分别为：遍历的文件夹，遍历的文件夹下的所有文件夹，遍历的文件夹下的所有文件...这篇文章主要盘点了一个Python自动化办公处理的问题，文中针对该问题，给出了具体的解析和代码实现，帮助粉丝顺利解决了问题。

4802 0

OR-Tools|带你了解谷歌开源优化工具(Google Optimization Tools)

混合整数规划则是指某些变量为整数的线性规划问题，这些变量可以是用于表示物品数量的整数变量或者表示决策的布尔型变量(例如是否将某个任务分配给某个工人)。...为了提高计算速度，CP-SAT求解器仅处理整数，这意味着必须使用整数来定义优化问题，如果从具有非整数项约束的问题开始，则需要将约束乘以一个足够大的整数，以便所有项都是整数。 3....装箱问题的目标是寻求将一组给定尺寸的物品装入具有固定容量的容器中的最佳方法。...根据具体目标的不同，装箱问题可分为两类：背包问题(以装入最大总价值的物品为目标)和装箱问题(以容纳所有物品的容器数量最小为目标)。...需要注意的是，背包问题求解器与CP-SAT一样，只能对整数进行运算，程序中的数据只能包含整数，如果包含非整数，则需转换成整数。

11.4K3 2

Logistic Regression：互联网行业应用最广的模型

在一些机器学习新人面试中，面试官经常会考察Logistic Regression的基本公式、损失函数的推导等问题。从回归到分类回归问题是指目标值为整个实数域，分类问题是指目标值为有限的离散值。...前面几篇文章系统讨论了线性回归模型：这是一个回归模型，模型可以预测范围的目标值。在模型求解时，我们可以使用误差平方定义损失函数，最小化损失函数即可求得模型参数。...现在，我们想进行二元分类，目标值有0和1两个选项，一个二分类函数可以表示为：当时，将分类目标判定为负例，当时将分类目标判定为正例。...实际上，Logitstic Regression对分类的可能性进行建模，可以得到近似概率的预测。很多基于概率辅助决策的任务都会使用此模型。...当前目标是最大化似然函数，因此我们要使用梯度上升，不断迭代寻找最大值。具体而言，参数按照下面的方式来更新：参数估计中最关键的是得到导数公式。

5653 0

Python遗传和进化算法框架（一）Geatpy快速入门

']]) 运行结果如下：目标函数最大值： 3.850272716105895 对应的决策变量值为： 1.8505813776055176 用时： 0.02496051788330078 仔细查看上述代码...Geatpy提供了详尽的API文档，比如要查看上面代码中的”ranking”函数是干什么的，可以在python中执行 import geatpy as ga help(ga.ranking) 即可看到”...pop.Phen是种群的表现型矩阵，意思是种群染色体解码后得到的表现型矩阵，它对应的即为问题类中的决策变量。Phen是一个矩阵，每一行对应种群中的一个个体的表现型。...也可以利用Numpy的矩阵化计算来“一口气”把种群所有个体的目标函数值计算出来。...无论采用的是哪种计算方法，最后得到的目标函数值是要保存在pop对象的ObjV属性中的，这个ObjV是“种群目标函数值矩阵”，每一行对应一个个体的所有目标函数值，每一列对应一个目标。

2.8K2 0

搞定机器学习面试，这些是基础

实战环境说明： Python 2.7 Sklearn 0.19.0 graphviz 0.8.1 决策树可视化一、决策树 1.1 原理顾名思义，决策树就是用一棵树来表示我们的整个决策过程。...回归树中，使用平方误差最小化准则来选择特征并进行划分。每一个叶子节点给出的预测值，是划分到该叶子节点的所有样本目标值的均值，这样只是在给定划分的情况下最小化了平方误差。...Ramdon Forest在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入随机属性选择。原来决策树从所有属性中，选择最优属性。...具体的，加大分类错误率低的分类器的权值，使其在表决中起较大作用，减少分类误差率大的弱分类器的权值，使其在表决中起较小作用。弱分类器被线性组合成为一个强分类器。训练目标： 最小化指数损失函数。...六、SVM支持向量机虽然咱们的目标是尽可能的不涉及到公式，但是提到SVM就没有办法不涉及到公式推导，因为面试中只要问到SVM，最基本也是最难的问题就是：SVM的对偶问题数学公式推导。

7630 0

【机器学习入门】机器学习基础核心算法：贝叶斯分类！(附西瓜书案例及代码实现)

生成模型与判别模型的区别生成模型是所有变量的全概率模型，而判别模型是在给定观测变量值前提下目标变量条件概率模型。...贝叶斯决策理论贝叶斯决策论是概率框架下实施决策的基本方法，对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。...具体来说，若目标是最小化分类错误率（对应0/1损失），则可以用损失改写，得到条件风险和最小化分类错误率的最优分类器分别为：即对每个样本x，选择能使后验概率P(c|x)最大的类别标识。...θc的所有可能的去职中，找到一个能使数据出现最大“可能性”的最大值上面的式子中的连乘操作容易造成下溢，通常使用对数似然：此时，参数的极大似然估计为例如，在连续属性的情形下，假设概率密度函数,则参数和...对于所有的类别来说相同，基于极大似然的贝叶斯判定准则有朴素贝叶斯的表达式：极值问题情况下每个类的分类概率很多时候遇到求出各种目标函数（object function）的最值问题（最大值或者最小值

2.1K2 0

太赞了！机器学习基础核心算法：贝叶斯分类！(附西瓜书案例及代码实现)

生成模型与判别模型的区别生成模型是所有变量的全概率模型，而判别模型是在给定观测变量值前提下目标变量条件概率模型。...贝叶斯决策理论贝叶斯决策论是概率框架下实施决策的基本方法，对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。...具体来说，若目标是最小化分类错误率（对应0/1损失），则可以用损失改写，得到条件风险和最小化分类错误率的最优分类器分别为：即对每个样本x，选择能使后验概率P(c|x)最大的类别标识。...θc的所有可能的去职中，找到一个能使数据出现最大“可能性”的最大值上面的式子中的连乘操作容易造成下溢，通常使用对数似然：此时，参数的极大似然估计为例如，在连续属性的情形下，假设概率密度函数,则参数和...对于所有的类别来说相同，基于极大似然的贝叶斯判定准则有朴素贝叶斯的表达式：极值问题情况下每个类的分类概率很多时候遇到求出各种目标函数（object function）的最值问题（最大值或者最小值）。

2K2 0

支持向量机原理篇之手撕线性SVM

Python版本： Python3.x 运行平台： Windows IDE： Sublime text3 一、前言说来惭愧，断更快半个月了，本打算是一周一篇的。...在线性SVM算法中，目标函数显然就是那个"分类间隔"，而优化对象则是决策面。所以要对SVM问题进行数学建模，首先要对上述两个对象（"分类间隔"和"决策面"）进行数学描述。...我们高中都学过，点到直线的距离距离公式如下：公式中的直线方程为Ax0+By0+C=0，点P的坐标为(x0,y0)。...，并且相应的支持向量对应的样本点到决策面的距离为d，那么公式进一步写成：上述公式的解释就是，对于所有分类标签为1的样本点，它们到直线的距离都大于等于d(支持向量上的样本点到超平面的距离...进而||w||的最小化问题等效于为什么要做这样的等效呢？这是为了在进行最优化的过程中对目标函数求导时比较方便，但这绝对不影响最优化问题最后的求解。

1.9K7 0

机器学习入门指南：理论与实战

本文将深入探讨机器学习的核心概念，为读者提供详细的解释和数学公式，同时通过实际的Python代码示例演示如何将这些理论付诸实践，以全方位、深入浅出的方式引领初学者迈入机器学习的世界。...数学公式如下：Y = f(X) + \varepsilon \ 其中，Y 是目标变量，X 是特征变量，f 是模型函数，\varepsilon 是误差。无监督学习利用无标签数据进行模式发现。...聚类问题中，我们试图找到数据的自然分组。强化学习通过与环境的互动学习决策策略。这可以用马尔可夫决策过程（Markov Decision Process，MDP）来建模。2....标签（Labels）监督学习中，我们要预测的目标。标签通常用变量 (Y) 表示。模型（Model）学习算法的表达式，将特征映射到标签。...常用算法：线性回归与决策树线性回归用于解决回归问题，通过最小化预测值与实际值之间的平方差来拟合数据。

4001 0

机器学习笔记(九)——手撕支持向量机SVM之间隔、对偶、KKT条件详细推导

在线性SVM算法中，目标函数就是“间隔”，优化对象则是“超平面”。...$\gamma$,即所有样本点到超平面的几何距离至少为$\gamma$，所以下面公式一定成立。...-5680-4a4b-a383-c9d3da743e07.png] 有的伙伴这里可能会不理解，为什么是拉格朗日函数最大值的最小化，下图介绍了原因。...这就和逻辑回归有不同之处了，逻辑回归在拟合决策边界时，所有样本都会有影响，而SVM有作用的主要是边界线附近的样本。...本文不包含代码，着重于公式推导，对于手写代码比较重要的部分应该在于公式推导，只有了解每一步骤的思想及由来，才能更好的进行编程，下篇文章将会介绍一个简化版的序列最小化(SMO)算法，欢迎关注、感谢阅读。

1.4K4 0

【数学应用】机器学习常用最优化算法小结

本文主要是从通俗直观的角度对机器学习中的无约束优化算法进行对比归纳，详细的公式和算法过程可以看最后附的几个链接，都是干货。...参照《统计机器学习方法》所讲，统计机器学习(特指有监督学习)的三要素为： 1)模型模型是指基于训练数据集，所要学习到的概率分布或者决策函数，比如线性模型(线性回归，逻辑回归等)，非线性模型(决策树...还有个重要概念，就是模型的假设空间。比如需要学习的决策函数为线性函数，则所有的线性函数构成了该模型的假设空间。...; -hinge损失函数，对应SVM; 这里所说的策略就是指：当目标函数仅含有损失函数时，对应经验风险最小化策略，即选择的最优模型在训练集上的平均损失最小;而当目标函数由损失函数项和正则化项构成时...4)拟牛顿法拟牛顿法的提出就是为了解决牛顿法中求解Hessian矩阵计算量大以及Hessian矩阵可能不可逆的问题，通过建立拟牛顿方程可以方便地获得一个Hessian矩阵的近似矩阵，该矩阵必定为正定矩阵

1.7K6 0

机器学习与深度学习习题集答案-1

在泰勒公式中忽略了高阶项将函数做了近似，因此这个解不一定是目标函数的驻点，需要反复用式2进行迭代。从初始点 ? 处开始，计算函数在当前点处的Hessian矩阵和梯度向量，然后用下面的公式进行迭代 ?...真阳率（TPR）即召回率，是正样本被分类器判定为正样本的比例 ? 在目标检测任务中正样本是要检测的目标，真阳率即检测率，即目标能够被检测出来的比例。...精度定义为被判定为正样本的测试样本中，真正的正样本所占的比例 ? 显然 ? 。召回率定义为被判定为正样本的正样本占所有正样本的比例 ? 同样的 ? 。精度值越接近1，对正样本的分类越准确，即查的越准。...通过在kNN决策边界周围加上一个大的安全间隔，可以有效的提高算法的鲁棒性。接下来定义冒充者的概念。对于训练样本 ? ，其标签值为 ? ，目标邻居为 ? ，冒充者是指那些和 ?...5.根据最小化重构误差准则推导PCA投影矩阵的计算公式。 最小化如下误差函数 ? 为了求这个函数的极小值，对 ? 求偏导数并令其为0可以得到： ? 变形后得到： ? 由于e是单位向量，因此 ?

2.7K1 0

传统算法如何转化成神经网络？| 回顾

在当今AI时代中，CNN和RNN都被广泛关注，并且有很多相关讨论，而最基础的神经网络DNN，它的研究和曝光度却相对较少。DNN是所有其它神经网络的基础，所以对它有一定了解是必要的。...最终目的是模型的输出和目标尽可能接近。 ? 机器学习术语特征向量：模型接受的输入通常称为特征向量，用字母X代指。标签：模型拟合的目标通常称为标签，用字母Y代指。...层与层之间的沟通方式每一层的每个神经元都会和下一层中的每个神经元连接，这种方式称为全连接。在数学公式中，这种全连接称为矩阵乘法。线性映射和激活函数是神经网络的基本运算单元。...梯度下降法，神经网络进行训练的算法。梯度下降中的梯度就是使得函数值上升最快的方向，我们的目的是最小化损失函数，如果梯度是使得函数值上升最快的方向，那么负梯度方向是使得函数值下降的方向。 ?...神经网络和传统机器学习算法的对比传统机器学习贝叶斯 ? 朴素贝叶斯思想：出现概率越大的样本就是越好的样本。知道思想后，如何具体进行操作呢，如何估计出朴素贝叶斯公式中涉及到的概率呢？

1K12 0

机器学习面试干货精讲

回归树使用平方误差最小化准则来选择特征并进行划分。每一个叶子节点给出的预测值，是划分到该叶子节点的所有样本目标值的均值，这样只是在给定划分的情况下最小化了平方误差。...Ramdon Forest 在以决策树为基学习器构建 Bagging 集成的基础上，进一步在决策树的训练过程中引入随机属性选择。原来决策树从所有特征中，选择最优特征。...具体的，加大分类错误率低的分类器的权值，使其在表决中起较大作用，减少分类误差率大的弱分类器的权值，使其在表决中起较小作用。弱分类器被线性组合成为一个强分类器。训练目标： 最小化指数损失函数。...三部分组成：分类器权重更新公式；样本分布（也就是样本权重）更新公式；加性模型。 最小化指数损失函数。...5.7 最大熵模型最大熵模型推荐学习博客六、SVM 支持向量机虽然咱们的目标是尽可能的不涉及到公式，但是提到 SVM 就没有办法不涉及到公式推导，因为面试中只要问到 SVM，最基本也是最难的问题就是

8392 1

Python快速实战机器学习(5) 支持向量机

支持向量机介绍 1 初步认识支持向量机的英文是Support Vector Machine,缩写为SVM，在接下来的介绍中我们都用SVM来表示支持向量机。...2 最大化间隔最大化决策界的间隔，这么做的原因是间隔大的决策界趋向于含有更小的泛化误差，而间隔小的决策界更容易过拟合。...我们有了间隔的计算公式，好像已经可以开始优化了，但是别忘了分类对于这个问题的限制： ? 也就是说被分类的两类数据都要在决策面的两边。...松弛变量值为正，添加到线性限制条件即可: ? 现在的目标函数变成， ? 注意1/2||W||是因为最大化2/||W||，等价于最小化1/2||W||，所以我们的目标函数是需要最小化的。...在解决现实的分类问题时，线性逻辑回归和线性SVM通常效果近似。逻辑回归目标是最大化训练集的条件似然,使得它更易受奇异值影响。SVM只关心那些离决策界最近的点(即，支持向量)。

4792 0

Python3《机器学习实战》学习笔记（八）：支持向量机原理篇之手撕线性SVM

在线性SVM算法中，目标函数显然就是那个”分类间隔”，而优化对象则是决策面。所以要对SVM问题进行数学建模，首先要对上述两个对象（”分类间隔”和”决策面”）进行数学描述。...我们高中都学过，点到直线的距离距离公式如下：公式中的直线方程为Ax0+By0+C=0，点P的坐标为(x0,y0)。...d，那么公式进一步写成：上述公式的解释就是，对于所有分类标签为1的样本点，它们到直线的距离都大于等于d(支持向量上的样本点到超平面的距离)。...进而||w||的最小化问题等效于为什么要做这样的等效呢？这是为了在进行最优化的过程中对目标函数求导时比较方便，但这绝对不影响最优化问题最后的求解。...（2）SMO算法的解法先来定义特征到结果的输出函数为：接着，我们回忆一下原始优化问题，如下：求导得：将上述公式带入输出函数中：与此同时，拉格朗日对偶后得到最终的目标化函数

6262 0

理解决策树

如果对于分类问题，训练得到的决策树至少要让训练样本尽快能的被分正确。直观的想法是从根节点开始构造，递归的用训练样本集建立起决策树，这棵树能够将训练集正确的分类，或者对训练集的回归误差最小化。...样本集的熵不纯度定义为 ? 熵是信息论中的一个重要概念，用来度量一组数据包含的信息量大小。当样本只属于某一类时熵最小，当样本均匀的分布于所有类中时熵最大。...之所以这样定义是因为我们会把样本判定为频率最大的那一类，因此其他样本都会被错分，故错误分类率为上面的值。...分裂的目标是最大程度的减小回归误差，因此把分裂的误差指标定义为分裂之前的回归误差减去分裂之后左右子树的回归误差： ? 将误差的计算公式代入上式，可以得到： ? 由于N和 ?...分类与回归树采用的是代价-复杂度剪枝算法，下面重点介绍它的原理。代价是指剪枝后导致的错误率的变化值，复杂度是指决策树的规模。

4693 0

Python 算法高级篇：多阶段决策问题与状态转移方程的构建

在本篇博客中，我们将重点讨论多阶段决策问题的基本概念、状态转移方程的构建和 Python 实现。 ❤️ ❤️ ❤️ 1....多阶段决策问题简介多阶段决策问题是指一个决策问题可以被分解为多个决策阶段，并且在每个阶段需要选择一组行动来实现某个特定的目标。每个决策阶段的决策可能会影响后续阶段的状态和选择。...这类问题通常用有向图（有向图中的每个节点代表一个决策阶段）来表示。在每个阶段，决策者必须选择从一个节点到另一个节点的路径，以达到最终的目标。...问题的目标通常是最小化或最大化某种指标，如成本、利润、时间等。 2. 动态规划基础动态规划（ Dynamic Programming ）是解决多阶段决策问题的一种常见方法。...Python 实现下面是使用 Python 实现多阶段决策问题的动态规划方法的示例代码。我们将继续以生产计划问题为例。

5102 0

机器学习21：概率图--朴素贝叶斯模型

1，朴素贝叶斯：损失函数、参数估计方法(极大似然估计) 贝叶斯决策论是概率框架下实施决策的基本方法。...2，后验概率最大化隐含着期望风险最小化：朴素贝叶斯法将实例分到后验概率最大的类中，等价于期望风险最小化。论述如下： 1)，使用0-1损失函数： ? 其中，f(X)是分类决策函数。...对于贝叶斯估计，如果假设θ服从贝塔分布，则最终求出θ~Beta(α,β)的模型参数α,β。在MAP计算中，我们省略了贝叶斯公式中的证据部分P(X)。...其中，Gaussian NaiveBayes是指当特征属性为连续值时，而且分布服从高斯分布，那么在计算P(x|y)的时候可以直接使用高斯分布的概率公式： ?...因此，只需要计算出各个类别中此特征项划分的各个均值和标准差 BernoulliNaive Bayes是指当特征属性为连续值时，而且分布服从伯努利分布，那么在计算P(x|y)的时候可以直接使用伯努利分布的概率公式

1.1K2 0

支持向量机与支持向量回归（support vector machine and support vector regression）

为什么要强调目标函数是凸函数或者凹函数呢，因为凸函数的局部极小值就是全局最小值，而凹函数的局部最大值就是全局最大值。...（公式都是借用的）求解如下的有不等式约束（等式约束的最小化问题可以直接用高中学的求导方法求解）的最小化优化问题：引入拉格朗日函数（这里要求ai为非负的）：那么如何将这个拉格朗日函数与之前的f(...而只有在w固定，gi(w)和hi(w)满足原始的约束条件时，公式（2）的值才为f(w).因此，也可以表示为：那么，既然在满足约束条件时，公式（2）的结果与f(w)是等价的，那么原始的求解最小化问题，...就转化为公式（3）（因为公式（3）中的max{}值就是f(w)）：（3）如果直接求解这个问题会很复杂，那么此时就引入对偶问题，当满足一定的条件时，对偶问题的解，就是公式（3）的解。...对偶问题的构造过程如下：构造函数：将此拉格朗日函数转换为alpha 和贝塔的函数，并求最大值 （4）公式（4）就是公式（3）的对偶问题。

3732 0

点击加载更多

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭