人工智能任务21-飞蛾火焰优化算法(MFO)在深度学习中的应用

大家好，我是微学AI，今天给大家介绍一下人工智能任务21-飞蛾火焰优化算法(MFO)在深度学习中的应用。飞蛾火焰优化算法（Moth-Flame Optimization, MFO）是一种受自然界中飞蛾向光源趋近行为启发的新型群体智能优化算法。在自然界中，飞蛾使用一种称为“横侧定位”的策略来保持直线飞行，即它们会相对于月亮或星星保持一个恒定的角度飞行。然而，当遇到人造光源时，这种机制会导致飞蛾以螺旋路径逐渐靠近光源。
在这里插入图片描述

一、算法原理

算法描述

  1. 初始化：生成一组随机分布的飞蛾位置，这些位置代表了问题解空间中的候选解。

  2. 火焰更新：将当前最优解作为“火焰”，其他飞蛾则根据火焰的位置调整自己的位置。

  3. 位置更新：飞蛾的位置更新公式如下：
    D i = ∣ X i − X f ∣ D_i = |X_i - X_f| Di​=∣Xi​−Xf​∣
    X i ( t + 1 ) = X f − D i ⋅ e β ⋅ t ⋅ cos ⁡ ( 2 π t ) X_i^{(t+1)} = X_f - D_i \cdot e^{\beta \cdot t} \cdot \cos(2\pi t) Xi(t+1)​=Xf​−Di​⋅eβ⋅t⋅cos(2πt)
    其中， X i X_i Xi​ 是第 i i i 只飞蛾的位置， X f X_f Xf​ 是火焰的位置， D i D_i Di​ 是飞蛾与火焰之间的距离， β \beta β 是一个常数， t t t 是迭代次数。

  4. 火焰数量更新：随着迭代的进行，火焰的数量逐渐减少，以避免过早收敛到局部最优解。

  5. 边界处理：确保飞蛾的位置在解空间的有效范围内。

优点

  • 全局搜索能力：通过模拟飞蛾的趋光行为，MFO算法能够在解空间中进行有效的全局搜索。
  • 参数少：相比其他优化算法，MFO算法的参数较少，易于实现和调整。
  • 鲁棒性强：能够处理各种复杂优化问题，包括多模态、非线性等问题。

应用领域

  • 工程优化：如结构设计、电路设计等。
  • 机器学习：用于特征选择、超参数调优等。
  • 图像处理：如图像分割、目标检测等。
  • 经济管理：如资源分配、供应链优化等。

二、飞蛾火焰优化算法(MFO)代码

以下是一个MFO算法实现示例：

import numpy as np
 
def objective_function(x):
    return np.sum(x2)
 
def initialize_population(n, dim, lb, ub):
    return lb + (ub - lb) * np.random.rand(n, dim)
 
def update_positions(moths, flames, t, max_iter, lb, ub):
    n, dim = moths.shape
    for i in range(n):
        for j in range(dim):
            distance_to_flame = abs(moths[i, j] - flames[i, j])
            b = 1 
            t_value = (1 - t / max_iter) * (np.cos(2 * np.pi * t) + 1) / 2 
            moths[i, j] = flames[i, j] - distance_to_flame * np.exp(b * t_value) * np.cos(2 * np.pi * t_value)
            moths[i, j] = np.clip(moths[i, j], lb[j], ub[j])
    return moths
 
def moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter):
    moths = initialize_population(n, dim, lb, ub)
    flames = np.copy(moths)
    fitness = np.array([objective_function(moth) for moth in moths])
    best_index = np.argmin(fitness)
    best_solution = moths[best_index]
    best_fitness = fitness[best_index]
 
    for t in range(max_iter):
        flames = moths[np.argsort(fitness)]
        moths = update_positions(moths, flames, t, max_iter, lb, ub)
        fitness = np.array([objective_function(moth) for moth in moths])
        current_best_index = np.argmin(fitness)
        if fitness[current_best_index] < best_fitness:
            best_solution = moths[current_best_index]
            best_fitness = fitness[current_best_index]
 
    return best_solution, best_fitness
 
#参数设置
n = 30
dim = 10
lb = -10 * np.ones(dim)
ub = 10 * np.ones(dim)
max_iter = 1000 
 
#运行MFO算法
best_solution, best_fitness = moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter)
print("最佳解:", best_solution)
print("最佳适应度值:", best_fitness)

三、飞蛾火焰优化算法在深度学习中的应用

飞蛾火焰优化算法（MFO）在深度学习中可以应用于多个方面，特别是在优化问题、超参数调优和模型选择等方面。以下是一些具体的应用场景和详细解释：

超参数调优

深度学习模型的性能很大程度上依赖于超参数的选择，如学习率、批大小、正则化参数等。MFO算法可以通过全局搜索来找到最优的超参数组合。

import numpy as np
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam
 
#定义目标函数：训练模型并返回验证集上的损失 
def objective_function(params):
    learning_rate, batch_size, regularization = params 
    model = Sequential()
    model.add(Dense(64, activation='relu', input_shape=(X_train.shape[1],)))
    model.add(Dense(32, activation='relu', kernel_regularizer=tf.keras.regularizers.l2(regularization)))
    model.add(Dense(1, activation='sigmoid'))
    
    optimizer = Adam(learning_rate=learning_rate)
    model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])
    
    history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=10, batch_size=int(batch_size), verbose=0)
    val_loss = history.history['val_loss'][-1]
    return val_loss 
 
#初始化数据 
X, y = np.random.rand(1000, 10), np.random.randint(0, 2, 1000)
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
 
#定义MFO算法
def moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter):
    moths = initialize_population(n, dim, lb, ub)
    flames = np.copy(moths)
    fitness = np.array([objective_function(moth) for moth in moths])
    best_index = np.argmin(fitness)
    best_solution = moths[best_index]
    best_fitness = fitness[best_index]
 
    for t in range(max_iter):
        flames = moths[np.argsort(fitness)]
        moths = update_positions(moths, flames, t, max_iter, lb, ub)
        fitness = np.array([objective_function(moth) for moth in moths])
        current_best_index = np.argmin(fitness)
        if fitness[current_best_index] < best_fitness:
            best_solution = moths[current_best_index]
            best_fitness = fitness[current_best_index]
 
    return best_solution, best_fitness 
 
#参数设置
n = 30
dim = 3
lb = [0.001, 16, 0.001]
ub = [0.1, 128, 0.1]
max_iter = 50
 
#运行MFO算法
best_solution, best_fitness = moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter)
print("最佳超参数组合:", best_solution)
print("最佳验证损失值:", best_fitness)

特征选择

在深度学习中，特征选择可以帮助减少输入维度，提高模型的泛化能力和训练效率。MFO算法可以通过全局搜索来找到最优的特征子集。

import numpy as np
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.model_selection import train_test_split
from tensorflow.keras.models import Sequential 
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam
 
#定义目标函数：训练模型并返回验证集上的准确率
def objective_function(features):
    X_train_selected = X_train[:, features]
    X_val_selected = X_val[:, features]
    
    model = Sequential()
    model.add(Dense(64, activation='relu', input_shape=(X_train_selected.shape[1],)))
    model.add(Dense(32, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    
    optimizer = Adam(learning_rate=0.01)
    model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])
    
    history = model.fit(X_train_selected, y_train, validation_data=(X_val_selected, y_val), epochs=10, batch_size=32, verbose=0)
    val_accuracy = history.history['val_accuracy'][-1]
    return -val_accuracy  # 最小化负准确率
 
#初始化数据
X, y = np.random.rand(1000, 100), np.random.randint(0, 2, 1000)
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
 
#定义MFO算法
def moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter):
    moths = initialize_population(n, dim, lb, ub)
    flames = np.copy(moths)
    fitness = np.array([objective_function(moth) for moth in moths])
    best_index = np.argmin(fitness)
    best_solution = moths[best_index]
    best_fitness = fitness[best_index]
 
    for t in range(max_iter):
        flames = moths[np.argsort(fitness)]
        moths = update_positions(moths, flames, t, max_iter, lb, ub)
        fitness = np.array([objective_function(moth) for moth in moths])
        current_best_index = np.argmin(fitness)
        if fitness[current_best_index] < best_fitness:
            best_solution = moths[current_best_index]
            best_fitness = fitness[current_best_index]
 
    return best_solution, best_fitness
 
#参数设置
n = 30
dim = 100 
lb = [0] * dim
ub = [1] * dim
max_iter = 50
 
#运行MFO算法
best_solution, best_fitness = moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter)
print("最佳特征子集:", best_solution)
print("最佳验证准确率:", -best_fitness)

模型选择

在深度学习中，不同的网络结构和层配置会对模型性能产生显著影响。MFO算法可以通过全局搜索来找到最优的模型结构。

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam
from sklearn.model_selection import train_test_split
 
#定义目标函数：训练模型并返回验证集上的准确率
def objective_function(params):
    num_layers, num_units = int(params[0]), int(params[1])
    model = Sequential()
    model.add(Dense(num_units, activation='relu', input_shape=(X_train.shape[1],)))
    for _ in range(num_layers - 1):
        model.add(Dense(num_units, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    
    optimizer = Adam(learning_rate=0.01)
    model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])
    
    history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=10, batch_size=32, verbose=0)
    val_accuracy = history.history['val_accuracy'][-1]
    return -val_accuracy  # 最小化负准确率
 
#初始化数据
X, y = np.random.rand(1000, 10), np.random.randint(0, 2, 1000)
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
 
#定义MFO算法
def moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter):
    moths = initialize_population(n, dim, lb, ub)
    flames = np.copy(moths)
    fitness = np.array([objective_function(moth) for moth in moths])
    best_index = np.argmin(fitness)
    best_solution = moths[best_index]
    best_fitness = fitness[best_index]
 
    for t in range(max_iter):
        flames = moths[np.argsort(fitness)]
        moths = update_positions(moths, flames, t, max_iter, lb, ub)
        fitness = np.array([objective_function(moth) for moth in moths])
        current_best_index = np.argmin(fitness)
        if fitness[current_best_index] < best_fitness:
            best_solution = moths[current_best_index]
            best_fitness = fitness[current_best_index]
 
    return best_solution, best_fitness 
 
#参数设置
n = 30
dim = 2
lb = [1, 16]
ub = [5, 128]
max_iter = 50
 
#运行MFO算法
best_solution, best_fitness = moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter)
print("最佳模型结构:", best_solution)
print("最佳验证准确率:", -best_fitness)

神经网络权重初始化

MFO算法还可以用于优化神经网络的初始权重，以提高模型的收敛速度和最终性能。

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense 
from tensorflow.keras.optimizers import Adam
from sklearn.model_selection import train_test_split
 
#定义目标函数：训练模型并返回验证集上的准确率
def objective_function(weights):
    model = Sequential()
    model.add(Dense(64, activation='relu', input_shape=(X_train.shape[1],), weights=[weights[:640].reshape(10, 64), weights[640:704]]))
    model.add(Dense(32, activation='relu', weights=[weights[704:2432].reshape(64, 32), weights[2432:2464]]))
    model.add(Dense(1, activation='sigmoid', weights=[weights[2464:2496].reshape(32, 1), weights[2496:2497]]))
    
    optimizer = Adam(learning_rate=0.01)
    model.compile(optimizer=optimizer, loss='binary_crossentropy', metrics=['accuracy'])
    
    history = model.fit(X_train, y_train, validation_data=(X_val, y_val), epochs=10, batch_size=32, verbose=0)
    val_accuracy = history.history['val_accuracy'][-1]
    return -val_accuracy  # 最小化负准确率
 
#初始化数据
X, y = np.random.rand(1000, 10), np.random.randint(0, 2, 1000)
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
 
#定义MFO算法
def moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter):
    moths = initialize_population(n, dim, lb, ub)
    flames = np.copy(moths)
    fitness = np.array([objective_function(moth) for moth in moths])
    best_index = np.argmin(fitness)
    best_solution = moths[best_index]
    best_fitness = fitness[best_index]
 
    for t in range(max_iter):
        flames = moths[np.argsort(fitness)]
        moths = update_positions(moths, flames, t, max_iter, lb, ub)
        fitness = np.array([objective_function(moth) for moth in moths])
        current_best_index = np.argmin(fitness)
        if fitness[current_best_index] < best_fitness:
            best_solution = moths[current_best_index]
            best_fitness = fitness[current_best_index]
 
    return best_solution, best_fitness 
 
#参数设置
n = 30
dim = 2497  # 10*64 + 64 + 64*32 + 32 + 32*1 + 1
lb = -1 * np.ones(dim)
ub = 1 * np.ones(dim)
max_iter = 50
 
#运行MFO算法
best_solution, best_fitness = moth_flame_optimization(objective_function, n, dim, lb, ub, max_iter)
print("最佳权重:", best_solution)
print("最佳验证准确率:", -best_fitness)

通过这些代码，可以看到MFO算法在深度学习中的多种应用，从超参数调优到特征选择，再到模型结构优化和权重初始化。希望这些示例能帮助你更好地理解和应用MFO算法。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/970127.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

处理项目中存在多个版本的jsqlparser依赖

处理项目中存在多个版本的jsqlparser依赖

异常提示 Correct the classpath of your application so that it contains a single, compatible version of net.sf.jsqlparser.statement.select.SelectExpressionIte实际问题 原因&#xff1a;项目中同时使用了 mybatis-plus 和 pagehelper&#xff0c;两者都用到了 jsqlpa…
阅读更多...
Java数组二：数组的使用

Java数组二：数组的使用

for-each循环 打印数组所有元素 public class Demo04 {public static void main(String[] args) {int[] num {1,5,2,3,4};for (int num1:num) {System.out.println(num1);}} }多维数组 多维数组可以看成是数组的数组&#xff0c;比如二维数组就是一个特殊的一维数组&#x…
阅读更多...
基于MATLAB的沥青试样孔隙率自动分析——原理详解与代码实现

基于MATLAB的沥青试样孔隙率自动分析——原理详解与代码实现

摘要 在材料科学与土木工程领域&#xff0c;沥青孔隙率是评价其耐久性和稳定性的重要指标。本文提出一种基于图像处理的孔隙率自动计算方法&#xff0c;通过MATLAB实现灰度化、对比度增强、形态学处理等关键步骤&#xff0c;最终输出试样孔隙率。代码注释清晰&#xff0c;可直…
阅读更多...
修改OnlyOffice编辑器默认字体

修改OnlyOffice编辑器默认字体

通过Docker修改OnlyOffice编辑器默认字体 问题描述详细方案1. 删除原生字体文件2. 创建字体目录3. 复制字体文件到容器中4. 执行字体更新脚本5. 重新启动容器 注意事项 问题描述 在OnlyOffice中&#xff0c;编辑器的默认字体可能不符合公司或个人的需求&#xff0c;通常会使用…
阅读更多...
【天地图】绘制、删除点线面

【天地图】绘制、删除点线面

使用天地图绘制、删除点线面 实现效果图地图组件完整代码使用地图组件完整代码 实现效果图 地图组件完整代码 // 天地图组件 <template><div class"map-container"><div id"mapCon"></div></div> </template><scri…
阅读更多...
【MySQL】高频 SQL 50 题（基础版）

【MySQL】高频 SQL 50 题（基础版）

高频SQL50题&#xff08;基础版&#xff09; 1.查询 2.连接 MySQL多表查询&#xff08;联合查询、连接查询、子查询&#xff09; left join 左连接 我们首先执行LEFT JOIN操作&#xff0c;将两个表的数据基于 id 列进行组合。同样&#xff0c;我们使用 LEFT JOIN 来确保将所…
阅读更多...
什么是网关？网关有什么作用？API网关的主要功能，SpringCloud可以选择有哪些API网关？什么是限流算法？网关如何实现限流？一篇文章读懂网关的前世今生

什么是网关？网关有什么作用？API网关的主要功能，SpringCloud可以选择有哪些API网关？什么是限流算法？网关如何实现限流？一篇文章读懂网关的前世今生

1、什么是网关&#xff1f; API网关&#xff08;API Gateway&#xff09;是一种中间层服务器&#xff0c;用于集中管理&#xff0c;保护和路由对后端服务的访问。它充当了客户端与后端服务之间的入口点&#xff0c;提供了一组统一的接口管理和控制API的访问。 2、网关示意图 3…
阅读更多...
Jenkins 配置 Git Repository 五

Jenkins 配置 Git Repository 五

Jenkins 配置 Git Repository 五 这里包含了 Freestyle project 任务类型 和 Pipeline 任务类型 关于 Git 仓库的配置&#xff0c;如下 不同的任务类型&#xff0c;只是在不同的模块找到 配置 Git 仓库 找到 Git 仓库配置位置之后&#xff0c;所有的任务类型配置都是一样的 …
阅读更多...
制作一个项目用于研究elementUI的源码

制作一个项目用于研究elementUI的源码

需求&#xff1a;修改el-tooltip的颜色&#xff0c;发现传递参数等方法都不太好用&#xff0c;也可以使用打断点的方式&#xff0c;但也有点麻烦&#xff0c;因此打算直接修改源码&#xff0c;把组件逻辑给修改了 第一步下载源码 源码地址 GitHub - ElemeFE/element: A Vue.j…
阅读更多...
鸿蒙开发：了解@Builder装饰器

鸿蒙开发：了解@Builder装饰器

前言 本文代码案例基于Api13&#xff0c;温馨提示&#xff1a;内容相对来说比较简单&#xff0c;如果您已掌握&#xff0c;略过即可。 如果说一个页面中组件有很多&#xff0c;我们都统一写到build函数中&#xff0c;显而易见&#xff0c;会导致build函数代码非常冗余&#xff…
阅读更多...
LabVIEW 中dde.llbDDE 通信功能

LabVIEW 中dde.llbDDE 通信功能

在 LabVIEW 功能体系中&#xff0c;位于 C:\Program Files (x86)\National Instruments\LabVIEW 2019\vi.lib\Platform\dde.llb 的 dde.llb 库占据着重要的地位。作为一个与动态数据交换&#xff08;DDE&#xff09;紧密相关的库文件&#xff0c;它为 LabVIEW 用户提供了与其他…
阅读更多...
【Linux】Socket编程—TCP

【Linux】Socket编程—TCP

&#x1f525; 个人主页&#xff1a;大耳朵土土垚 &#x1f525; 所属专栏&#xff1a;Linux系统编程 这里将会不定期更新有关Linux的内容&#xff0c;欢迎大家点赞&#xff0c;收藏&#xff0c;评论&#x1f973;&#x1f973;&#x1f389;&#x1f389;&#x1f389; 文章目…
阅读更多...
001 SpringCloudAlibaba整合 - Nacos注册配置中心、Sentinel流控、Zipkin链路追踪、Admin监控

001 SpringCloudAlibaba整合 - Nacos注册配置中心、Sentinel流控、Zipkin链路追踪、Admin监控

SpringCloudAlibaba 文章目录 SpringCloudAlibaba1.版本依赖关系2022.x 分支2021.x 分支2.2.x 分支 组件版本关系 2.基础项目构建1.引入全局pom文件2.创建对应的模块 3.SpringBootAdmin监控服务整合1.cloud-admin服务搭建1.导入服务端依赖2.主启动类添加EnableAdminServer注解启…
阅读更多...
电动汽车电池监测平台系统设计(论文+源码+图纸)

电动汽车电池监测平台系统设计(论文+源码+图纸)

1总体设计 本次基于单片机的电池监测平台系统设计&#xff0c;其整个系统架构如图2.1所示&#xff0c;其采用STC89C52单片机作为控制器&#xff0c;结合ACS712电流传感器、TLC1543模数转换器、LCD液晶、DS18B20温度传感器构成整个系统&#xff0c;在功能上可以实现电压、电流、…
阅读更多...
DeepSeek从入门到精通：提示词设计的系统化指南

DeepSeek从入门到精通：提示词设计的系统化指南

目录 引言&#xff1a;AIGC时代的核心竞争力 第一部分 基础篇&#xff1a;提示词的本质与核心结构 1.1 什么是提示词&#xff1f; 1.2 提示词的黄金三角结构 第二部分 类型篇&#xff1a;提示词的六大范式 2.1 提示语的本质特征 2.2 提示语的类型 2.2.1 指令型提示词 …
阅读更多...
【VB语言】EXCEL中VB宏的应用

【VB语言】EXCEL中VB宏的应用

【VB语言】EXCEL中VB宏的应用 文章目录 [TOC](文章目录) 前言一、EXCEL-VB1.实验过程2.代码 二、EXCEL-VB 生成.c.h文件1.实验过程2.代码 四、参考资料总结 前言 1.WPS-VB扩展包 提示&#xff1a;以下是本篇文章正文内容&#xff0c;下面案例可供参考 一、EXCEL-VB 1.实验过…
阅读更多...
Redis7.0八种数据结构底层原理

Redis7.0八种数据结构底层原理

导读 本文介绍redis应用数据结构与物理存储结构,共八种应用数据结构和 一. 内部数据结构 1. sds sds是redis自己设计的字符串结构有以下特点: jemalloc内存管理预分配冗余空间二进制安全(c原生使用\0作为结尾标识,所以无法直接存储\0)动态计数类型(根据字符串长度动态选择…
阅读更多...
NixHomepage - 简单的个人网站

NixHomepage - 简单的个人网站

&#x1f4bb; NixHomepage - 简单的个人网站 推荐下个人的开源项目&#xff0c;演示网站&#xff0c;项目链接 https://github.com/nixgnauhcuy/NixHomepage&#xff0c;喜欢的话可以为我的项目点个 Star~ &#x1f4f7; 预览 ⚙️ 功能特性 多平台适配 明亮/暗黑模式切换 W…
阅读更多...
给压缩文件加密码的5种方法（win/mac/手机/网页端）

给压缩文件加密码的5种方法（win/mac/手机/网页端）

把文件加密压缩&#xff0c;一方面能有效保护个人隐私与敏感信息&#xff0c;防止数据在传输或存储过程中被窃取、篡改。另一方面&#xff0c;压缩文件可减少存储空间占用&#xff0c;提升传输速度&#xff0c;方便数据的存储与分享。以下为你介绍5种常见的加密压缩方法。 一、…
阅读更多...
如何通过AI轻松制作PPT？让PPT一键生成变得简单又高效

如何通过AI轻松制作PPT？让PPT一键生成变得简单又高效

如何通过AI轻松制作PPT&#xff1f;让PPT一键生成变得简单又高效&#xff01;在这个信息化飞速发展的时代&#xff0c;PPT已经成为我们日常工作、学习和生活中不可或缺的一部分。无论是公司会议、学术报告&#xff0c;还是个人展示&#xff0c;PPT的作用都不容忽视。很多人对于…
阅读更多...
最新文章

Copyright @ 2022~2023