MATLAB实现基于ACO-BFOA 蚁群算法（ACO）结合细菌觅食优化算法（BFOA）进行无人机三维路径规划的详细项目实例

请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人 

 或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）

随着科技的不断进步，无人机（UAV, Unmanned Aerial Vehicle）在多个领域中发挥着重要作用，如军事侦察、农业监测、应急救援、物流运输以及城市安防等。三维空间路径规划是无人机自主飞行的核心关键技术之一。优秀的三维路径规划算法直接影响无人机在复杂环境下的自主决策能力，尤其在障碍物密集、多目标任务分配及动态环境适应场景中，路径规划的优秀与否决定了任务完成的效率与安全性。实际环境中，障碍物的几何形状各异、分布随机且空间环境动态变化，无人机需自主决策避障、绕行和目标点到达，这对传统路径规划算法提出了极高的挑战。

当前的主流路径规划方法包括基于确定性搜索的A*、Dijkstra算法，以及基于采样的RRT（Rapidly-exploring Random Tree）等方法，尽管这些算法在某些场景下表现良好，但在高维、大规模、动态多变的三维环境中易陷入局部最优，计算效率和实时性有限。作为现代智能优化算法的代表，蚁群算法（Ant Colony Optimization, ACO）和细菌觅食优化算法（Bacterial Foraging Optimization Algorithm, BFOA）具有分布式并行、全局搜索能力强、抗干扰能力好的特点，尤其适合复杂多目标环境下的路径优化。然而，单一算法往往也存在局部收敛速度慢、易早熟等缺点。因此，将ACO的搜索和全局寻优能力结合BFOA在局部寻优与自适应搜索方面的强大性能优势，实现基于ACO-BFOA融合的三维路径规划，能够有效提升无人机全局路径的最优性，强化动态环境的自适应能力，并在复杂环境下增强鲁棒性和灵活性。

三维路径规划要求不仅仅是在二维平面内找到起点到终点的障碍避让路径，还要兼顾高度变化、爬升速率、航迹光滑性以及动力学约束等多重目标，这对算法提出了更为严苛的要求。例如，无人机需要在立体空间内躲避建筑、树木和其他飞行器，同时维持合理的能耗及飞行时间。在应对高密度障碍和复杂地貌场景时，三维路径还需动态调整各节点的空间坐标，实现路径平滑、长度最短及安全裕度最大化，从而兼顾效率和安全性。此外，随着智能城市、自动驾驶和空天无人系统的快速发展，三维路径规划的实用化与智能化水平日益凸显，相关研究成果也有助于推广至更加广泛的领域与复杂应用场景，为无人自主系统智能化提供理论基础和技术支持。因此，结合ACO与BFOA的三维无人机路径规划优化方案，不仅可推动智能路径规划理论的发展，也为未来无人机系统自主决策能力的提升提供了坚实的保障。

项目标与意义

系统智能性的提升

应用ACO-BFOA融合算法后，系统能够实时感知立体空间环境变化，动态调整航迹，从而大幅提升无人机的智能化水平。无人机在未知或动态环境下，不仅能精准识别和规避障碍物，还可根据实际地形和任务需求自主生成最优路径。通过强化学习机制，系统记录历史反馈信息，持续优化路径质量，实现自学习和自适应。在实际应用中，例如多无人机编队巡航、城市空域动态避障与物流配送路径快速调整等任务均能显著提升效率。精细化的空间决策能力和高效的环境适应协调机制，有效解决了传统路径规划方法在复杂动态环境下易陷于局部最优的问题，有力地推动了无人机系统从半自主向全自主、从弱智能向强智能的跨越式发展。

多目标约束下的最优解求取

无人机三维路径规划不仅仅关注路径最短，还要在避障安全性、能耗经济性、航迹平滑性、飞行器动力学约束等多个目标间权衡取舍。通过ACO-BFOA算法的有机结合，每一代路径更新过程中多重目标约束得以同步协调，算法能够在庞大的搜索空间内准确捕捉全局最优或近似最优解，并有效规避安全隐患。系统对目标函数及约束条件进行自适应加权，动态调整寻优策略以应对不同任务需求。如此一来，无人机在执行复杂任务时能全面顾及任务完成时间、能量消耗和高风险区域规避等因素，从而实现真正意义上的最优解，极大提升了任务完成的鲁棒性与综合性价比。

鲁棒性与容错能力增强

融合ACO和BFOA两大智能优化算法后，系统在面对未知突发障碍、空中干扰以及部分传感器信息丢失等不确定因素时，具备较强的鲁棒性与容错能力。蚁群算法善于全局搜索，遇到路径阻断时能重新分配搜索资源，快速绕开阻碍。而细菌觅食机制借助趋利避害、自适应调整的机理，能在局部错综复杂的场景下跳出困境，寻找更优替代路径。特别是在多无人机协同、自适应避障等任务场景下，ACO-BFOA集成方案极大保障了系统的高安全性与任务连续性。无人机群体具备更好的分布式决策和协同控制能力，任一节点发生异常，其它节点能快速补位，整体完成任务，确保任务不被意外中断。

提高实时性与计算效率

高效的三维路径规划算法能在有限的硬件资源下快速完成大规模环境感知与航迹调整。ACO-BFOA算法内各优化子模块相互补充，蚁群算法利用信息素传递快速分散到全局最优路径搜索，细菌觅食机制在微调局部解时调整搜索步长，实现全局粗搜索与局部细搜索的有机结合。相较于单一算法，融合路径策略大大降低了搜索收敛代价，缩短迭代时间，提高了算法并行能力和系统响应速度。在实际任务应对突发事件时，无人机能够以毫秒级响应速度决策并实时规避。例如灾害救援、突发事故现场侦查等场景，机群能在极简计算成本下快速制定避险航线，高效完成指派任务。

推动无人自主系统应用落地

将ACO-BFOA三维路径规划技术引入多行业场景，有助于大幅提升无人机在工程、科研、教育及产业实践中的应用价值。研制出高效、稳定、自主的三维路径优化系统，不仅为无人机行业标准制定提供理论和方法支撑，还可促进智能交通、智慧安防、遥感监测等领域的跨界融合发展。通过项目落地验证推广，有助于推动智能无人系统相关上下游产业链升级，为我国智能无人系统的自主创新和国际竞争力提升注入强劲动力。专业级的三维路径规划模块将为未来各类无人自主系统（如无人车、智能机器人等）提供可借鉴的核心技术参考，产生显著的经济与社会效益。

项目挑战及解决方案

高复杂度环境下的路径搜索难题

无人机在实际三维环境中面临着复杂多变的障碍分布、动态目标交互和极端地形等多重困境。路径搜索空间庞大，传统方法难以高效处理。为解决这一难题，ACO-BFOA设计时采用递进式协同搜索策略，蚁群算法先完成大范围路径全局布局，快速过滤出多条候选航迹，再引入BFOA机制对每条路径进行局部细致调整，强化局部自适应避障能力。这样一来，大大缩小了路径优化的解空间，提高了收敛速度，系统能在复杂场景下高效完成路径寻找任务，显著提升可行解的质量与多样性，应对高复杂度环境的挑战。

全局最优与局部精细寻优的兼顾

单独使用ACO虽然具有全局搜索能力，但在局部区域易陷入早熟收敛。单用BFOA则易在大规模空间中迷失全局方向。为兼顾全局与局部最优，融合路径采用双层嵌套循环，外层由蚁群算法全局搜寻，内层通过细菌觅食对候选解进行精准微调。每轮迭代过程中，利用信息素正反馈强化优秀解，同时采用细菌泳动、趋利和分裂重组等机制跳出局部最优困境。该方案通过统一协同调度，有效平衡了大范围航迹规划的全局最优和微观节点间的平滑连接，实现了路径连贯性、平滑性与最优性的兼顾。

多约束与多目标的动态协调

三维路径规划不仅需考虑障碍物避让，还涉及能耗、风险规避、航迹平滑度及动力学等多重目标和约束。在ACO-BFOA解决方案中，路径代价函数综合考虑距离、转向角、海拔变化、能量消耗等重要因子进行加权。引入动态评价机制，迭代过程中根据各目标余量实时调整约束权重。遭遇路径受阻或能耗超限时，自动唤起局部细菌优化子模块，快速调整节点评分，重新分配资源。系统可根据环境和任务变化灵活适应，实现了多目标间的高效动态平衡。

信息素与环境反馈的实时更新

蚁群算法核心在于信息素正反馈机制，BFOA则强调微观行为的适应性调整。在复杂环境下，合理设置信息素挥发速率和环境反馈时延，实现蚁群与细菌群体的协同进化至关重要。系统中实时采集、更新环境地形信息和障碍变化，通过地理信息服务（如3D地图、遥感数据等）动态调整信息素分布。在每轮规划后，结合任务反馈对绩优路径累加信息素，并通过局部环境反馈触发细菌觅食优化。如此，实现全局优先—局部响应—全局再反馈的闭环优化，提升学习与适应能力。

算法复杂度与运算资源限制

无人机任务多在资源受限的嵌入式平台、高强度计算约束下运行。ACO-BFOA路径规划采用模块化设计，将搜索、评价、优化等环节分阶段并行，充分利用多核并行计算优势。采用稀疏搜索网格、优先级队列与动态调整步长等策略降低算法复杂度，减少非必需计算。部分权重参数采用自适应调节、提前终止收敛与快速跳跃检查机制，有效缩短计算时间。即使在大规模、多约束场景中，也能保证路径规划的实时性与高效性，满足无人机复杂应用需求。

鲁棒性与安全性挑战针对性强化

面对环境突发变故、传感器误差、通信延迟等不确定性风险，系统设计多重冗余机制。路径评价阶段通过冗余解收集，加入多路径候选备份，当首选路径失效时快速切换。引入局部再优化管道，按需激活BFOA子模块毫米级调整节点位置，大幅提升系统对突发障碍、动态环境变更的鲁棒性。同时采用智能碰撞检测、连续性过滤与多节点互备等策略，有效保障飞行安全，减少任务中断概率，从根本上提升无人机自主作业的安全等级。

多无人机协同与任务分配优化

项目不仅关注单机航迹生成，还将ACO-BFOA算法扩展至多无人机协同场景。采用基于航迹重叠判定和互斥协商机制的任务分配策略，使得多架无人机能协同避碰、同步调整飞行计划。每架无人机独立运行局部路径优化模块，并定期通过交换搜索信息素与环境反馈信息提升全局航迹解的合理性和效率。该设计保障了大规模无人机群体能够高效协作完成任务，极大推动了智能化分布式无人机系统的发展。

项目模型架构

三维环境建模与网格分割

系统将真实三维飞行场景通过离散化分割成规则网格，每个网格块有唯一的空间坐标与属性值。空间障碍物映射为不可通行网格，通过地理信息建模与立体坐标映射，实现对真实环境的数字孪生。根据任务要求自定义网格精度，实现不同环境下建模的灵活性。在动态环境建模过程中，引入实时地形感知模块，自动检测并标记新出现的障碍与飞行区域。各网格节点状态随任务进展及时更新，保障无人机路径规划的空间环境动态自适应性，有利于多场景多约束下的空间决策。

蚁群算法基础原理与应用

蚁群算法通过模拟自然界蚂蚁寻找食物并在路径上分泌信息素的机制，形成一种正反馈激励机制。每只“虚拟蚂蚁”根据当前节点和信息素浓度选择下一步行动方向，并不断更新自身路径。信息素浓度高的路径被更多蚂蚁走过，进一步强化，最终趋向最优路径。在无人机三维路径规划应用中，蚁群算法承担全局航迹布局任务，负责搜寻多个可行航迹初解，在大范围空间内快速生成多条备选路径，为后续的精细化优化提供高质量基础。

细菌觅食优化算法基础原理

细菌觅食优化算法灵感来源于自然界细菌群体（如大肠杆菌）为寻找高营养环境所进行的泳动、繁殖与趋利避害等复杂行为。算法在全局路径布局基础上，对路径节点进行精细局部调整。通过模拟细菌“摄食—分裂—趋利—排斥”等物理行为，动态调整路径点空间坐标进而微调航迹。此机制有效跳出传统算法的局部最优陷阱，提高复杂场景路径质量收敛速率，强化局部环境下的自适应调整能力，是提升整体路径质量的关键补充模块。

路径多目标代价函数设计

路径优化过程中，系统采用多目标代价函数，包括航迹长度、转弯角、飞行高度变化、能量消耗与安全余量等。每一目标都有独立权重系数，由任务需求和实时环境反馈动态调整。全局依赖蚁群算法多路径并行探索初解，局部通过BFOA微调节点分布并细化目标函数。该分层结构实现了三维空间中多任务多目标的高效协同，其灵活的多目标加权机制为不同应用场景下的无人机自主飞行规划提供坚实支持。

信息素及环境反馈自适应调参机制

信息素正反馈与环境反馈机制是算法能否优选全局路径的核心要素。系统通过设置信息素挥发速率、自适应增减比例、最小阈值等策略动态调节全局与局部平衡。实时采集任务反馈参数，比如飞行时间、路径安全性、能耗等，按性能指标调节后续路径评价。环境发生剧变或性能指标异常时，立刻调整信息素分布与BFOA参数，优先发掘全新可行航迹，实现高效闭环学习与自我完善，大幅度强化无人机自适应性。

多无人机协同与通信交互

对于多机协同任务，模型通过引入多体路径解耦、互斥避碰、任务分配与航迹协同机制，实现大规模无人机协同自主规划能力。每台无人机独有分配标识及通信通道，实时交换外围搜索信息和局部优化结果。借助动态任务分配与航迹重规划机制，多台无人机能实现航迹协同与优先权分配，避免路径重叠与碰撞，极大提高作业效率与安全性。

实时可视化与系统自检模块

项目采用MATLAB三维可视化模块，用于实时动态显示三维航迹、障碍分布、蚂蚁群与细菌运动状态。系统自带自检机制，能在算法运行异常、参数失效或路径规划失败时及时发出警报。界面操作友好，可动态切换场景、修改参数，实现全程高效仿真与演示，方便算法开发、测试及优化。

模块化接口与扩展性设计

系统整体采用高度模块化架构设计，主控模块与仿真模块解耦，实现各核心功能（环境建模、路径搜索、精细优化、参数调节、结果评估等）独立开发和灵活调用。对接外部API、第三方3D建模引擎及多任务管理模块极为便捷，便于后续算法扩展和跨平台应用。该架构为后续升级与新型智能优化算法集成提供坚实保障，满足不同规模、不同类别无人机项目的多样化需求。

项目模型描述及代码示例

三维环境网格化建模
grid_size = [60, 60, 25]; % 定义三维环境网格的行数、列数和高度层数 用于确定搜索空间
obstacle_rate = 0.12; % 设置障碍物比例，即随机生成障碍的概率
goal_node = [60, 55, 24]; % 指定无人机目标终点坐标
env(rand_idx) = 1; % 设置抽中的位置为障碍物，其中1表示障碍物，0表示可通行
信息素矩阵与参数初始化
Q_value = 0.28; % 信息素增长常数，影响优秀路径信息素奖励力度
beta = 2.85; % 启发函数因子，控制节点距离权重
heuristic = @(from, to) 1 / (norm(from - to) + 1e-6); % 距离启发函数，避免除零错误
paths = cell(num_ants, 1); % 用于存储每只蚂蚁找到的路径
fitness = zeros(num_ants, 1); % 记录各路径的评价值
for ant = 1:num_ants % 对每只蚂蚁循环
    current_node = start_node; % 每只蚂蚁从起点出发
    visited = false(grid_size); % 标记已经访问过的网格节点，避免回头
    while ~isequal(current_node, goal_node) % 未到达终点则继续前进
        neighbors = neighbors(~visited(sub2ind(grid_size, neighbors(:,1), neighbors(:,2), neighbors(:,3))), :); % 清除已访问邻域
        if isempty(neighbors) % 若无可行步伐，则本条路径失效，退出循环
            break;
        prob_numerator = (pheromone_vals.^alpha) .* (heuristics.^beta); % 按公式计算每条路径的选择概率分子部分
        probs = prob_numerator / sum(prob_numerator); % 标准化为概率分布
        idx = randsample(1:length(probs), 1, true, probs); % 按概率选择一个邻居节点前进
        current_node = neighbors(idx, :); % 移动到选中的节点
        ant_path = [ant_path; current_node]; % 将该节点加入蚂蚁路径
        visited(current_node(1), current_node(2), current_node(3)) = true; % 标记该节点已访问，防止后续回头
        fitness(ant) = calculate_cost(ant_path); % 计算路径代价
function cost = calculate_cost(path) % 路径代价函数，将多目标合并考量
    dist = sum(sqrt(sum(diff(path).^2,2))); % 路径总长度，逐步累加每两个路径点间的空间距离
    turns = sum(abs(diff(diff(path)))); % 路径转弯数，用于度量路径平滑性
    height_var = std(path(:,3)); % 路径高度变化的标准差，衡量航迹上下波动程度
    cost = energy; % 返回多目标加权后代价值
end
信息素更新与挥发
pheromone = (1 - evap_rate) * pheromone; % 所有节点信息素每轮自动挥发，防止累积溢出
for ant = 1:num_ants % 对所有有效路径进行强化
    ant_path = paths{ant}; % 取出蚂蚁路径
    path_cost = fitness(ant); % 路径总代价
    for k = 1:size(ant_path,1) % 对路径中每个节点强化信息素
        pheromone(node(1),node(2),node(3)) = pheromone(node(1),node(2),node(3)) + Q_value/path_cost; % 以路径总优劣为依据奖励
end
细菌觅食优化算法子模块
    step_size = 1; % 每次节点移动步长
    new_path = path; % 初始化新路径为原始路径
    for i = 2:(size(path,1)-1) % 起点和终点不做调整
        for j = 1:size(candidates,1) % 对每个邻居都评估一次代价
            tmp_path = new_path; % 临时路径用于测试
            tmp_path(i,:) = candidates(j,:); % 将当前点平移到候选点
            candidate_costs(j) = calculate_cost(tmp_path); % 计算微调后完整路径代价
        [~, idx] = min(candidate_costs); % 选择能最大降低代价的邻域位置
        if candidate_costs(idx) < calculate_cost(new_path) % 若微调有降代价效果
    end
end
路径全局优化与局部微调整合
    % 蚁群全局搜索，每轮迭代后依据评价选出最优秀路径
        best_path = paths{idx}; % 保存新最优路径
        best_cost = mincost;
    end
    best_cost = calculate_cost(best_path); % 更新最优路径代价
scatter3(x, y, z, 44, [0.75 0.25 0.25], 'filled'); hold on; % 障碍点彩色高亮显示
scatter3(start_node(1),start_node(2),start_node(3),80,'b','filled'); % 起点蓝色圆点
axis([1 grid_size(1) 1 grid_size(2) 1 grid_size(3)]); grid on; % 设置坐标轴范围与三维网格
xlabel('X'); ylabel('Y'); zlabel('Z'); % 标注三维坐标轴
title('ACO-BFOA三维无人机路径规划效果演示'); % 图标题
colormap(gcf, turbo); % 设置三维图色谱，采用R2025b推荐的turbo色阶
function neighbors = get_neighbors(node, grid_size, env) % 获取某点所有可通行邻域
    delta = [ -1 0 0; 1 0 0; 0 -1 0; 0 1 0; 0 0 -1; 0 0 1]; % 允许移动的六个方向
    legal = all(candidates >= 1, 2) & ...
        candidates(:,1) <= grid_size(1) & ...
end

三维环境网格化建模

grid_size = [60, 60, 25]; % 定义三维环境网格的行数、列数和高度层数 用于确定搜索空间

obstacle_rate = 0.12; % 设置障碍物比例，即随机生成障碍的概率

goal_node = [60, 55, 24]; % 指定无人机目标终点坐标

env(rand_idx) = 1; % 设置抽中的位置为障碍物，其中1表示障碍物，0表示可通行

信息素矩阵与参数初始化

Q_value = 0.28; % 信息素增长常数，影响优秀路径信息素奖励力度

beta = 2.85; % 启发函数因子，控制节点距离权重

heuristic = @(from, to) 1 / (norm(from - to) + 1e-6); % 距离启发函数，避免除零错误

paths = cell(num_ants, 1); % 用于存储每只蚂蚁找到的路径

fitness = zeros(num_ants, 1); % 记录各路径的评价值

for ant = 1:num_ants % 对每只蚂蚁循环

    current_node = start_node; % 每只蚂蚁从起点出发

    visited = false(grid_size); % 标记已经访问过的网格节点，避免回头

    while ~isequal(current_node, goal_node) % 未到达终点则继续前进

        neighbors = neighbors(~visited(sub2ind(grid_size, neighbors(:,1), neighbors(:,2), neighbors(:,3))), :); % 清除已访问邻域

        if isempty(neighbors) % 若无可行步伐，则本条路径失效，退出循环

            break;

        prob_numerator = (pheromone_vals.^alpha) .* (heuristics.^beta); % 按公式计算每条路径的选择概率分子部分

        probs = prob_numerator / sum(prob_numerator); % 标准化为概率分布

        idx = randsample(1:length(probs), 1, true, probs); % 按概率选择一个邻居节点前进

        current_node = neighbors(idx, :); % 移动到选中的节点

        ant_path = [ant_path; current_node]; % 将该节点加入蚂蚁路径

        visited(current_node(1), current_node(2), current_node(3)) = true; % 标记该节点已访问，防止后续回头

        fitness(ant) = calculate_cost(ant_path); % 计算路径代价

function cost = calculate_cost(path) % 路径代价函数，将多目标合并考量

    dist = sum(sqrt(sum(diff(path).^2,2))); % 路径总长度，逐步累加每两个路径点间的空间距离

    turns = sum(abs(diff(diff(path)))); % 路径转弯数，用于度量路径平滑性

    height_var = std(path(:,3)); % 路径高度变化的标准差，衡量航迹上下波动程度

    cost = energy; % 返回多目标加权后代价值

end

信息素更新与挥发

pheromone = (1 - evap_rate) * pheromone; % 所有节点信息素每轮自动挥发，防止累积溢出

for ant = 1:num_ants % 对所有有效路径进行强化

    ant_path = paths{ant}; % 取出蚂蚁路径

    path_cost = fitness(ant); % 路径总代价

    for k = 1:size(ant_path,1) % 对路径中每个节点强化信息素

        pheromone(node(1),node(2),node(3)) = pheromone(node(1),node(2),node(3)) + Q_value/path_cost; % 以路径总优劣为依据奖励

end

细菌觅食优化算法子模块

    step_size = 1; % 每次节点移动步长

    new_path = path; % 初始化新路径为原始路径

    for i = 2:(size(path,1)-1) % 起点和终点不做调整

        for j = 1:size(candidates,1) % 对每个邻居都评估一次代价

            tmp_path = new_path; % 临时路径用于测试

            tmp_path(i,:) = candidates(j,:); % 将当前点平移到候选点

            candidate_costs(j) = calculate_cost(tmp_path); % 计算微调后完整路径代价

        [~, idx] = min(candidate_costs); % 选择能最大降低代价的邻域位置

        if candidate_costs(idx) < calculate_cost(new_path) % 若微调有降代价效果

    end

end

路径全局优化与局部微调整合

    % 蚁群全局搜索，每轮迭代后依据评价选出最优秀路径

        best_path = paths{idx}; % 保存新最优路径

        best_cost = mincost;

    end

    best_cost = calculate_cost(best_path); % 更新最优路径代价

scatter3(x, y, z, 44, [0.75 0.25 0.25], 'filled'); hold on; % 障碍点彩色高亮显示

scatter3(start_node(1),start_node(2),start_node(3),80,'b','filled'); % 起点蓝色圆点

axis([1 grid_size(1) 1 grid_size(2) 1 grid_size(3)]); grid on; % 设置坐标轴范围与三维网格

xlabel('X'); ylabel('Y'); zlabel('Z'); % 标注三维坐标轴

title('ACO-BFOA三维无人机路径规划效果演示'); % 图标题

colormap(gcf, turbo); % 设置三维图色谱，采用R2025b推荐的turbo色阶

function neighbors = get_neighbors(node, grid_size, env) % 获取某点所有可通行邻域

    delta = [ -1 0 0; 1 0 0; 0 -1 0; 0 1 0; 0 0 -1; 0 0 1]; % 允许移动的六个方向

    legal = all(candidates >= 1, 2) & ...

        candidates(:,1) <= grid_size(1) & ...

end

更多详细内容请访问

http://【无人机路径规划】MATLAB实现基于ACO-BFOA蚁群算法（ACO）结合细菌觅食优化算法（BFOA）进行无人机三维路径规划的详细项目实例（含完整的程序，GUI设计和代码详解）_遗传算法粒子群优化SVM资源-CSDN下载  https://download.csdn.net/download/xiaoxingkongyuxi/90069334

http:// https://download.csdn.net/download/xiaoxingkongyuxi/90069334

http:// https://download.csdn.net/download/xiaoxingkongyuxi/90069334