留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

一种求解非线性单调方程组的修正Liu-Storey投影算法

上一篇

下一篇

王松华, 黎勇, 罗丹. 一种求解非线性单调方程组的修正Liu-Storey投影算法[J]. 西南师范大学学报(自然科学版), 2020, 45(9): 23-30. doi: 10.13718/j.cnki.xsxb.2020.09.005
引用本文: 王松华, 黎勇, 罗丹. 一种求解非线性单调方程组的修正Liu-Storey投影算法[J]. 西南师范大学学报(自然科学版), 2020, 45(9): 23-30. doi: 10.13718/j.cnki.xsxb.2020.09.005
Song-hua WANG, Yong LI, Dan LUO. A Modified Liu-Storey Projection Method for Solving Nonlinear Monotone Equations[J]. Journal of Southwest China Normal University(Natural Science Edition), 2020, 45(9): 23-30. doi: 10.13718/j.cnki.xsxb.2020.09.005
Citation: Song-hua WANG, Yong LI, Dan LUO. A Modified Liu-Storey Projection Method for Solving Nonlinear Monotone Equations[J]. Journal of Southwest China Normal University(Natural Science Edition), 2020, 45(9): 23-30. doi: 10.13718/j.cnki.xsxb.2020.09.005

一种求解非线性单调方程组的修正Liu-Storey投影算法

  • 基金项目: 国家自然科学基金项目(11661001,11661009);广西自然科学基金项目(2018GXNSFAA281259,2020GXNSFAA159069)
详细信息
    作者简介:

    王松华(1970-),男,讲师,主要从事最优化理论与方法的研究 .

    通讯作者: 黎勇,教授; 
  • 中图分类号: O224

A Modified Liu-Storey Projection Method for Solving Nonlinear Monotone Equations

  • 摘要: 针对大规模非线性方程组求解问题,在Yuan研究成果的基础上提出修正的Liu-Storey共轭参数公式,并采用投影技术和一种新型线搜索构建了修正Liu-Storey投影共轭梯度算法.新算法保持了Yuan公式不依赖任何线搜索且具有充分下降性的性质,同时还具有信赖域性质,在常规条件下新算法具有全局收敛性.初步的数值试验表明,新算法总体上比传统的LS算法和3项LS算法更优.
  • 加载中
  • 图 1  迭代次数比较图

    图 2  目标函数计算次数比较图

    图 3  运行时间比较图

    表 1  测试问题

    序号 问题 x0
    1 Exponential function1 $ \left( \frac{n}{n-1}, \frac{n}{n-1}, \cdots , \frac{n}{n-1} \right)$
    2 Logarithmic function (1,1,…,1)
    3 Broyden Tridiagonal function (-1,-1,…,-1)
    4 Trigexp function (0,0,…,0)
    5 Strictly convex function1 $\left( \frac{1}{n}, \frac{1}{n}, \cdots , \frac{1}{n} \right) $
    6 Zero Jacobian function $ \left( \frac{\left( n-1000 \right)*\left( n-500 \right)}{{{\left( 60*n \right)}^{2}}}, \frac{\left( n-1000 \right)*\left( n-500 \right)}{{{\left( 60*n \right)}^{2}}}, \cdots , \frac{\left( n-1000 \right)*\left( n-500 \right)}{{{\left( 60*n \right)}^{2}}} \right)$
    7 Linear function-full rank (100,100,…,100)
    8 Penalty function $ \left( \frac{1}{3}, \frac{1}{3}, \cdots , \frac{1}{3} \right)$
    9 Extended Powel singular function (0.000 15,0.000 15,…,0.000 15)
    10 Five-diagonal system (-2,-2,…,-2)
    下载: 导出CSV

    表 2  数值结果

    序号 维数 MLS算法 LS算法 3项LS算法
    NI NF t/s NI NF t/s NI NF t/s
    1 4 500 719 10 665 4.062 500 530 530 0.828 125 1 000 2 085 2.187 500
    12 000 359 5 272 2.828 125 382 382 1.484 375 1 000 2 114 4.687 500
    24 000 243 3 524 4.156 250 304 304 1.531 250 1 000 2 189 6.671 875
    30 000 218 3 147 4.234 375 282 282 1.625 000 1 000 2 137 7.812 500
    45 000 182 2 605 6.406 250 246 246 1.921 875 1 000 2 180 12.171 875
    2 4 500 45 208 0.125 000 63 224 0.171 875 56 270 0.140 625
    12 000 67 347 0.578 125 85 363 0.500 000 78 432 0.515 625
    24 000 100 589 1.062 500 118 602 1.593 750 111 703 1.796 875
    30 000 110 661 1.750 000 128 673 1.890 625 121 784 2.000 000
    45 000 127 782 2.890 625 146 800 3.578 125 138 923 3.671 875
    3 4 500 149 1 116 0.312 500 76 288 0.187 500 220 1 632 0.843 750
    12 000 141 948 0.734 375 74 302 0.281 250 242 1 804 1.687 500
    24 000 78 494 0.765 625 93 402 0.609 375 245 1 805 2.812 500
    30 000 115 790 1.468 750 100 449 0.859 375 233 1 707 3.609 375
    45 000 106 794 2.109 375 111 526 1.828 125 269 2 028 5.921 875
    4 4 500 65 530 0.328 125 76 501 0.437 500 160 1 364 1.156 250
    12 000 78 687 1.093 750 104 794 1.406 250 196 1 753 3.109 375
    24 000 116 1 061 3.312 500 118 991 2.734 375 235 2 177 6.687 500
    30 000 135 1 269 4.328 125 142 1 214 4.250 000 239 2 250 8.328 125
    45 000 178 1 715 9.531 250 171 1 530 8.781 250 252 2 474 14.562 500
    5 4 500 34 158 0.140 625 44 127 0.078 125 63 266 0.078 125
    12 000 53 259 0.468 750 60 226 0.250 000 84 393 0.343 750
    24 000 66 344 0.578 125 75 328 0.703 125 92 489 0.843 750
    30 000 73 392 0.921 875 81 370 0.890 625 97 523 1.125 000
    45 000 88 512 1.593 750 98 498 1.875 000 106 637 2.250 000
    6 4 500 209 2 661 0.843 750 270 3 486 0.781 250 221 2 829 0.968 750
    12 000 211 2 709 1.718 750 269 3 485 2.156 250 227 2 904 1.937 500
    24 000 213 2 724 3.171 875 271 3 507 3.953 125 230 2 948 3.546 875
    30 000 214 2 740 3.593 750 273 3 539 4.843 750 226 2 905 4.453 125
    45 000 212 2 722 6.078 125 273 3 533 7.968 750 229 2 926 7.156 250
    7 4 500 1 000 14 986 3.906 250 1 000 14 986 4.671 875 1 000 14 986 4.656 250
    12 000 1 000 14 986 10.234 375 1 000 14 986 10.843 750 1 000 14 986 10.312 500
    24 000 1 000 14 986 19.515 625 1 000 14 986 21.171 875 1 000 14 986 17.546 875
    30 000 1 000 14 986 29.562 500 1 000 14 986 25.625 000 1 000 14 986 23.156 250
    45 000 1 000 14 986 39.921 875 1 000 14 986 42.171 875 1 000 14 986 37.609 375
    8 4 500 3 17 0.031 250 1 000 14 986 28.390 625 3 17 0.015 625
    12 000 3 17 0.046 875 1 000 14 986 73.125 000 3 17 0.078 125
    24 000 3 17 0.125 000 1 000 14 986 124.812 500 3 17 0.109 375
    30 000 3 17 0.125 000 1 000 14 986 120.234 375 3 17 0.171 875
    45 000 3 17 0.203 125 1 000 14 986 189.859 375 3 17 0.187 500
    9 4 500 441 5 948 1.421 875 653 8 776 2.250 000 473 6 288 1.515 625
    12 000 555 7 505 3.890 625 821 11 110 5.093 750 597 7 933 4.171 875
    24 000 642 8 773 8.718 750 968 13 137 12.531 250 699 9 347 8.828 125
    30 000 676 9 239 10.593 750 1 000 13 585 14.750 000 733 9 829 11.062 500
    45 000 746 10 176 19.125 000 1 000 13 471 25.343 750 801 10 765 21.687 500
    10 4 500 481 4 751 2.734 375 1 000 6 300 3.781 250 1 000 8 695 4.609 375
    12 000 1 000 10 196 12.093 750 1 000 6 785 9.796 875 1 000 8 250 10.578 125
    24 000 604 6 122 13.843 750 1 000 7 273 17.687 500 1 000 8 711 19.734 375
    30 000 479 4 991 13.703 125 1 000 7 504 21.281 250 1 000 9 086 25.312 500
    45 000 826 8 549 36.187 500 1 000 7 953 34.890 625 365 4 435 18.671 875
    下载: 导出CSV
  • [1] YUAN G L, WANG B P, SHENG Z. The Hager-Zhang Conjugate Gradient Algorithm for Large-Scale Nonlinear Equations [J]. International Journal of Computer Mathematics, 2019, 96(8): 1533-1547. doi: 10.1080/00207160.2018.1494825
    [2] LI X R, WANG X L, SHENG Z, et al. A Modified Conjugate Gradient Algorithm with Backtracking Line Search Technique for Large-Scale Nonlinear Equations [J]. International Journal of Computer Mathematics, 2018, 95(2): 382-395. doi: 10.1080/00207160.2017.1290433
    [3] 刘金魁, 杜祥林.非线性单调方程组的三项无导数投影算法[J].数学进展, 2018, 47(4): 624-634. doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sxjz201804013
    [4] 陈香萍.谱HS投影算法求解非线性单调方程组[J].运筹学学报, 2018, 22(3): 15-27. doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=ycxxb201803002
    [5] 黎勇.求解非线性方程组的一种修正CD投影算法[J].河南理工大学学报(自然科学版), 2018, 37(6): 155-160. doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jzgxyxb201806023
    [6] 吴晓云, 周学良.凸约束非线性方程组的一种无导数投影方法[J].数学的实践与认识, 2018, 48(2): 119-126. doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sxdsjyrs201802015
    [7] 王博朋, 袁功林, 李春念.求解非线性方程组的一种修正WPRP共轭梯度算法[J].广西大学学报(自然科学版), 2017, 42(5): 1967-1973. doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gxdxxb201705048
    [8] doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=d4343d43c48f2e85d467d3ae3e54bfae YUAN G L. Modified Nonlinear Conjugate Gradient Methods with Sufficient Descent Property for Large-Scale Optimization Problems [J]. Optimization Letters, 2009, 3(1): 11-21.
    [9] YUAN G L, WEI Z X, YANG Y N. The Global Convergence of the Polak-Ribière-Polyak Conjugate Gradient Algorithm under Inexact Line Search for Nonconvex Functions [J]. Journal of Computational and Applied Mathematics, 2019, 362: 262-275. doi: 10.1016/j.cam.2018.10.057
    [10] SOLODOV M V, SVAITER B F. A Globally Convergent Inexact Newton Method for Systems of Monotone Equations [M]// Reformulation: Nonsmooth, Piecewise Smooth, Semismooth and Smoothing Methods. Boston: Springer US, 1998: 355-369.
    [11] LI Q, LI D H. A Class of Derivative-Free Methods for Large-Scale Nonlinear Monotone Equations [J]. IMA Journal of Numerical Analysis, 2011, 31(4): 1625-1635. doi: 10.1093/imanum/drq015
    [12] 戴彧虹, 袁亚湘.非线性共轭梯度法[M].上海:上海科学技术出版社, 2000.
    [13] 王开荣, 徐晓光. Wolfe线搜索下充分下降性的FR型共轭梯度法[J].西南大学学报(自然科学版), 2017(7): 91-96. doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=xnnydxxb201707014
    [14] 喻高航.大规模优化问题的非线性自调比共轭梯度算法研究[D].广州: 中山大学, 2007.http://d.wanfangdata.com.cn/thesis/Y1217302
    [15] 李春念, 袁功林.求解无约束问题的修正PRP共轭梯度算法[J].西南大学学报(自然科学版), 2018, 40(9): 67-75. doi: http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=xnnydxxb201809011
    [16] 黎勇, 韦增欣.一种自动充分下降的共轭梯度法[J].西南师范大学学报(自然科学版), 2016, 41(5): 36-40. doi: http://xbgjxt.swu.edu.cn/article/doi/10.13718/j.cnki.xsxb.2016.05.007
    [17] 关哲, 于宪伟.标准Wolfe线搜索下修正的DY共轭梯度法[J].西南师范大学学报(自然科学版), 2016, 41(1): 31-34. doi: http://xbgjxt.swu.edu.cn/article/id/jscnuhhsexnsfdxxb201303004
    [18] doi: http://www.ams.org/mathscinet-getitem?mr=1098427 BING Y, LIN G. An Efficient Implementation of Merrill's Method for Sparse or Partially Separable Systems of Nonlinear Equations [J]. SIAM Journal on Optimization, 1991, 1(2): 206-221.
    [19] doi: http://dl.acm.org/citation.cfm?id=589070 RAYDAN M. The Barzilai and Borwein Gradient Method for the Large Scale Unconstrained Minimization Problem [J]. SIAM Journal on Optimization, 1997, 7(1): 26-33.
    [20] DOLAN E D, MORÉ J J. Benchmarking Optimization Software with Performance Profiles [J]. Mathematical Programming, 2002, 91(2): 201-213. doi: 10.1007/s101070100263
  • 加载中
图( 3) 表( 2)
计量
  • 文章访问数:  772
  • HTML全文浏览数:  772
  • PDF下载数:  141
  • 施引文献:  0
出版历程
  • 收稿日期:  2019-09-12
  • 刊出日期:  2020-09-20

一种求解非线性单调方程组的修正Liu-Storey投影算法

    通讯作者: 黎勇,教授; 
    作者简介: 王松华(1970-),男,讲师,主要从事最优化理论与方法的研究
  • 百色学院 数学与统计学院,广西 百色 533000
基金项目:  国家自然科学基金项目(11661001,11661009);广西自然科学基金项目(2018GXNSFAA281259,2020GXNSFAA159069)

摘要: 针对大规模非线性方程组求解问题,在Yuan研究成果的基础上提出修正的Liu-Storey共轭参数公式,并采用投影技术和一种新型线搜索构建了修正Liu-Storey投影共轭梯度算法.新算法保持了Yuan公式不依赖任何线搜索且具有充分下降性的性质,同时还具有信赖域性质,在常规条件下新算法具有全局收敛性.初步的数值试验表明,新算法总体上比传统的LS算法和3项LS算法更优.

English Abstract

  • 非线性共轭梯度法具有算法简便,存储量低的特点,是解决大规模问题的一种常用而且高效的方法之一,近来许多研究者将其推广到求解大规模非线性单调方程组问题,成为优化领域的一个研究热点[1-7].

    本文考虑大规模非线性单调方程组

    式中g$ {{\mathbb{R}}^{n}}\to {{\mathbb{R}}^{n}}$是连续可微的非线性函数;对∀xy$ {{\mathbb{R}}^{n}}$,有如下单调性质:

    令范数函数$\theta(\mathit{\boldsymbol{x}}) = \frac{1}{2}{\left\| {\mathit{\boldsymbol{g}}(\mathit{\boldsymbol{x}})} \right\|^2}$,其中‖·‖是欧氏范数,那么非线性单调方程组问题(1)等价于如下全局最优化问题:

    本文基于经典Liu-Storey共轭梯度法,在文献[8]的基础上,结合文献[1, 7, 9]的方法,设计一个新的搜索方向公式,利用文献[10]提出的超平面投影技术和文献[11]一类新型的线搜索,提出一种求解大规模非线性单调方程组的修正Liu-Storey投影算法.

  • 本节扼要介绍共轭梯度法,然后设计一个新的搜索方向公式,结合超平面投影技术和某种线搜索方法,提出一个新Liu-Storey投影算法.

    共轭梯度法迭代公式为

    其中:xk+1是下一个迭代点,xk是当前迭代点;αk是步长,由某种线搜索确定;dk是搜索方向,迭代公式定义为

    其中:βk是共轭调控参数,gkg(xk)的简写.经典共轭梯度法有FR方法(Fletcher-Reeves)、PRP方法(Polak-Ribière-Polyak)、CD方法(Conjugate-Descent)和LS方法(Liu-Storey)等[12].

    经典的LS方法和PRP方法在解决大规模无约束优化问题上,数值结果普遍较好,然而全局收敛性较差.而搜索方向的充分下降性和信赖域性质在共轭梯度法全局收敛性中起到关键的作用[1, 2, 12-17].

    文献[14]提出一个修正的PRP公式,得到了较好的结果.其参数公式为

    其中:常数 $ \mu > \frac{1}{4}$yk+1=gk+1-gk.参数公式βkDPRP满足共轭条件和非负性.

    文献[8]在此基础上提出一个新的参数公式为

    βkMPRP不仅满足共轭条件和非负性,而且还具有充分下降性,在Wolfe-Powell线搜索下算法全局收敛,数值试验结果表明算法有效.但βMPRP公式不具有信赖域性质.

    文献[7]进一步提出修正公式

    其中:常数$\mu > \frac{1}{4} $λ>0,γ>0.该公式具有信赖域性质,克服了文献[8]的不足.在适当的条件下证明了算法具有全局收敛性,数值结果表明方法能有效求解大规模非线性单调方程组.

    文献[8]还给出了具有充分下降性的修正βLS公式,指出在此公式上建立的算法在适当条件下具有全局收敛性的结论,并给出了该算法的初步数值试验分析,结果表明该算法比经典LS算法更优.但文献[8]没有给出算法的搜索方向充分下降性和全局收敛性的证明.其修正βLS公式定义为

    其中:$ {\beta ^{{\rm{LS}}}} = \frac{{\mathit{\boldsymbol{g}}_k^{\rm{T}}{\mathit{\boldsymbol{y}}_{k - 1}}}}{{ - {\rm{ }}\mathit{\boldsymbol{g}}_{k - 1}^{\rm{T}}{\mathit{\boldsymbol{d}}_{k - 1}}}},{\rm{ }}{\mathit{\boldsymbol{y}}_k} = {\mathit{\boldsymbol{g}}_k} - {\mathit{\boldsymbol{g}}_{k - 1}}$.该修正β公式也不具有信赖域性质.

    本文在文献[8]的基础上,结合文献[1, 7, 9]关于共轭参数的修正方法,设计一个新的搜索方向dk+1.此搜索方向不依赖任何线搜索,不仅具有充分下降性,还具有信赖域性质.新的搜索方向dk+1公式定义为

    其中:$ \mu > \frac{1}{4}$λ>0,γ>0.

    为便于表述,本文将修正Liu-Storey投影算法称为MLS算法,其步骤如下:

    步骤1:给定初始点x0$ \mathbb{R}$,常数λγs>0;$ \mu > \frac{1}{4}$ρε∈(0,1),令k:=0;

    步骤2:若‖ F(xk)‖≤ε,则停止,否则转步骤3;

    步骤3:通过式(8)计算搜索方向dk

    步骤4:利用式(9)计算步长αk

    搜索步长αk=max{sρsρ2s,…},常数σ>0,s>0,ρ∈(0,1).

    步骤5:利用公式计算下一个迭代点zk=xk+αkdk

    步骤6:若‖ F(zk)‖≤ε,则停止,并令xk+1=zk,否则,通过式(10)计算xk+1

    步骤7:令k:=k+1,转步骤2.

    备注:式(9)为文献[11]提出的一种新的单调线搜索技术,适合应用于非线性单调方程组.步骤6运用了文献[10]提出的超平面投影技术,即xk+1是当前迭代点xk在超平面Hk={ x$ {{\mathbb{R}}^{n}}$| g(zk)T(x -zk)=0}上的投影,其证明如下:

  • 本节讨论MLS算法的搜索方向dk不依赖任何线搜索,具有充分下降性和信赖域性质.

    引理1  如果搜索方向dk由式(8)定义,则有

    引理1中式(11)、式(12)的证明分别类似文献[7, 9],本文不再详述.

  • 讨论MLS算法的全局收敛性,需要以下常规性假设H:

    (H1) 非线性方程组(1)的解集非空,且水平集Ω={x$ {{\mathbb{R}}^{n}}$g(x)≤g(x1)}有界.

    (H2) 函数g$ {{\mathbb{R}}^{n}}\to {{\mathbb{R}}^{n}}$是Lipschitz连续的,即∃L>0,使得

    由假设(H1)可知,存在常数ω>0,使得‖ x ‖≤ωx*是问题(1)的解,即g(x*)=0,联合假设(H2)有

    这说明存在一个常数$\vartheta $=2ωL>0,使得

    首先引入两个重要的引理.

    引理2 [7]  如果假设H成立,序列{xk}由MLS算法生成,x*是非线性单调方程组(1)的解,那么有

    成立.

    联合超平面投影技术式(10)和线搜索技术式(9),得到

    从共轭梯度法的迭代公式出发,通过引理2的式(16),容易得到下面结论:

    接下来的引理3说明本文所选定的线搜索能够保证得到一个正数步长,使得MLS算法在有限步内停止,从而说明我们提出的MLS算法是有意义的.

    引理3   若假设H成立,则MLS算法是适定的.

      假设‖gk‖→0不成立,或者MLS算法不停止,那么∃η>0,使得

    下面证明满足式(9)的步长αk存在下界.

    假设存在k′使得式(9)不成立,那么对∀i$ \mathbb{N}$ ∪{0},令αk(i)=ρis,有

    由充分下降性式(11)和假设(H2)有

    由信赖域性质式(12)和式(14)可得

    联合式(12),(19)和(20),可得

    这与αk(i)的定义矛盾,从而说明线搜索(9)能够保证存在一个步长αk>0,使得MLS算法在有限步内终止.因此,引理3成立.

    由以上的假设H、引理1、引理2和引理3,可证明下列MLS算法的全局收敛性.

    定理1  如果假设H成立,序列{αkdkxkgk}由MLS算法生成,则

      反证法.假设式(21)不成立,则存在一个常数υ>0,使

    由信赖域性质式(12),有

    由引理2序列{xk}有界,则存在一个聚点${\boldsymbol{\tilde{x}}} $和无限指标集N1,使得

    根据式(12)和式(14)得到

    这说明序列{dk}有界,所以也存在一个聚点$ {\boldsymbol{\tilde{d}}}$和无限指标集N2,使得

    联合式(17),可得

    由线搜索技术式(9)可得,存在$ {{{{\alpha }'}}_{\ k}}=\frac{{{\alpha }_{k}}}{\rho }$,使得

    k→∞时,对∃kN2,(23)式两边取极限,即有

    而式(11)两边同取极限,得到

    显然产生矛盾.所以假设不成立,即式(21)成立.证毕.

  • 为检验MLS算法的有效性,本节将对MLS算法与经典LS算法[12]、3项LS算法[12]求解大规模非线性单调方程组问题进行数值试验和比较分析.

    选取具有固定初始点的10个经典非线性函数[18-19],具体的函数名称与初始点见表 1.

    试验环境:Windows 7操作系统,Inel Pentium($ \mathbb{R}$) DuaCore CPU E5800 3.2 GHz,内存4 GB RAM,MATLA2014a.终止条件:‖ g(x)‖≤10-5或NI≥1 000.

    参数设置:μ=0.97,λ=0.01,γ=0.78,σ=0.11,ε=10-5,维数为[4 500,12 000,24 000,30 000,45 000]. 表 2给出了3种算法的试验结果,表中NI表示迭代次数,NF表示函数计算的次数,t表示程序运行所需要的时间.

    表 2可以看出,在相同的条件精度下,MLS算法在迭代次数NI和CPU运行时间这两个测试指标上比经典LS算法和3项LS算法好;在目标函数值计算次数上,MLS算法与经典LS算法有微小差异,比3项LS算法更优.为更直观反映出MLS算法、LS算法和3项LS算法的性能,采用文献[20]提出的评价方法,分别给出这3种算法在迭代次数(NI)、目标函数值计算次数(NF)和运行时间等测试结果的性能比较图(图 1-图 3).这3个曲线图表明论文提出的MLS算法总体上比经典LS算法和3项LS算法更优,鲁棒性更好,适合用来求解大规模非线性单调方程组问题.

参考文献 (20)

目录

/

返回文章
返回