经济管理数学建模实战：0-1规划与蒙特卡罗模拟案例解析

简介：经济管理中数学模型案例分析专题资料（2021-2022年），面向经管专业学生、数学建模爱好者及相关科研人员，系统展示如何将数学工具用于经济管理实际问题的定量分析。文档按大学论文结构组织，先阐述数学模型含义与经济模型重要性，再围绕提出问题、模型建构、模型求解应用等步骤展开，重点剖析飞机起飞排队模型和码头卸货效率随机模拟模型，并结合指数分布、泊松分布以及MATLAB软件给出计算求解思路，同时梳理了建模、验证、改进与应用的完整路径，可作为课程论文写作、数学建模竞赛备赛的实用参考。资料为1份doc格式论文文档，压缩包共1个文件，大小308KB，内容紧凑、便于直接查阅。目前已有69人学习浏览，适合需要快速了解经管类数学模型案例、搭建分析框架的读者。

1. 数学模型不是黑匣子：一份论文资源里藏着的两套完整解法

机场的跑道分配、码头的卸货效率，这些听起来八竿子打不着的运营问题，落到经济管理里其实是同一类事：怎么在不确定性和成本约束下排出一个最优次序。数学模型干的就是这个——先把现象翻译成变量和约束，再用 MATLAB 或优化工具算出让总成本最小的方案。这份专题资料是一份 2021-2022 年的大学论文《经济管理中数学模型案例分析》，不是干巴巴的公式堆砌，而是两套能从零走完的建模流程：飞机起飞的 0-1 规划排队模型，和码头卸货的蒙特卡罗随机模拟模型。论文把提出问题、模型建构、验证改进、模型应用这条路整体走了一遍，每一步该处理什么、参数怎么定，都有实例撑着。适合正在写经济管理类论文、准备数学建模竞赛，或者单纯想看看数学模型在真实业务里怎么落地的读者。

2. 飞机起飞排队模型：0-1 规划、费用矩阵与匈牙利算法

2.1 先到先服务只是直觉，目标函数才是决策依据

机场分配跑道时默认采用“先到先服务”，驾驶员准备好离开登机口就电告控制中心，谁先通知谁先起飞。这个规则公平，但未必划算：一架坐满 400 人的大飞机和一架只有 50 人的小飞机同时排队，如果大飞机晚点，后续转机乘客的赔偿、燃料加速损耗、乘客不满情绪加在一起，代价远高于让小飞机多等几分钟。论文的核心思路，是把“该让谁先飞”变成一个可计算的优化问题。

对每一架飞机 i 和每一个起飞时间段 k，引入 0-1 决策变量 x_ik，表示飞机 i 是否被安排在第 k 个时间段起飞。约束很直观：每架飞机必须占一个时间段，每个时间段恰好容纳一架飞机。目标函数是让总费用矩阵 C 中对应的费用之和最小。这就是标准的指派问题，也叫 0-1 规划模型。只要能把“延误带来的损失”量化成费用系数，剩下的求解反而机械。

这里的建模技巧值得单独说：论文没有直接去模拟飞机起降的物理过程，而是把时间切成等长小段，假设每架飞机占用跑道时间相同，于是问题从连续时间调度退化成离散排班。简化到这一步，问题才具备用组合优化求解的可能。太复杂的模型不利于分析对象之间的关系，先做简化假设、再逐步放开，这是整个案例最值得抄的建模习惯。

2.2 费用矩阵：燃料附加费、误机费和不满意度怎么拆

费用矩阵 C 是整个模型的心脏。论文把延误导致的额外费用拆成三项，每一类都有明确的数学形式。

一是燃料附加费。飞机晚点就得加速飞行，油耗随晚点时间增长；可一旦晚点超过最大安全时限，飞机只能以最大安全速度飞，燃料消耗反而恒定。这类费用用线性项描述，晚点时间越长，费用线性上涨。

二是乘客误机费。这里用到了 Heaviside 函数，也就是单位阶跃函数：飞机在时限之后才起飞，需要转机的乘客赶不上下班飞机，航空公司按人头赔偿；没超过时限，赔偿为零。阶跃函数天然适合描述这种“超过阈值才触发”的成本。

三是不满意度。晚点几分钟乘客还能忍，晚点时间一拉长，不满情绪会非线性飙升。论文用指数函数来刻画这种增长，把不满意度按比例系数折算成航空公司的间接损失。因为乘客数量不同，同样晚点时间下，人多的飞机产生的间接损失大得多，这也是后面算例里大飞机优先起飞的原因。

把这三项加总，就得到费用矩阵 C 里每个位置的值。论文的算例是三架飞机同时要求起飞，乘客人数分别是 350、100、400，每架都有 100 名转机乘客，为了简化计算把几个参数系数统一取成 1。最后的最优起飞顺序是 3、1、2，也就是人最多的飞机先飞。这个结果符合常识，但注意它不是靠拍脑袋拍出来的，而是从费用矩阵里严格算出来的。

2.3 换一个能复现的视角：用 SciPy 解指派模型

论文里提到可以用匈牙利算法，也可以用 LINDO 或专门的优化软件包。匈牙利算法是求解指派问题的经典算法，复杂度是 O(n³)，n 表示飞机数量。手工算三架飞机还能用穷举，飞机一多就得靠算法。下面这段 Python 代码是简化版复现，费用函数按论文思路实现，参数归一化处理后输出最优顺序，结果与论文一致。

import numpy as np from scipy.optimize import linear_sum_assignment # 飞机原始数据：编号 -> (乘客数, 转机人数) planes = { 1: (350, 100), 2: (100, 100), 3: (400, 100), } a = 1 # 燃料附加费系数，论文算例里取 1 b = 1 # 乘客误机赔偿系数 alpha = 1 # 不满意度转费用比例系数 delta = 1 # 起飞时间段长度（分钟） max_delay = 1 # 超过该时限触发转机赔偿 def cost_coef(passengers, transfer, delay): # 延迟 del 分钟时，该架飞机被安排在第 delay//delta 个时段起飞的费用 fuel = a * delay # 燃料附加费：线性增长 missed = b * transfer * (1 if delay > max_delay else 0) # 误机费：阶跃触发 dissatisfaction = alpha * passengers * np.exp(delay / delta) # 不满意度：指数增长 return fuel + missed + dissatisfaction n = len(planes) C = np.zeros((n, n)) for i, (pid, (pax, trf)) in enumerate(planes.items()): for k in range(n): delay = k * delta # 第 k 个时段起飞，晚点 k 个时间段 C[i, k] = cost_coef(pax, trf, delay) print("费用矩阵 C（行=飞机 1/2/3，列=第 1/2/3 时段起飞）:") print(np.round(C, 4)) row_ind, col_ind = linear_sum_assignment(C) print("\n最优分配（飞机索引 -> 时段索引）:", dict(zip(row_ind, col_ind))) order = [list(planes.keys())[i] for i in row_ind[np.argsort(col_ind)]] print("按起飞顺序排列的飞机编号:", order)

这段代码的逻辑是把论文的文字模型翻译成矩阵运算：cost_coef 函数对应费用矩阵的三项构成，其中误机费用了阶跃判断，不满意度用了指数函数；linear_sum_assignment 直接对费用矩阵做匈牙利算法，返回行索引和列索引，行是飞机、列是起飞时段。输出里 row_ind 是飞机编号，col_ind 是对应分配到的时段，把两者按时段排序，就得到实际起飞顺序。参数说明：a、b、alpha、delta、max_delay 这几个数值在论文算例里都取 1，属于演示用的归一化参数，实际业务里要根据航班数据和赔偿标准重新标定。运行后得到的最优顺序是 3、1、2，和论文结果一致。

论文还有一个动态场景：第三架飞机刚起飞，第四架飞机紧急加入，此时它已经晚点 18 分钟，机上 200 人里有 150 人需要转机。把第四架飞机的参数塞进同一个费用函数重新求解，最优顺序变成 4、1、2。晚点最久的飞机优先起飞，不然航空公司要支付高额误机费。这个结论可以通过同样的代码改一改 planes 字典复现。

3. 码头卸货的蒙特卡罗模拟：随机数、排队指标与三组对比实验

3.1 为什么用随机模拟，而不是套排队论公式

小型卸货码头只有一个停泊位，相邻两艘船到达的时间间隔在 15~145 分钟之间变化，每艘船卸货时间在 45~90 分钟之间波动。要回答“船平均在港口停多久、最长停多久、等待时间多少”，第一反应是套排队论公式。经典 M/G/1 排队论确实能给稳态下的期望值，但它要求系统运行足够久、到达过程符合泊松过程，而且结论是一堆均值，看不到单次运营里的极端情况。

论文选的是蒙特卡罗模拟：既然每条船的到达时间和卸货时间都无法确定，那就把它们当作随机变量，用计算机生成大量符合分布的随机数，一条船一条船地模拟卸货过程，重复很多轮取平均。这种方法的好处是直观、好解释，而且能同时输出平均和最大值。最大值恰恰是码头管理者最关心的指标——设备会不会被拖垮、船东会不会投诉，都看极端情况。

这里有个分布假设值得注意：两船到达间隔假设服从 15~145 分钟之间的均匀分布，卸货时间服从 45~90 分钟的均匀分布。均匀分布意味着区间内每个值等可能，当手头只有上下界数据、没有历史分布统计时，这是最保守也最常用的近似。后面避坑章节会展开讨论，很多场景下这个假设过于粗糙。

3.2 模拟的核心递推关系：等待、闲置与离港时间

模拟的逻辑不复杂，核心是五条递推式。设第 i 艘船的到达时间为 A_i，卸货时间为 U_i，离港时间为 D_i，等待时间为 W_i，设备闲置时间为 L_i。

第一艘船到港就卸货，卸完就离港，所以 D_0 = A_0 + U_0，等待时间为 0，它到达前设备一直闲置，L_0 = A_0。从第二艘船开始，每艘船到达时先看上一艘走没走：如果上一艘还没离港，这艘船就要等，等待时间是 D_{i-1} - A_i；如果上一艘已经走了，设备就空转了一段时间，闲置时间是 A_i - D_{i-1}。

关键在“如果”两个字。等船和闲设备不可能同时发生，正确写法是用 max 函数：W_i = max(0, D_{i-1} - A_i)，L_i = max(0, A_i - D_{i-1})。离港时间则是 D_i = max(A_i, D_{i-1}) + U_i，也就是“开始卸货的时刻”加上“卸货时长”。船在港口的停留时间 S_i = D_i - A_i，等于等待时间加卸货时间。

把这些递推式循环跑完 n 艘船，就能统计出六个指标：船的平均停留时间、最长停留时间、平均等待时间、最长等待时间、设备闲置总时间和闲置百分比。论文特别强调了随机数每次生成结果不同，只跑一轮不能说明问题，必须多轮模拟取平均。这个意识在工程里太重要了，后面避坑章节还会专门讲。

3.3 Python 实现：一次模拟函数和三组场景复用

用 Python 实现这个模拟很直接，numpy 的随机数生成和数组运算正好覆盖需求。下面的代码把单次模拟封装成函数，再用一个包装函数跑多轮取均值，三组实验场景只要改参数就能复用。

import numpy as np def simulate_once(n_ships=100, interval_range=(15, 145), unload_range=(45, 90)): # 生成随机到达间隔和卸货时间 inter_arrival = np.random.uniform(interval_range[0], interval_range[1], n_ships) unload_time = np.random.uniform(unload_range[0], unload_range[1], n_ships) # 到达时间 = 前序间隔累加 arrive = np.cumsum(inter_arrival) depart = np.zeros(n_ships) wait = np.zeros(n_ships) idle = np.zeros(n_ships) # 第一艘船：到港即卸，卸完即走，设备在此之前闲置 depart[0] = arrive[0] + unload_time[0] idle[0] = arrive[0] for i in range(1, n_ships): # 等待时间：船到了但上一艘没走，取正值 wait[i] = max(0, depart[i-1] - arrive[i]) # 闲置时间：船还没到但上一艘已走，取正值 idle[i] = max(0, arrive[i] - depart[i-1]) # 离港时间：上一艘走没走，决定了本船何时开始卸货 depart[i] = max(arrive[i], depart[i-1]) + unload_time[i] stay = depart - arrive # 停留时间 = 离港 - 到港 return { "mean_stay": np.mean(stay), "max_stay": np.max(stay), "mean_wait": np.mean(wait), "max_wait": np.max(wait), "idle_ratio": np.sum(idle) / (depart[-1] - arrive[0]), } def multi_simulate(repeats=6, **kwargs): results = [] for _ in range(repeats): results.append(simulate_once(**kwargs)) # 多轮结果取平均，消除单次随机波动 return {k: np.mean([r[k] for r in results]) for k in results[0]}

这段代码的逻辑核心在递推循环：wait 和 idle 都通过 max 保证非负，避免出现“等待和闲置同时为真”的逻辑错误；depart 的 max 表达的是“上一艘没走就等它走完，走了就立刻开始卸货”。参数说明：n_ships 是模拟的船只数量，论文里的统计结果对应 100 艘量级；interval_range 控制到达间隔的均匀分布上下界；unload_range 控制卸货时间的均匀分布上下界；repeats 是重复模拟轮数，建议不小于 6，否则均值不稳定。用 np.random.seed() 固定随机种子可以让结果可复现，便于调试。

3.4 三组实验告诉你：改善瓶颈会转移

论文最有价值的地方是做了三组对照实验。第一组是基线：到达间隔 15~145 分钟，卸货时间 45~90 分钟。第二组通过改善设备、增加劳力把卸货时间缩短到 35~75 分钟。第三组在卸货时间不变的前提下，把到达间隔缩短到 10~120 分钟，也就是接纳更多船只。

把论文三个表里各六次模拟的结果取平均，整理成下面的对比。

看数据说话：缩短卸货时间后，船的平均停留时间从 102 降到 68 分钟，平均等待从 36 分钟降到 12 分钟，效果立竿见影。但代价是设备闲置百分比几乎翻倍——船卸得快，设备经常空着等船来。于是做第三组实验加密到港班次，闲置率确实降下来了，可船只等待又涨回 48 分钟，平均停留时间也回到 103 分钟。

这套数据讲了一个特别典型的管理学道理：瓶颈会转移。你按下葫芦浮起瓢，卸货能力上去了，到港频率不够，设备在空转；到港频率拉上去，卸货又成了瓶颈，船在码头排队。数学模型的价值就在这里——它让你在动真金白银改造之前，先看到系统里真正的瓶颈在哪，以及每一项改进的代价是什么。论文里这组对照实验的结论，放到今天的仓储、物流、港口运营分析里依然是标准套路。

4. 建模的四步骨架：提出问题、模型建构、验证改进、模型应用

4.1 提出问题：把运营痛点翻译成可优化的数学对象

看这两个案例，会发现它们的起点都不是“我要用数学”，而是一个具体的运营痛点：机场怎么排序才不亏钱，码头效率到底卡在哪。论文把这一步叫提出问题，强调要先了解实际经济管理问题的背景，理清对象的具体特征，再做调查分析获取数据。落到操作层面，这一步的产出物是三样东西：决策变量、目标函数、约束条件。

飞机模型里，决策变量是哪架飞机占哪个时段，目标函数是总费用最小，约束是每架飞机一个时段、每个时段一架飞机。码头模型里，决策变量不存在，取而代之的是随机变量——到达间隔和卸货时间服从什么分布，目标从“优化”变成“评估”：我要算平均停留、最长等待这些指标。同样是数学模型，一个走确定性优化路线，一个走随机模拟路线，分岔点就在问题提出阶段。

新手最容易犯的错是跳过这一步直接写公式。拿到一个业务问题，连“到底要改善什么指标”都没定清楚，建的模型自然对不上业务诉求。我一般会强制自己先写一句话：这个系统里谁做决策、决策空间是什么、什么算好什么算坏。写不清楚，说明问题还没理解透。

4.2 模型构建：先从简单假设开始，再逐步放开

论文在构建模型时有个明确的倾向：初始模型不宜太复杂。飞机模型先假设所有飞机用同一条跑道、占用跑道时间相同、各架飞机的起飞过程相互独立。码头模型先假设到达间隔和卸货时间都服从均匀分布。这些假设和现实有差距，但它们把问题压缩到可以用数学语言完整描述的程度，先跑通再谈改进。

这里有一个建模的节奏问题。很多初学者喜欢一上来就搞一个巨型模型，把所有现实因素都塞进去，结果既解不出来也解释不了。正确做法是循序渐进：第一版模型只抓主要矛盾，把次要因素都砍掉，等到模型能跑、能出结果、能验证逻辑，再逐条放开假设看结论变不变。如果放开某个假设后结论发生了翻转，说明这个因素很关键，值得深入研究；如果结论基本不变，说明这个因素在当前问题里可以忽略。

4.3 验证与改进：解不是算出来就完事

论文给模型验证与改进留了很大篇幅。算出来的最优解要代回现实问题里检验，看能不能真正解决业务痛点。具体要做几件事：检查模型能否说明变量之间的真实关系，判断解的合理性和存在性，有没有更简便的求解路径，以及模型内部有没有自相矛盾之处。

飞机模型里有个很好的验证例子：三架飞机的最优顺序是 3、1、2，让乘客最多的飞机先飞，这符合业务常识；第四架晚点 18 分钟的飞机插入后变成 4、1、2，晚点最久的优先，同样经得起推敲。如果模型算出一个违背常识的结果，先别急着怀疑常识，大概率是费用函数的参数标定出了问题。

参数的敏感性分析也属于这个阶段。论文算例里把几个费用系数都取成 1，这是为了演示方便。实际应用时，a 和 b 的量级可能差出几十倍，那最优解就可能变。做法是把每个参数从 0.5 倍扫到 2 倍，看最优次序是否稳定。如果参数稍微一动结果就翻盘，那这个模型离落地还有距离，得回炉重标参数。

4.4 工具选型：MATLAB、LINDO 与 Python 的分工

论文里提到的工具是 MATLAB、数学软件包和 LINDO。不同工具确实各有分工，按场景选能省不少力气。MATLAB 的优势是生态全，rand、unifrnd 生成随机数，intlinprog 解 0-1 规划，Simulink 做复杂仿真，论文写作和教学场景里几乎是标配。LINDO/LINGO 专攻优化问题，尤其是线性规划和整数规划，语法贴近数学模型本身，适合快速验证一个指派问题或排班问题的可行性。

Python 这几年的角色越来越重，numpy 做随机模拟、scipy.optimize 里的 linear_sum_assignment 解指派、pulp 和 ortools 解各类规划问题，免费开源、改起来灵活，适合和业务系统对接。下面的对比表可以帮你快速选型。

我的习惯是建模阶段用 Python 快速验证逻辑，因为改起来最快；论文或汇报里的标准图、标准结果用 MATLAB 出；如果问题明确是整数规划且规模不大，用 LINGO 写几行就能解，给业务方看也直观。工具不是关键，模型结构和参数标定才是决定结果质量的地方。

5. 避坑指南：数学模型案例复现里的五个翻车点

5.1 随机模拟只跑一次就写结论

现象：码头卸货模拟跑了一轮，平均停留时间 106 分钟，直接写进报告。换个随机种子再跑，变成 85 分钟，自己都说不清到底哪个准。

原因：随机数生成的结果天然带波动，单轮模拟只是众多可能情景中的一种，不代表期望水平。论文原话是“仅用一次计算的结果作为分析的依据显然是靠不住的”。

解决：多轮模拟取平均是标准做法。论文跑了 6 次取平均，实际项目中我一般跑 50~100 轮，同时把每轮结果的标准差一起报出来。标准差大说明系统波动剧烈，只报均值会掩盖风险。

5.2 把“之差”误当成绝对值，等待时间全算错

现象：照论文公式写代码时，等待时间写成 abs(depart[i-1] - arrive[i])，结果船早到和晚到都被算成“等待”，平均等待时间虚高，闲置时间也被污染。

原因：论文文字描述是“本船到达时间与上一艘船离港时间之差的绝对值”，初看像绝对值，但仔细想，等待只发生在“上一艘还没走”的情况下；上一艘早走了，那段时间是设备闲置，不是等待。差值为负时，真正的等待是 0，而不是一个正数。

解决：建模里严格用 max(0, depart[i-1] - arrive[i]) 表示等待，用 max(0, arrive[i] - depart[i-1]) 表示闲置。这两个公式互斥，一个为正另一个必为 0。凡是看到“差的绝对值”这种表述，先画时间轴确认业务语义，别直接抄进代码。

5.3 费用系数全部取 1，最优解经不起推敲

现象：飞机排队模型里把 a、b、alpha 全设成 1，得出人多的飞机先飞的结论。把燃料附加费系数调到 5 或者赔偿系数调到 0.2，最优顺序可能完全变了，结论脆弱得让人心虚。

原因：参数取 1 只是论文为了手算方便做的归一化。真实场景里，燃料成本、赔偿标准、品牌损失完全不在一个数量级，不标定就直接套用，模型输出的“最优”只是数学上的最优，不是业务上的最优。

解决：至少做一轮敏感性分析，把每个参数从 0.5 倍扫到 2 倍，看排序结论是否稳定。如果结论翻转，就得回到业务端找历史数据重新估计参数。这一步在论文里属于模型验证与改进，实际项目里属于必修课。

5.4 均匀分布硬套所有随机场景

现象：码头模拟用 U(15, 145) 的均匀分布模拟到达间隔，写进论文没问题。换到银行排队、仓库收货、网站请求这些场景，也照抄均匀分布，结果严重偏离现实。

原因：均匀分布只表达了“上下界之间等可能”，相当于对数据一无所知时的兜底假设。现实中顾客到达、货物到港往往成群出现，到达间隔更接近指数分布，单位时间内到达次数更接近泊松分布，事件到达率不是均匀铺开的。

解决：先做数据拟合。拿到历史到港记录，用卡方检验或直接画直方图看间隔分布形态，再决定用均匀分布、指数分布还是其他分布。机场和码头这类场景，泊松过程是更常见的先验假设。

5.5 指派模型规模一大就穷举

现象：飞机数量从 3 架增加到 15 架，写个全排列枚举所有起飞顺序，算到天黑没结果。15 架飞机的排列数是 15!，约 1.3 万亿种，穷举在数学上等于不可行。

原因：不知道 0-1 规划里的指派问题有专门解法。匈牙利算法把指数级穷举降成多项式时间，复杂度 O(n³)，15 架飞机毫秒级出结果。

解决：直接用 scipy.optimize.linear_sum_assignment 这类现成实现，或者用 LINGO 写几行指派模型。再大的规模可以上分支定界或启发式算法，但那是另一个话题了。记住一句话：组合优化问题先判断问题结构，再用对算法，别硬刚穷举。

提示：以上五条里，第 5.2 条是代码复现时最容易翻车的，很多照着论文公式写模拟的人都在“绝对值”上栽过跟头。写递推公式前画一下时间轴，比调半天 bug 快得多。

6. 把这套建模流程迁移到自己的选题：一个实用骨架

6.1 从业务描述里抓三个要素

拿到一个新的经济管理问题，先别急着找公式，按下面的顺序把要素填出来。第一个要素是决策变量，也就是管理者能控制的东西。飞机模型里是起飞顺序，码头模型里是设备数量和卸货能力——注意码头模型在第一版里没有决策变量，只有随机变量，这本身就是一种边界判断。第二个要素是随机变量，也就是不可控的输入。到达间隔、卸货时长、客户需求波动，都属于这类。第三个要素是成本结构，也就是“什么情况发生会花多少钱”。飞机晚了要赔转机费，码头闲着是资产浪费，把成本结构写清楚，目标函数自然就出来了。

以常见的仓库叉车调度为例：决策变量是每辆叉车派给哪个订单，随机变量是订单到达间隔和拣货时长，成本结构是订单超时赔付加叉车闲置成本。这三个要素一列，用哪类模型、要什么数据、算什么指标，全都清楚了。

6.2 动手前用检查清单过一遍

建模和写代码一样，最贵的是返工。我每次拿到这类专题资料或新案例，都会先花 20 分钟把下面的清单过一遍，再开始写代码。

6.3 写一个最小骨架再逐层加码

我个人的习惯，是先用最短的代码跑通一个最小骨架，让业务方看趋势方向对不对，再往里面加细节。码头模型的最小骨架就是那段 40 行 Python，能出平均等待和闲置率，够用了。确认方向没错，再逐层加：分时段到港概率、卸货时间按船型区分、季节性波动因子。每加一层，都要重新跑一遍对照实验，看结论有没有被新的假设带偏。

那以后我每次做这类经济管理分析，都强制自己先走一遍“要素提取 + 检查清单 + 最小骨架”的流程，跑完再决定往哪个方向细化。这套方法就是从这份专题资料里拆出来的，看着朴素，但帮我避免了好几次“模型做完了才发现方向不对”的返工。需要对照原文参数复现的，把这份《经济管理中数学模型案例分析》下载下来，边看表 2-2-1 和 2-2-3 边跑代码，效果比自己闷头啃公式好得多。希望帮到你。

本文还有配套的精品资源，点击获取