遗传算法流程图遗传算法交叉操作

遗传算法流程图  时间:2021-06-23  阅读:()

遗传算法可以解决什么问题

遗传算法的应用比较广泛,可用于解决数值优化、组合优化、机器学习、智能控制、人工生命、图像处理、模式识别等领域的问题。

比较具体多是:函数最值问题、旅行商问题、背包问题、车辆路径问题、生产排程问题、选址问题等。

什么是遗传?(要详细的资料和图片解说)

摘要   遗传是指经由基因的传递,使后代获得亲代的特征。

遗传学是研究此一现象的学科,目前已知地球上现存的生命主要是以DNA作为遗传物质。

除了遗传之外,决定生物特征的因素还有环境,以及环境与遗传的交互作用。

  [编辑本段]特点   遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法,与传统的优化算法相比,主要有以下特点:[1]   1、 遗传算法以决策变量的编码作为运算对象。

传统的优化算法往往直接决策变量的实际植本身,而遗传算法处理决策变量的某种编码形式,使得我们可以借鉴生物学中的染色体和基因的概念,可以模仿自然界生物的遗传和进化机理,也使得我们能够方便的应用遗传操作算子。

  2、 遗传算法直接以适应度作为搜索信息,无需导数等其它辅助信息。

  3、 遗传算法使用多个点的搜索信息,具有隐含并行性。

  4、 遗传算法使用概率搜索技术,而非确定性规则。

  [编辑本段]应用   由于遗传算法的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其它辅助知识,而只需要影响搜索方向的目标函数和相应的适应度函数,所以遗传算法提供了一种求解复杂系统问题的通用框架,它不依赖于问题的具体领域,对问题的种类有很强的鲁棒性,所以广泛应用于许多科学,下面我们将介绍遗传算法的一些主要应用领域:   1、 函数优化。

  函数优化是遗传算法的经典应用领域,也是遗传算法进行性能评价的常用算例,许多人构造出了各种各样复杂形式的测试函数:连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。

对于一些非线性、多模型、多目标的函数优化问题,用其它优化方法较难求解,而遗传算法可以方便的得到较好的结果。

遗传与生育   2、 组合优化   随着问题规模的增大,组合优化问题的搜索空间也急剧增大,有时在目前的计算上用枚举法很难求出最优解。

对这类复杂的问题,人们已经意识到应把主要精力放在寻求满意解上,而遗传算法是寻求这种满意解的最佳工具之一。

实践证明,遗传算法对于组合优化中的NP问题非常有效。

例如遗传算法已经在求解旅行商问题、 背包问题、装箱问题、图形划分问题等方面得到成功的应用。

  此外,GA也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用。

  [编辑本段]现状   进入90年代,遗传算法迎来了兴盛发展时期,无论是理论研究还是应用研究都成了十分热门的课题。

尤其是遗传算法的应用研究显得格外活跃,不但它的应用领域扩大,而且利用遗传算法进行优化和规则学习的能力也显著提高,同时产业应用方面的研究也在摸索之中。

此外一些新的理论和方法在应用研究中亦得到了迅速的发展,这些无疑均给遗传算法增添了新的活力。

遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。

儿童孤独症可能来自遗传   随着应用领域的扩展,遗传算法的研究出现了几个引人注目的新动向:一是基于遗传算法的机器学习,这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。

这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。

二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合,这对开拓21世纪中新的智能计算技术将具有重要的意义。

三是并行处理的遗传算法的研究十分活跃。

这一研究不仅对遗传算法本身的发展,而且对于新一代智能计算机体系结构的研究都是十分重要的。

四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。

所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象,其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象,而遗传算法在这方面将会发挥一定的作用,五是遗传算法和进化规划(Evolution Programming,EP)以及进化策略(Evolution Strategy,ES)等进化计算理论日益结合。

EP和ES几乎是和遗传算法同时独立发展起来的,同遗传算法一样,它们也是模拟自然界生物进化机制的只能计算方法,即同遗传算法具有相同之处,也有各自的特点。

目前,这三者之间的比较研究和彼此结合的探讨正形成热点。

  1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子(Adjacency based crossover),这个算子是特别针对用序号表示基因的个体的交叉,并将其应用到了TSP问题中,通过实验对其进行了验证。

  D.H.Ackley等提出了随即迭代遗传爬山法(Stochastic Iterated ic Hill-climbing,SIGH)采用了一种复杂的概率选举机制,此机制中由m个“投票者”来共同决定新个体的值(m表示群体的大小)。

实验结果表明,SIGH与单点交叉、均匀交叉的神经遗传算法相比,所测试的六个函数中有四个表现出更好的性能,而且总体来讲,SIGH比现存的许多算法在求解速度方面更有竞争力。

  H.Bersini和G.Seront将遗传算法与单一方法(simplex method)结合起来,形成了一种叫单一操作的多亲交叉算子(simplex crossover),该算子在根据两个母体以及一个额外的个体产生新个体,事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。

同时,文献还将三者交叉算子与点交叉、均匀交叉做了比较,结果表明,三者交叉算子比其余两个有更好的性能。

  国内也有不少的专家和学者对遗传算法的交叉算子进行改进。

2002年,戴晓明等应用多种群遗传并行进化的思想,对不同种群基于不同的遗传策略,如变异概率,不同的变异算子等来搜索变量空间,并利用种群间迁移算子来进行遗传信息交流,以解决经典遗传算法的收敛到局部最优值问题   2004年,赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象,提出了一种用基因块编码的并行遗传算法(Building-block Coded Parallel GA,BCPGA)。

该方法以粗粒度并行遗传算法为基本框架,在染色体群体中识别出可能的基因块,然后用基因块作为新的基因单位对染色体重新编码,产生长度较短的染色体,在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。

  2005年,江雷等针对并行遗传算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化。

  [编辑本段]一般算法   遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。

它的思想源于生物遗传学和适者生存的自然规律,是具有“生存+检测”的迭代过程的搜索算法。

遗传算法以一种群体中的所有个体为对象,并利用随机化技术指导对一个被编码的参数空间进行高效搜索。

其中,选择、交叉和变异构成了遗传算法的遗传操作;参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。

作为一种新的全局优化搜索算法,遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点,在各个领域得到了广泛应用,取得了良好效果,并逐渐成为重要的智能算法之一。

遗传算法是基于生物学的,理解或编程都不太难。

下面是遗传算法的一般算法:   ??   [编辑本段]创建一个随机的初始状态   ??初始种群是从解中随机选择出来的,将这些解比喻为染色体或基因,该种群被称为第一代,这和符号人工智能系统的情况不一样,在那里问题的初始状态已经给定了。

  ??评估适应度   ??对每一个解(染色体)指定一个适应度的值,根据问题求解的实际接近程度来指定(以便逼近求解问题的答案)。

不要把这些“解”与问题的“答案”混为一谈,可以把它理解成为要得到答案,系统可能需要利用的那些特性。

  ??繁殖(包括子代突变)   ??带有较高适应度值的那些染色体更可能产生后代(后代产生后也将发生突变)。

后代是父母的产物,他们由来自父母的基因结合而成,这个过程被称为“杂交”。

  ??下一代   ??如果新的一代包含一个解,能产生一个充分接近或等于期望答案的输出,那么问题就已经解决了。

如果情况并非如此,新的一代将重复他们父母所进行的繁衍过程,一代一代演化下去,直到达到期望的解为止。

  ??并行计算   ??非常容易将遗传算法用到并行计算和群集环境中。

一种方法是直接把每个节点当成一个并行的种群看待。

然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。

另一种方法是“农场主/劳工”体系结构,指定一个节点为“农场主”节点,负责选择有机体和分派适应度的值,另外的节点作为“劳工”节点,负责重新组合、变异和适应度函数的评估。

  [编辑本段]遗传算法-基本框架   1 GA的流程图   GA的流程图如下图所示   2 编码   遗传算法不能直接处理问题空间的参数,必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。

这一转换操作就叫做编码,也可以称作(问题的)表示(representation)。

  评估编码策略常采用以下3个规范:   a)完备性pleteness):问题空间中的所有点(候选解)都能作为GA空间中的点(染色体)表现。

  b)健全性(soundness): GA空间中的染色体能对应所有问题空间中的候选解。

  c)非冗余性(nonredundancy):染色体和候选解一一对应。

  目前的几种常用的编码技术有二进制编码,浮点数编码,字符编码,变成编码等。

  而二进值编码是目前遗传算法中最常用的编码方法。

即是由二进值字符集{0, 1}产生通常的0, 1字符串来表示问题空间的候选解。

它具有以下特点:   a)简单易行;   b)符合最小字符集编码原则;   c)便于用模式定理进行分析,因为模式定理就是以基础的。

  3 适应度函数   进化论中的适应度,是表示某一个体对环境的适应能力,也表示该个体繁殖后代的能力。

遗传算法的适应度函数也叫评价函数,是用来判断群体中的个体的优劣程度的指标,它是根据所求问题的目标函数来进行评估的。

  遗传算法在搜索进化过程中一般不需要其他外部信息,仅用评估函数来评估个体或解的优劣,并作为以后遗传操作的依据。

由于遗传算法中,适应度函数要比较排序并在此基础上计算选择概率,所以适应度函数的值要取正值.由此可见,在不少场合,将目标函数映射成求最大值形式且函数值非负的适应度函数是必要的。

  适应度函数的设计主要满足以下条件:   a)单值、连续、非负、最大化;   b) 合理、一致性;   c)计算量小;   d)通用性强。

  在具体应用中,适应度函数的设计要结合求解问题本身的要求而定。

适应度函数设计直接影响到遗传算法的性能。

  4 初始群体的选取   遗传算法中初始群体中的个体是随机产生的。

一般来讲,初始群体的设定可采取如下的策略:   a)根据问题固有知识,设法把握最优解所占空间在整个问题空间中的分布范围,然后,在此分布范围内设定初始群体。

  b)先随机生成一定数目的个体,然后从中挑出最好的个体加到初始群体中。

这种过程不断迭代,直到初始群体中个体数达到了预先确定的规模。

  [编辑本段]遗传算法-遗传操作   遗传操作是模拟生物基因遗传的做法。

在遗传算法中,通过编码组成初始群体后,遗传操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作,从而实现优胜劣汰的进化过程。

从优化搜索的角度而言,遗传操作可使问题的解,一代又一代地优化,并逼进最优解。

  遗传操作包括以下三个基本遗传算子(ic operator):选择(selection);交叉(crossover);变异(mutation)。

这三个遗传算子有如下特点:   个体遗传算子的操作都是在随机扰动情况下进行的。

因此,群体中个体向最优解迁移的规则是随机的。

需要强调的是,这种随机化操作和传统的随机搜索方法是有区别的。

遗传操作进行的高效有向的搜索而不是如一般随机搜索方法所进行的无向搜索。

  遗传操作的效果和上述三个遗传算子所取的操作概率,编码方法,群体大小,初始群体以及适应度函数的设定密切相关。

  1 选择   从群体中选择优胜的个体,淘汰劣质个体的操作叫选择。

选择算子有时又称为再生算子(reproduction operator)。

选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。

选择操作是建立在群体中个体的适应度评估基础上的,目前常用的选择算子有以下几种:适应度比例方法、随机遍历抽样法、局部选择法、局部选择法。

  其中轮盘赌选择法 (roulette wheel selection)是最简单也是最常用的选择方法。

在该方法中,各个个体的选择概率和其适应度值成比例。

设群体大小为n,其中个体i的适应度为,则i 被选择的概率,为   显然,概率反映了个体i的适应度在整个群体的个体适应度总和中所占的比例.个体适应度越大。

其被选择的概率就越高、反之亦然。

计算出群体中各个个体的选择概率后,为了选择交配个体,需要进行多轮选择。

每一轮产生一个[0,1]之间均匀随机数,将该随机数作为选择指针来确定被选个体。

个体被选后,可随机地组成交配对,以供后面的交叉操作。

  2 交叉   在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。

同样,遗传算法中起核心作用的是遗传操作的交叉算子。

所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。

通过交叉,遗传算法的搜索能力得以飞跃提高。

  交叉算子根据交叉率将种群中的两个个体随机地交换某些基因,能够产生新的基因组合,期望将有益基因组合在一起。

根据编码表示方法的不同,可以有以下的算法:   a)实值重组(real valued bination)   1)离散重组(discrete bination);   2)中间重组(intermediate bination);   3)线性重组(linear bination);   4)扩展线性重组(extended linear bination)。

  b)二进制交叉(binary valued crossover)   1)单点交叉(single-point crossover);   2)多点交叉(multiple-point crossover);   3)均匀交叉(uniform crossover);   4)洗牌交叉(shuffle crossover);   5)缩小代理交叉(crossover with reduced surrogate)。

  最常用的交叉算子为单点交叉(one-point crossover)。

具体操作是:在个体串中随机设定一个交叉点,实行交叉时,该点前或后的两个个体的部分结构进行互换,并生成两个新个体。

下面给出了单点交叉的一个例子:   个体A:1 0 0 1 ↑1 1 1 → 1 0 0 1 0 0 0 新个体   个体B:0 0 1 1 ↑0 0 0 → 0 0 1 1 1 1 1 新个体   3 变异   变异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动。

依据个体编码表示方法的不同,可以有以下的算法:   a)实值变异;   b)二进制变异。

  一般来说,变异算子操作的基本步骤如下:   a)对群中所有个体以事先设定的编译概率判断是否进行变异;   b)对进行变异的个体随机选择变异位进行变异。

  遗传算法导引入变异的目的有两个:一是使遗传算法具有局部的随机搜索能力。

当遗传算法通过交叉算子已接近最优解邻域时,利用变异算子的这种局部随机搜索能力可以加速向最优解收敛。

显然,此种情况下的变异概率应取较小值,否则接近最优解的积木块会因变异而遭到破坏。

二是使遗传算法可维持群体多样性,以防止出现未成熟收敛现象。

此时收敛概率应取较大值。

  遗传算法中,交叉算子因其全局搜索能力而作为主要算子,变异算子因其局部搜索能力而作为辅助算子。

遗传算法通过交叉和变异这对相互配合又相互竞争的操作而使其具备兼顾全局和局部的均衡搜索能力。

所谓相互配合.是指当群体在进化中陷于搜索空间中某个超平面而仅靠交叉不能摆脱时,通过变异操作可有助于这种摆脱。

所谓相互竞争,是指当通过交叉已形成所期望的积木块时,变异操作有可能破坏这些积木块。

如何有效地配合使用交叉和变异操作,是目前遗传算法的一个重要研究内容。

  基本变异算子是指对群体中的个体码串随机挑选一个或多个基因座并对这些基因座的基因值做变动(以变异概率P.做变动),(0,1)二值码串中的基本变异操作如下:   基因位下方标有*号的基因发生变异。

  变异率的选取一般受种群大小、染色体长度等因素的影响,通常选取很小的值,一般取0.001-0.1。

  终止条件   当最优个体的适应度达到给定的阀值,或者最优个体的适应度和群体适应度不再上升时,或者迭代次数达到预设的代数时,算法终止。

预设的代数一般设置为100-500代。

  [编辑本段]遗传算法-求解算法的特点分析   遗传算法作为一种快捷、简便、容错性强的算法,在各类结构对象的优化过程中显示出明显的优势。

与传统的搜索方法相比,遗传算法具有如下特点:   a)搜索过程不直接作用在变量上,而是在参数集进行了编码的个体。

此编码操作,使得遗传算法可直接对结构对象(集合、序列、矩阵、树、图、链和表)进行操作。

  b)搜索过程是从一组解迭代到另一组解,采用同时处理群体中多个个体的方法,降低了陷入局部最优解的可能性,并易于并行化。

  c)采用概率的变迁规则来指导搜索方向,而不采用确定性搜索规则。

  d)对搜索空间没有任何特殊要求(如连通性、凸性等),只利用适应性信息,不需要导数等其它辅助信息,适应范围更广。

  [编辑本段]术语说明   由于遗传算法是由进化论和遗传学机理而产生的搜索算法,所以在这个算法中会用到很多生物遗传学知识,下面是我们将会用来的一些术语说明:   一、染色体(Chronmosome)   染色体又可以叫做基因型个体(individuals),一定数量的个体组成了群体(population),群体中个体的数量叫做群体大小。

  二、基因(Gene)   基因是串中的元素,基因用于表示个体的特征。

例如有一个串S=1011,则其中的1,0,1,1这4个元素分别称为基因。

它们的值称为等位基因(Alletes)。

  三、基因地点(Locus)   基因地点在算法中表示一个基因在串中的位置称为基因位置(Gene Position),有时也简称基因位。

基因位置由串的左向右计算,例如在串 S=1101 中,0的基因位置是3。

  四、基因特征值(Gene Feature)   在用串表示整数时,基因的特征值与二进制数的权一致;例如在串 S=1011 中,基因位置3中的1,它的基因特征值为2;基因位置1中的1,它的基因特征值为8。

  五、适应度(Fitness)   各个个体对环境的适应程度叫做适应度(fitness)。

为了体现染色体的适应能力,引入了对问题中的每一个染色体都能进行度量的函数,叫适应度函数. 这个函数是计算个体在群体中被使用的概率。

  [编辑本段]参考资料   1.《计算机教育》第10期 作者:王利   2.遗传算法——理论、应用与软件实现 王小平、曹立明著   3.同济大学计算机系 王小平编写的程序代码   参考资料   1. 中新网:英13岁少女患家族遗传怪病 满脸皱纹像老人,2010年01月27日 /gj/gj-ywdd2/news/2010/01-27/2094204.shtml

什么是遗传算法

遗传算法是一种最优化算法,所谓最优化问题,就是这样一类问题,满足它的解(称为可行解)有很多(通常是极多)对于每一种解有一个评价函数得到一个评价值,也就确定了解集的一个偏序关系,在这个偏序关系的求最小值(或最大值)或者近似最小值(或最大值)。

相关资料: /show.php?tid=306

遗传算法的发展过程?

遗传算法起源于对生物系统进行的计算机模拟研究。

早在20世纪40年代,就有学者开始研究利用计算机进行生物模拟的技术,他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。

早期的研究特点是侧重于对一些复杂操作的研究。

最早意识到自然遗传算法可以转化为人工智能算法的是J.H.Hnllaad教授。

1965年,Holland教授首次提出了人工智能操作的重要性,并将其应用到自然系统和人工系统中。

1967年,Holland教授的学生.J.D.Bagley在其博士论文中首次提出了“遗传算法”一词,并发表了遗传算法应用方面的第一篇论文,从而创立了自适应遗传算法的概念e J.D.Bagley发展了复制、交叉、变异、显性、倒位等遗传算子,在个体编码上使用了双倍体的编码方法。

1970年,hio把遗传算法应用

于模式识别。

Holistien最早把遗传算法应用于函数优化。

20世纪70年代初,Holland教授提出了遗传算法的基本定理—模式定理,从而奠定了遗传算法的理论基础。

模式定理揭示出种群中优良个体(较好的模式)的样本数将以指数级规律增长,因而从理论上保证了遗传算法是一个可以用来寻求最优可行解的优化过程。

1975年,Holland教授出版了第一本系统论述遗传算法和人工自适应系统的专著《自然系统和人工系统的自适应性》。

同年,K.A.De Song在博士论文《遗传自适应系统的行为分析》‘护结合模式定理进行了大量的纯数值函数优化计算实验,建立了遗传算法的工作框架,为遗传算法及其应用打下了坚实的基础,他所得出的许多结论迄今仍具有普遍的指导意义。

20世纪80年代,Hntland教授实现了第一个基于遗传算法的机器学习系统—分类器系统(Classifier Systems,简称CS),提出了基于遗传算法的机器学习的新概念,为分类器系统构造出了一个完整的框架。

1989年,D.J.Goldberg出版了专著—《搜索、优化和机器学习中的遗传算法》。

该书系统总结了遗传算法的主要研究成果,全面而完整地论述了遗传算法的基本原理及其应用。

可以说这本书奠定了现代遗传算法的科学基础,为众多研究和发展遗传算法的学者所瞩目。

1991年,L,Davis编辑出版了《遗传算法手册》一书,书中包括了遗传算法在科学计算、工程技术和社会经济中的大量应用样本,为推广和普及遗传算法的应用起到了重要的指导作用。

1992年,J.R.Koza将遗传算法应用于计算机程序的优化设计及自动生成,提出了遗传规划(ic Programming,简称GP)的概念。

遗传算法的介绍

遗传算法(ic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。

遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的,而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。

每个个体实际上是染色体(chromosome)带有特征的实体。

染色体作为遗传物质的主要载体,即多个基因的集合,其内部表现(即基因型)是某种基因组合,它决定了个体的形状的外部表现,如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。

因此,在一开始需要实现从表现型到基因型的映射即编码工作。

由于仿照基因编码的工作很复杂,我们往往进行简化,如二进制编码,初代种群产生之后,按照适者生存和优胜劣汰的原理,逐代(generation)演化产生出越来越好的近似解,在每一代,根据问题域中个体的适应度(fitness)大小选择(selection)个体,并借助于自然遗传学的遗传算子(ic operators)进行组合交叉(crossover)和变异(mutation),产生出代表新的解集的种群。

这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码(decoding),可以作为问题近似最优解。

遗传算法交叉操作

for i = 1 : 2 : Size-1%个体两两交叉,不重复 temp = rand;%随机交叉概率值 if Pc > temp%%若随机交叉概率值满足交叉概率,则进行交叉 alfa = rand;%交叉算子 TempE(i,:) = alfa*E(i+1,:) + (1-alfa)*E(i,:);%无条件交叉 TempE(i+1,:) = alfa*E(i,:) + (1-alfa)*E(i+1,:);%无条件交叉 end end 从程序可以看出,当两个个体满足交叉概率后每个基因即进行无条件交叉,应属于多点交叉的范畴。

  • 遗传算法流程图遗传算法交叉操作相关文档

Digital-VM暑期全场六折优惠,8个机房

Digital-VM商家目前也在凑热闹的发布六月份的活动,他们家的机房蛮多的有提供8个数据中心,包括日本、洛杉矶、新加坡等。这次六月份的促销活动全场VPS主机六折优惠。Digital-VM商家还是有一点点特点的,有提供1Gbps和10Gbps带宽的VPS主机,如果有需要大带宽的VPS主机可以看看。第一、商家优惠码优惠码:June40全场主机六折优惠,不过仅可以月付、季付。第二、商家VPS主机套餐1...

hostodo:2021美国独立日7折优惠促销NVMe硬盘的VPS,低至$13/年,还送DirectAdmin授权

7月4日是美国独立日,大致就是国庆节的意思吧。hostodo今年提前搞了个VPS大促销活动,4款便宜VPS,相当于7折,续费不涨价,本次促销不定时,不知道有多少货,卖完为止。VPS基于KVM虚拟,NVMe阵列,1Gbps带宽,自带一个IPv4+/64 IPv6,solusvm管理,送收费版DirectAdmin授权,VPS在用就有效! 官方网站:https://www.hostodo.com ...

随风云25元/月 ,德阳高防云服务器 2核2G 10M 75元/月 内蒙古三线BGP服务器 2核2G 5M

公司介绍成都随风云科技有限公司成立于2021年,是国内领先的互联网业务平台服务提供商。公司专注为用户提供低价高性能云计算产品,致力于云计算应用的易用性开发,并引导云计算在国内普及。目前公司研发以及运营云服务基础设施服务平台(IaaS),面向全球客户提供基于云计算的IT解决方案与客户服务,拥有丰富的国内BGP、双线高防、香港等优质的IDC资源。公司一直秉承”以人为本、客户为尊、永续创新&...

遗传算法流程图为你推荐
财务系统软件财务管理软件是什么软件动态图片格式动态图片什么格式全局钩子delphi 键盘全局钩子erp系统教程如何使用ERP系统操作?flash序列号急求flash序列号validdatevalid use date 什么意思微盟价格微盟怎么收费?windows7中文语言包windows7英文改中文 windows英文版怎么安装中文语言包asp论坛源码ASP论坛源代码为什么上传到ASP空间后打不开cpu仪表盘华硕cpu温度显示搞没了怎么设备回来啊
成都虚拟主机 美国主机评测 godaddy优惠券 地址大全 灵动鬼影 元旦促销 太原联通测速平台 php空间申请 柚子舍官网 太原网通测速平台 江苏双线服务器 域名dns smtp服务器地址 什么是web服务器 lamp怎么读 腾讯网盘 后门 域名和主机 ssl加速 九零网络 更多