• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    深度強化學習算法求解作業(yè)車間調(diào)度問題

    2021-12-12 02:52:12李寶帥葉春明
    計算機工程與應用 2021年23期
    關(guān)鍵詞:規(guī)則動作

    李寶帥,葉春明

    上海理工大學 管理學院,上海 200093

    作業(yè)車間調(diào)度問題是常見的調(diào)度問題之一,其目標是在一定約束條件下對工件和機器按時間進行分配并安排加工次序,使得加工性能指標達到最優(yōu)。針對作業(yè)車間調(diào)度問題的求解,有精確算法與近似求解算法可用于求解。精確算法如分支定界法、線性規(guī)劃法等,但其局限性是在大規(guī)模調(diào)度問題上無法適用。近似求解算法可分為啟發(fā)式算法與元啟發(fā)式算法,可在短時間內(nèi)獲得調(diào)度問題的較優(yōu)解。張騰飛等[1]利用改變初始解的生成方式、對染色體進行分段編碼以及使用交叉算子等措施對遺傳算法進行改進,并在標準算例上驗證了改進遺傳算法在柔性車間調(diào)度問題上的高效性;劉洪銘等[2]通過對粒子群算法中慣性系數(shù)、參數(shù)因子以及初始群生成方式進行改進,求解以機器加工時間最短為目標的車間調(diào)度問題。啟發(fā)式方法,即調(diào)度規(guī)則也適用于解決調(diào)度問題,Panwalkar等[3]對調(diào)度規(guī)則進行了研究,系統(tǒng)總結(jié)了共113種調(diào)度規(guī)則,并對每條調(diào)度規(guī)則進行了相應描述;Mouelhi-Chibani等[4]利用小規(guī)模問題訓練神經(jīng)網(wǎng)絡,根據(jù)系統(tǒng)狀態(tài)實時選擇兩種調(diào)度規(guī)則進行調(diào)度,實驗結(jié)果證明優(yōu)于單一靜態(tài)的調(diào)度規(guī)則選取方法。

    強化學習算法擁有自決策的特點,可根據(jù)生產(chǎn)狀態(tài)進行策略調(diào)整。Riedmiller等[5]首先利用強化學習對車間調(diào)度問題進行研究,利用強化學習方法,每個智能體對應每個機器,使用Q-learning算法學習車間中的調(diào)度策略以減少總拖延時間,在單一案例和多重案例上驗證了算法有效性和泛化性;Aydin等[6]提出一種基于強化學習的動態(tài)調(diào)度系統(tǒng),通過改進Q-learning算法,訓練智能體根據(jù)車間狀態(tài)變化選擇當前最優(yōu)的調(diào)度規(guī)則,在仿真系統(tǒng)中與單一調(diào)度規(guī)則進行對比,體現(xiàn)了算法優(yōu)越性;Wang等[7]針對車間調(diào)度問題,利用Q-learning訓練一個單機調(diào)度系統(tǒng),選擇三個調(diào)度規(guī)則來最小平均延誤時間;Wang[8]基于強化學習方法,提出一種聚類與自適應調(diào)度策略的加權(quán)Q-learning來解決動態(tài)調(diào)度問題;張東陽等[9]針對置換流水車間調(diào)度問題,利用Q-learning算法引入狀態(tài)變量與動作變量,將調(diào)度問題映射到強化學習問題中,算法在標準算例上表現(xiàn)優(yōu)異。

    但長期以來,強化學習的應用受限于問題規(guī)模解決問題本質(zhì)上的低維度性,無法解決大規(guī)模問題與高維度問題,深度神經(jīng)網(wǎng)絡的融入解決了這一難題。Mnih等[10-11]提出了深度Q網(wǎng)絡(Deep Q Network,DQN),使用神經(jīng)網(wǎng)絡擬合值函數(shù),設置獨立的目標網(wǎng)絡以及經(jīng)驗回放機制,用于多款游戲的訓練,并在多個游戲中擊敗了專業(yè)人類玩家。此后深度強化學習算法快速發(fā)展,同樣應用于車間調(diào)度領(lǐng)域,肖鵬飛等[12]利用改進的DQN算法,通過定義狀態(tài)空間、動作空間和獎懲函數(shù),把調(diào)度問題轉(zhuǎn)換為多階段決策問題,將機器實時加工狀態(tài)作為數(shù)據(jù)特征作為輸入,輸出最優(yōu)生產(chǎn)周期對應的調(diào)度規(guī)則組合,解決以最大完成時間為目標的非置換流水車間調(diào)度問題,在標準問題上驗證了有效性;Liu等[13]提出一種異步更新和深度確定性策略梯度(Deep Deterministic Policy Gradient,DDPG)的并行算法解決作業(yè)車間調(diào)度問題,采用多個智能體,將狀態(tài)空間表示為三矩陣形式,設置調(diào)度規(guī)則集為動作空間,對調(diào)度問題進行了轉(zhuǎn)換與研究;Luo[14]利用深度雙Q網(wǎng)絡[15](Double DQN)算法研究了柔性車間調(diào)度問題,將柔性車間調(diào)度問題視為馬爾可夫決策過程,設計七個狀態(tài)特征表示生產(chǎn)狀態(tài),提出了六種復合調(diào)度規(guī)則作為動作空間,與Q-learning算法、多個調(diào)度規(guī)則在實例問題上進行對比,體現(xiàn)了算法的優(yōu)越性與通用性;Yang等[16]利用DQN及DDQN算法以總延誤為目標,研究了新作業(yè)到達下的動態(tài)置換流水作業(yè)調(diào)度問題,分別設計五種狀態(tài)特征作為狀態(tài)空間,五個調(diào)度規(guī)則作為動作空間,與元啟發(fā)式算法在調(diào)度問題上進行對比,驗證了算法的優(yōu)越性。

    綜上所述,已有將DQN及其變體應用于調(diào)度問題的研究,本文利用DQN的改進版本,即DDQN與競爭網(wǎng)絡架構(gòu)的DQN算法[17](Dueling DQN)結(jié)合而成的D3QN(Double Deep Q-Learning Network with Dueling Architecture)解決作業(yè)車間調(diào)度問題。D3QN算法對DQN進行改進,算法使用兩個Q網(wǎng)絡進行學習,實現(xiàn)動作選擇與動作狀態(tài)值函數(shù)的解耦,解決了DQN過高的值函數(shù)估計[18],并且利用競爭網(wǎng)絡模型代替DQN算法中的網(wǎng)絡模型,可以解決獎勵偏見問題,學習到更真實的價值函數(shù)。本文創(chuàng)新點在于通過定義狀態(tài)空間、動作空間和獎懲函數(shù)將調(diào)度問題轉(zhuǎn)化為一系列序列決策過程,利用D3QN算法對車間調(diào)度問題進行研究。在標準算例上與智能優(yōu)化算法的實驗結(jié)果對比驗證了算法的有效性,同時算法原理上基于神經(jīng)網(wǎng)絡與強化學習,也適用于解決動態(tài)調(diào)度問題。

    1 基本原理

    1.1 強化學習

    強化學習(Reinforcement Learning,RL)是機器學習的重要分支之一[19]。RL的本質(zhì)是互動學習,目標是使智能體在與環(huán)境的交互過程中獲得最大的累計獎勵值,從而學得對自身動作的最優(yōu)控制。RL的數(shù)學基礎理論基于馬爾可夫決策過程(Markov Decision Processes,MDP)。

    1.1.1 馬爾可夫決策過程

    馬爾可夫性質(zhì)(Markov Property)指的是系統(tǒng)的下一個狀態(tài)只與目前狀態(tài)有關(guān),而與之前的所有狀態(tài)都不相關(guān)。如果一個系統(tǒng)具有馬爾可夫性質(zhì),則可根據(jù)當前狀態(tài)與動作預測未來狀態(tài)和獎勵[20],馬爾可夫性質(zhì)使得馬爾可夫決策過程易于表示,滿足馬爾可夫性質(zhì)的RL任務稱為MDP[21],具體而言,一個馬爾可夫決策過程可由一個四元組組成,即MDP=(S,A,Psa,R)。S為狀態(tài)空間集合,A為動作空間集合,Psa為狀態(tài)轉(zhuǎn)移概率,表示在當前狀態(tài)下執(zhí)行動作后轉(zhuǎn)移到另一個狀態(tài)的概率,R為獎勵函數(shù)。

    1.1.2 強化學習求解

    在RL中,智能體從環(huán)境中不斷采樣,最終目標是學習到一個最優(yōu)動作策略π*,即在任意時間步中執(zhí)行動作a所得到的累計獎勵R最大。在實際應用中,通常用折扣未來獎勵累計獎勵G1來表示時間步t內(nèi)的未來累計獎勵,即:

    其中γ是折扣因子。狀態(tài)值函數(shù)v(s)是表示在狀態(tài)s下執(zhí)行動作a得到的獎勵期望:

    動作值函數(shù)q(s,a)是評估當前智能體在狀態(tài)s下選擇動作a的好壞程度:

    最優(yōu)值函數(shù)是在每一個狀態(tài)上,其值大于其他值函數(shù)在該狀態(tài)的值的值函數(shù),即:

    值函數(shù)的貝爾曼方程為:

    基于式(3)、(4)、(5),可以得到最優(yōu)貝爾曼方程:

    1.2 深度學習

    深度學習是一種有監(jiān)督的學習方法,使用神經(jīng)網(wǎng)絡對原始數(shù)據(jù)特征進行多步特征轉(zhuǎn)換,不斷對原始數(shù)據(jù)中的特征進行表征,最終得到可表示數(shù)據(jù)本質(zhì)特征的高維抽象特征[22]。目前,深度學習采用的模型主要是神經(jīng)網(wǎng)絡模型。

    1.2.1 深度神經(jīng)網(wǎng)絡

    深度學習的核心是深度神經(jīng)網(wǎng)絡,神經(jīng)網(wǎng)絡可看作非線性模型,其基本組成單位時具有非線性激活函數(shù)的神經(jīng)元,通過大量神經(jīng)元的連接,神經(jīng)網(wǎng)絡成為非線性的模型。如圖1所示是神經(jīng)元與多層前饋神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖。

    圖1 神經(jīng)元與多層前饋神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig.1 Neuron and multi-layer feedforward neural network structure

    神經(jīng)元由連接、求和節(jié)點和激活函數(shù)構(gòu)成,其實現(xiàn)了對輸入數(shù)據(jù)的非線性變化。多層前饋神經(jīng)網(wǎng)絡一般由多個網(wǎng)絡層組成,每層網(wǎng)絡層都由多個神經(jīng)元構(gòu)成。深度學習首先通過對有標簽數(shù)據(jù)的訓練得到網(wǎng)絡模型,之后進入預測階段,新數(shù)據(jù)輸入網(wǎng)絡模型,最后得到新數(shù)據(jù)的預測結(jié)果。

    1.2.2 神經(jīng)網(wǎng)絡優(yōu)化方法

    神經(jīng)網(wǎng)絡優(yōu)化目標是找到更好的局部最小值及提高優(yōu)化效率,其改善方法可分為以下幾類:

    (1)使用更有效的優(yōu)化算法來提高梯度下降的效率和穩(wěn)定性,如使用學習率衰減、周期學習率調(diào)整等自適應調(diào)整學習率方法;使用動量法、Adam算法對梯度估計進行修正。

    (2)改進參數(shù)初始化方法。參數(shù)設置在神經(jīng)網(wǎng)絡中非常關(guān)鍵,可使用隨機初始化方法,如正交初始化方法、基于方差縮放的初始化方法來提高神經(jīng)網(wǎng)絡的訓練效果。

    (3)修改神經(jīng)網(wǎng)絡模型,比如使用逐層歸一化,Relu激活函數(shù)以及殘差鏈接等。

    2 深度強化學習方法

    2.1 調(diào)度問題的轉(zhuǎn)換

    利用深度強化學習方法研究車間調(diào)度問題,首先需進行車間調(diào)度問題向馬爾可夫決策過程的轉(zhuǎn)化,使得調(diào)度問題可以得到較好的表示與解決,首先需要適當定義車間調(diào)度問題中的狀態(tài)空間、動作空間與獎懲函數(shù)。

    2.1.1 狀態(tài)空間

    狀態(tài)空間是調(diào)度過程中所有狀態(tài)的集合,為了充分表示調(diào)度過程中的狀態(tài)變化,狀態(tài)空間的表示應該遵循以下原則:

    狀態(tài)特征可描述調(diào)度環(huán)境的主要特征和變化;狀態(tài)特征的選擇應該與調(diào)度目標相關(guān),否則會造成特征冗余;不同調(diào)度問題的所有狀態(tài)都用一個共同的特征集來表示;狀態(tài)特征是對狀態(tài)屬性的數(shù)值表示,狀態(tài)特征應易于計算與表示。

    本文采用文獻[23]的方法,將狀態(tài)特征表示為三個矩陣的形式,第一個矩陣為各工件每個工序的處理時間所組成的矩陣,第二個矩陣為當前時間步長的調(diào)度結(jié)果組成的矩陣,第三個矩陣為機器利用率組成的矩陣。以一個3×3的調(diào)度例子說明,如圖2所示為前三個工序的調(diào)度過程與狀態(tài)空間矩陣的轉(zhuǎn)化,在初始狀態(tài),處理時間矩陣里面每個值都是工序的加工時間,調(diào)度結(jié)果矩陣與機器利用率矩陣都為零,當前三個工序加工完成時,處理時間矩陣中已完成的工序轉(zhuǎn)換為零,調(diào)度結(jié)果矩陣轉(zhuǎn)換已完成的工序,機器利用率矩陣也進行相應的轉(zhuǎn)換。

    圖2 狀態(tài)空間矩陣轉(zhuǎn)化情況圖Fig.2 State space matrix transformation

    2.1.2 動作空間

    動作空間為智能體在當前狀態(tài)下可采取動作的集合。在調(diào)度問題中,智能體執(zhí)行的動作是根據(jù)調(diào)度規(guī)則選擇優(yōu)先加工的作業(yè),動作空間的選取為啟發(fā)式行為,為避免單一規(guī)則的短視性,選擇多個與最大完工時間相關(guān)的調(diào)度規(guī)則作為動作空間。為了更好地確定調(diào)度規(guī)則,選取的調(diào)度規(guī)則要盡可能多樣化,調(diào)度規(guī)則本身可以與調(diào)度目標相關(guān),也可以不相關(guān),選擇多樣化的調(diào)度規(guī)則來充分發(fā)揮智能體從經(jīng)驗中學習的能力。本文共選取了20個調(diào)度規(guī)則,如表1所示。

    表1 調(diào)度規(guī)則Table 1 Scheduling rules

    應用基于矩陣形式的狀態(tài)空間與以調(diào)度規(guī)則為動作空間的調(diào)度轉(zhuǎn)化方法,適應深度強化學習算法要求,根據(jù)生產(chǎn)狀態(tài)的變化選取調(diào)度規(guī)則,可以充分發(fā)揮算法的自主決策與優(yōu)化能力。相較于元啟發(fā)式算法傳統(tǒng)的兩段式編碼解碼方法,更能體現(xiàn)機器與加工工件在加工過程中的變化,更貼近實際生產(chǎn)狀態(tài)的變化。

    2.1.3 獎勵函數(shù)

    獎勵函數(shù)選取適當與否與深度強化學習效果相關(guān),短期獎勵可以看作是每個動作的短期回報,也代表該動作對調(diào)度方案的短期影響。累計獎勵反應的是每個動作產(chǎn)生的獎勵總和,深度強化學習的最終目標就是最大化累計獎勵。

    本文的調(diào)度目標是最小最大完工時間,這一目標可通過最大加工機器利用率來進行轉(zhuǎn)換,因此使用平均機器利用率來表示機器加工的利用率,平均機器利用率可以表示為:

    U為平均機器利用率,M為機器數(shù),Cmax為最大完工時間,Tijm是機器加工工件某工序所需時間。令R=U,則獎勵函數(shù)可以表示為:

    2.2 D3QN算法

    D3QN算法以DQN算法為基礎,結(jié)合了Double DQN與Dueling DQN。Double DQN可解決DQN過高的值函數(shù)估計問題,由于DQN算法在根據(jù)下一時間步的狀態(tài)選擇動作的過程中可能會選擇過高的估計值,從而導致過高的值函數(shù)估計,因此Double DQN在計算目標Q值時使用兩個不同的網(wǎng)絡模型參數(shù),使得動作的選擇和動作的狀態(tài)值估計解耦,進而可避免過高的值函數(shù)估計。Dueling DQN對DQN網(wǎng)絡架構(gòu)進行修改,大幅提升了學習效果,如圖3所示,Dueling DQN對于DQN的改進在于全連接層,將全連接層改為兩個流,一條輸出關(guān)于價值的函數(shù),另一條輸出關(guān)于動作的優(yōu)勢函數(shù)的值,二者結(jié)合成價值函數(shù),智能體可學習到在沒有動作影響下更真實的價值函數(shù)。

    圖3 Dueling DQN與DQN網(wǎng)絡架構(gòu)對比圖Fig.3 Dueling DQN versus DQN network architecture

    2.2.1 探索與利用

    探索的目的是找到更多有關(guān)環(huán)境的信息,而利用的目的是利用已知的環(huán)境信息來最大限度地提高獎勵。在算法嘗試次數(shù)有限的前提下,探索和利用兩者本身是矛盾的,增加探索的次數(shù)就會降低利用的次數(shù),反之亦然,因此必須平衡探索與利用的次數(shù),以達到最大累計獎勵。本文使用ε-貪婪算法來實現(xiàn)智能體的探索與利用,ε-貪婪算法的數(shù)學表達式為:

    P=ε表示算法以ε的概率選擇動作空間的動作,P=1-ε表示算法以1-ε的概率選擇當前時間步內(nèi)價值最大的動作作為下個時間步要執(zhí)行的動作。

    2.2.2 算法流程與實施

    本文利用結(jié)合DDQN與Dueling DQN算法的D3QN算法應用于作業(yè)車間調(diào)度問題,D3QN算法框架如下:

    (1)初始化復用池D的容量為N;初始化動作值函數(shù)Q,設置隨機權(quán)重θ;初始化目標動作值網(wǎng)絡Q?,權(quán)重參數(shù)為θ-=θ。

    (2)forepisode=1,Mdo;初始化序列以及第一個對狀態(tài)的預處理序列。

    (3)fort=1,Tdo;以ε的概率隨機選擇一個動作at否則選擇。

    (4)在調(diào)度環(huán)境中執(zhí)行動作at并安排優(yōu)先級最高的工件,將完成的工序從第一個矩陣中刪除并加入到第二個矩陣中。

    (5)觀察獎勵ri和下一個狀態(tài)st+1;下一個狀態(tài)st+1=st,at,xi+1,下一個預處理序列?t+1=?(st+1)。

    (6)存儲樣本于經(jīng)驗復用池D中,隨機抽取小批量樣本(?j,aj,rj,?j+1)。

    (7)計算每個樣本的TD目標差,在(yt-Q(?j,aj;θ))2上執(zhí)行梯度下降;每隔c步重設Q?=Q。

    算法共有兩個循環(huán),算法開始階段,將一個調(diào)度實例的工序處理時間矩陣、調(diào)度結(jié)果矩陣以及機器利用率矩陣組成的三通道矩陣輸入卷積神經(jīng)網(wǎng)絡,輸出是單個動作的預測Q值。在episode開始時,調(diào)度方案被重置,獲得初始狀態(tài)s0,在t≤T時,智能體觀察當前狀態(tài),根據(jù)ε-貪婪策略執(zhí)行一個動作,在動作執(zhí)行以后,具有最高優(yōu)先級的工件進行處理,完成的工序會從工件工序處理時間矩陣中刪除,剩余的工序仍然保存在當前時間步長處理結(jié)果矩陣中。之后智能體得到獎勵r1并觀察下一個狀態(tài)st+1,并將序列(?t,at,rt,?t+1)存入經(jīng)驗復用池。當經(jīng)驗復用池中存儲了足夠多的樣本后,從其中隨機取出小批量樣本,計算每個樣本的TD差,之后對θ執(zhí)行梯度下降法求解,每隔c步重設Q?=Q。算法流程如圖4所示。

    3 實例驗證

    3.1 模型與參數(shù)設置

    本文應用算法為Dueling Double DQN(D3QN),基于Python語言與Tensorflow2.0框架實現(xiàn),配置Intel Core i5-9300H CPU@2.40 GHz,RAM 16 GB。在D3QN中,第一層為狀態(tài)空間輸入層,之后連接三個卷積層,在進行卷積操作后,將提取的特征分流競爭網(wǎng)絡層,競爭網(wǎng)絡層包括兩個支路,價值網(wǎng)絡和優(yōu)勢動作網(wǎng)絡,二者都是完全連接的,價值網(wǎng)絡只有一個輸出,動作優(yōu)勢網(wǎng)絡的輸出與動作空間一樣多,二者最終匯合到一起得Q值,卷積層激活函數(shù)選用Relu,算法模型結(jié)構(gòu)如圖5所示。

    參數(shù)設置對于算法的表現(xiàn)具有較大影響,但參數(shù)范圍較廣,難以確定合適參數(shù),因此遵循一般的設置原則。部分參數(shù)設置如表2所示。

    圖4 算法流程圖Fig.4 Algorithm process

    圖5 算法模型結(jié)構(gòu)圖Fig.5 Algorithm model structure

    表2 D3QN模型部分參數(shù)設置Table 2 Some parameter settings for D3QN model

    3.2 算例實驗與分析

    為驗證算法的有效性,對算法進行實例驗證,選取的實例來源于已公開的FT、LA、SWV[23]基準測試實例。

    本文選取最大完工時間為評價指標,算法的動作空間為調(diào)度規(guī)則,因此選用兩個單一調(diào)度規(guī)則以及標準遺傳算法、粒子群算法與本算法進行比較,算例實驗對比情況如表3所示,其中最優(yōu)調(diào)度結(jié)果以粗體顯示。

    表3 實驗結(jié)果對比Table 3 Comparison of experimental results

    分析表3可知,D3QN在標準算例上的表現(xiàn)明顯優(yōu)于單一調(diào)度規(guī)則,相較于標準遺傳算法和粒子群算法,在小規(guī)模問題的表現(xiàn)上具有一定優(yōu)勢,雖在部分問題上也并未取得最優(yōu)解,但在大規(guī)模問題的表現(xiàn)上明顯較好。在面對大規(guī)模問題時,D3QN雖未在調(diào)度問題上取得最優(yōu)解,但所求解的質(zhì)量下降較為緩慢,且這一趨勢會隨著問題規(guī)模的增大而更為明顯,這表明算法本身的適應度較好。由于算法使用Python語言及Tensorflow框架,算法時間對比并未列出,基于神經(jīng)網(wǎng)絡的算法在經(jīng)過訓練之后可以在較短時間內(nèi)輸出調(diào)度結(jié)果。圖6、圖7所示是D3QN對比粒子群算法、遺傳算法在ft10與swv06算例上完工時間隨迭代次數(shù)變化對比圖。

    圖6 ft10最大完工時間迭代對比圖Fig.6 ft10 maximum completion time iteration

    圖7 swv06最大完工時間迭代對比圖Fig.7 swv06 maximum completion time iteration

    分析圖6、圖7可了解D3QN算法相較于PSO、GA在前期完工時間迭代下降較為緩慢,但在后期迭代過程中則會得到算例的較優(yōu)值。

    4 結(jié)束語

    本文利用D3QN對作業(yè)車間調(diào)度問題進行研究,將調(diào)度問題轉(zhuǎn)化為一個序列決策問題,用多通道圖像來表示每個時間步的調(diào)度狀態(tài),使用啟發(fā)式規(guī)則及組合作為動作空間,設置獎勵函數(shù),在標準算例的驗證下,算法的調(diào)度效果優(yōu)于單一調(diào)度規(guī)則與智能優(yōu)化算法,總體上取得了較為可觀的調(diào)度結(jié)果。

    進一步的研究工作可以集中在以下幾個方面,獎勵函數(shù)的設置利用了兩個連續(xù)時間步的機器利用率之差,將進一步研究更有效的設置方法來達到更好的效果;使用的D3QN算法模型本質(zhì)上是基于價值的DRL方法,為進一步提升算法性能可考慮基于策略的DRL方法,例如AC、AC3等;研究問題集中于單一的作業(yè)車間調(diào)度問題,可進一步研究算法在多目標車間調(diào)度問題、動態(tài)調(diào)度問題其他復雜調(diào)度問題上的應用效果。

    猜你喜歡
    規(guī)則動作
    撐竿跳規(guī)則的制定
    數(shù)獨的規(guī)則和演變
    下一個動作
    規(guī)則的正確打開方式
    幸福(2018年33期)2018-12-05 05:22:42
    動作描寫要具體
    讓規(guī)則不規(guī)則
    Coco薇(2017年11期)2018-01-03 20:59:57
    畫動作
    讓動作“活”起來
    動作描寫不可少
    TPP反腐敗規(guī)則對我國的啟示
    一级黄色大片毛片| 人人妻,人人澡人人爽秒播| 蜜桃亚洲精品一区二区三区| 少妇的逼好多水| 97人妻精品一区二区三区麻豆| 亚洲中文字幕日韩| 婷婷精品国产亚洲av| 成人精品一区二区免费| 亚洲av成人精品一区久久| 性欧美人与动物交配| 欧美色欧美亚洲另类二区| 1024手机看黄色片| 日韩亚洲欧美综合| 欧美性猛交╳xxx乱大交人| 亚洲av.av天堂| 日韩欧美精品v在线| 波多野结衣高清无吗| av福利片在线观看| 国内精品一区二区在线观看| 久久亚洲国产成人精品v| 国产色爽女视频免费观看| 一级av片app| 亚洲国产精品成人久久小说 | 伦精品一区二区三区| 国产av一区在线观看免费| 三级毛片av免费| 男插女下体视频免费在线播放| 欧美激情在线99| 日韩欧美免费精品| 国产精品三级大全| 国产国拍精品亚洲av在线观看| 99热网站在线观看| 日本精品一区二区三区蜜桃| 欧美bdsm另类| 亚洲乱码一区二区免费版| 欧美又色又爽又黄视频| 少妇熟女aⅴ在线视频| 在线国产一区二区在线| 国产激情偷乱视频一区二区| 成人亚洲精品av一区二区| 国产亚洲欧美98| 久久精品夜色国产| 欧美成人一区二区免费高清观看| 国产黄a三级三级三级人| 亚洲av.av天堂| 自拍偷自拍亚洲精品老妇| 日韩欧美国产在线观看| 国产精品一区www在线观看| 男插女下体视频免费在线播放| 午夜a级毛片| 中国美白少妇内射xxxbb| 国产美女午夜福利| 综合色av麻豆| 日韩欧美 国产精品| 啦啦啦观看免费观看视频高清| 少妇裸体淫交视频免费看高清| 亚洲欧美日韩东京热| 干丝袜人妻中文字幕| 国产精品一区二区三区四区久久| 欧美最新免费一区二区三区| 亚洲av电影不卡..在线观看| 久久久精品94久久精品| 日韩精品青青久久久久久| 老师上课跳d突然被开到最大视频| 国产真实乱freesex| 午夜爱爱视频在线播放| 1024手机看黄色片| 三级毛片av免费| 熟女人妻精品中文字幕| 亚洲欧美清纯卡通| 97热精品久久久久久| av卡一久久| 亚洲av熟女| 嫩草影院入口| 亚洲五月天丁香| 美女cb高潮喷水在线观看| 99久久精品国产国产毛片| 99riav亚洲国产免费| 麻豆国产av国片精品| 精品人妻熟女av久视频| 熟女人妻精品中文字幕| 久久精品国产亚洲网站| 亚洲人与动物交配视频| 午夜激情福利司机影院| 欧美中文日本在线观看视频| 中出人妻视频一区二区| 亚洲国产精品久久男人天堂| 久久人妻av系列| 又爽又黄a免费视频| 亚洲国产精品久久男人天堂| 亚洲精品乱码久久久v下载方式| 人妻少妇偷人精品九色| 给我免费播放毛片高清在线观看| 日韩高清综合在线| 99riav亚洲国产免费| 插阴视频在线观看视频| 欧美日韩乱码在线| 久久久精品94久久精品| 波多野结衣高清作品| 精品午夜福利在线看| 欧美一区二区国产精品久久精品| 欧美一区二区国产精品久久精品| 狂野欧美激情性xxxx在线观看| 深爱激情五月婷婷| 综合色丁香网| 一边摸一边抽搐一进一小说| 亚洲四区av| 国产黄色视频一区二区在线观看 | 国语自产精品视频在线第100页| 亚洲精品一卡2卡三卡4卡5卡| 在线观看66精品国产| 亚洲电影在线观看av| 成人毛片a级毛片在线播放| av天堂在线播放| 十八禁网站免费在线| 精品久久国产蜜桃| 国产精品久久久久久精品电影| 国产午夜福利久久久久久| 在线免费观看不下载黄p国产| 亚洲性夜色夜夜综合| 人人妻,人人澡人人爽秒播| 成人精品一区二区免费| 熟女人妻精品中文字幕| 国产一区二区亚洲精品在线观看| 日日啪夜夜撸| 搞女人的毛片| 最近2019中文字幕mv第一页| 嫩草影院精品99| 我的女老师完整版在线观看| 97碰自拍视频| 国产高清不卡午夜福利| 欧美一级a爱片免费观看看| 小蜜桃在线观看免费完整版高清| 国产免费男女视频| 女同久久另类99精品国产91| 日本成人三级电影网站| 天天躁夜夜躁狠狠久久av| 深夜a级毛片| 成人特级av手机在线观看| 亚洲av一区综合| 一边摸一边抽搐一进一小说| 日韩亚洲欧美综合| 美女高潮的动态| 欧美另类亚洲清纯唯美| 最近最新中文字幕大全电影3| 国产色婷婷99| 欧美日本视频| 国产高清不卡午夜福利| 国产精品综合久久久久久久免费| 国产精品福利在线免费观看| 亚洲精品成人久久久久久| 日韩欧美一区二区三区在线观看| 97超视频在线观看视频| 99在线人妻在线中文字幕| 噜噜噜噜噜久久久久久91| 日日干狠狠操夜夜爽| 亚洲精品久久国产高清桃花| 最近在线观看免费完整版| 久久国内精品自在自线图片| 国产欧美日韩一区二区精品| 在线看三级毛片| 内地一区二区视频在线| a级一级毛片免费在线观看| 国产成人freesex在线 | 激情 狠狠 欧美| 美女内射精品一级片tv| 非洲黑人性xxxx精品又粗又长| 国内久久婷婷六月综合欲色啪| 波多野结衣巨乳人妻| 日本熟妇午夜| 亚洲第一区二区三区不卡| 日本五十路高清| 久久久成人免费电影| 欧美性猛交黑人性爽| 俺也久久电影网| 日本撒尿小便嘘嘘汇集6| 国产av一区在线观看免费| 亚洲欧美成人精品一区二区| 寂寞人妻少妇视频99o| 最好的美女福利视频网| 国产私拍福利视频在线观看| 美女xxoo啪啪120秒动态图| 亚洲精品国产av成人精品 | 成人毛片a级毛片在线播放| 国产精品久久久久久亚洲av鲁大| 菩萨蛮人人尽说江南好唐韦庄 | 最近的中文字幕免费完整| 免费黄网站久久成人精品| 午夜视频国产福利| 麻豆久久精品国产亚洲av| 黄片wwwwww| 国产国拍精品亚洲av在线观看| 亚洲高清免费不卡视频| 又爽又黄无遮挡网站| 国产aⅴ精品一区二区三区波| 久久久久久久久久成人| av在线蜜桃| 日本 av在线| 91久久精品国产一区二区三区| 男女视频在线观看网站免费| 国产日本99.免费观看| 久久久a久久爽久久v久久| 亚洲,欧美,日韩| 国产精品综合久久久久久久免费| 亚洲真实伦在线观看| 变态另类丝袜制服| av卡一久久| 久久99热6这里只有精品| 国产在视频线在精品| 亚洲,欧美,日韩| 老熟妇仑乱视频hdxx| 最新中文字幕久久久久| 搡老妇女老女人老熟妇| 久99久视频精品免费| 亚洲第一电影网av| 看黄色毛片网站| 国产白丝娇喘喷水9色精品| 大型黄色视频在线免费观看| 精品乱码久久久久久99久播| 一区二区三区四区激情视频 | 亚洲欧美中文字幕日韩二区| 老师上课跳d突然被开到最大视频| 国产成人freesex在线 | 亚洲欧美日韩高清专用| 亚洲欧美精品综合久久99| a级一级毛片免费在线观看| 日本黄大片高清| 99热网站在线观看| 69人妻影院| 免费看日本二区| 日韩在线高清观看一区二区三区| 亚洲中文字幕一区二区三区有码在线看| 2021天堂中文幕一二区在线观| 国产一区二区激情短视频| 亚洲欧美清纯卡通| 欧美高清性xxxxhd video| 尾随美女入室| 人人妻,人人澡人人爽秒播| 色哟哟·www| 久久久久九九精品影院| 久久精品国产亚洲av天美| 欧美人与善性xxx| 婷婷精品国产亚洲av在线| 日本精品一区二区三区蜜桃| 亚洲精品久久国产高清桃花| 中文字幕免费在线视频6| 国产午夜精品论理片| av在线蜜桃| 国产高清有码在线观看视频| 可以在线观看的亚洲视频| 日韩一区二区视频免费看| 看十八女毛片水多多多| 久久久午夜欧美精品| 亚洲精品成人久久久久久| 深夜精品福利| 18禁裸乳无遮挡免费网站照片| 欧美成人免费av一区二区三区| 内射极品少妇av片p| 午夜福利在线在线| 色综合站精品国产| 欧美色视频一区免费| 十八禁国产超污无遮挡网站| 亚洲人成网站在线播放欧美日韩| 日韩欧美一区二区三区在线观看| 亚洲精品久久国产高清桃花| 又爽又黄a免费视频| 国产熟女欧美一区二区| 国产高清激情床上av| 欧美激情在线99| 国产91av在线免费观看| 看十八女毛片水多多多| 日韩精品有码人妻一区| 日日摸夜夜添夜夜爱| 亚洲欧美精品综合久久99| 可以在线观看毛片的网站| 91久久精品电影网| 国产精品国产三级国产av玫瑰| 国产精品久久视频播放| 欧美高清性xxxxhd video| 人人妻人人澡人人爽人人夜夜 | 成年女人看的毛片在线观看| 亚洲精品成人久久久久久| 日韩欧美免费精品| 啦啦啦啦在线视频资源| 国产在线男女| 国内少妇人妻偷人精品xxx网站| 国产成人福利小说| 99在线视频只有这里精品首页| 十八禁国产超污无遮挡网站| 在线a可以看的网站| 色吧在线观看| 插阴视频在线观看视频| 国产精品永久免费网站| 日韩精品中文字幕看吧| 欧美bdsm另类| 久久韩国三级中文字幕| 日本在线视频免费播放| 尾随美女入室| 日本五十路高清| 亚洲熟妇熟女久久| 欧美成人a在线观看| 别揉我奶头 嗯啊视频| 欧美人与善性xxx| 在线观看av片永久免费下载| 久久精品综合一区二区三区| 人妻少妇偷人精品九色| 亚洲在线自拍视频| 精品人妻偷拍中文字幕| 最近视频中文字幕2019在线8| 日韩亚洲欧美综合| 久久久久久久亚洲中文字幕| 国产精品1区2区在线观看.| 国产高清激情床上av| 丝袜美腿在线中文| 校园春色视频在线观看| 欧美最新免费一区二区三区| 久久久久久伊人网av| 国产精华一区二区三区| 亚洲不卡免费看| 赤兔流量卡办理| 久久人人精品亚洲av| 69av精品久久久久久| 亚洲av不卡在线观看| 一个人看的www免费观看视频| 日本与韩国留学比较| 日韩欧美免费精品| 成年女人毛片免费观看观看9| 色综合色国产| 国产真实伦视频高清在线观看| 亚洲av第一区精品v没综合| a级毛色黄片| 欧美激情国产日韩精品一区| 99国产极品粉嫩在线观看| 免费看美女性在线毛片视频| 国产视频内射| 国产精品国产高清国产av| 美女免费视频网站| 亚洲欧美日韩卡通动漫| 精品久久久久久久久久久久久| .国产精品久久| 亚洲自偷自拍三级| 亚洲最大成人手机在线| 亚洲天堂国产精品一区在线| 女同久久另类99精品国产91| 国产蜜桃级精品一区二区三区| 我要看日韩黄色一级片| 色播亚洲综合网| 少妇猛男粗大的猛烈进出视频 | 免费av不卡在线播放| 日日摸夜夜添夜夜添小说| 18+在线观看网站| 99国产极品粉嫩在线观看| 日韩欧美免费精品| 91精品国产九色| 插逼视频在线观看| 久久精品影院6| 免费在线观看成人毛片| 欧美激情久久久久久爽电影| 成人三级黄色视频| 国产成人a∨麻豆精品| 99久久成人亚洲精品观看| 在线天堂最新版资源| 久久精品综合一区二区三区| 久久久久性生活片| 欧美日韩国产亚洲二区| 日韩精品有码人妻一区| 午夜福利视频1000在线观看| 黄色欧美视频在线观看| 精品人妻偷拍中文字幕| 欧美性猛交╳xxx乱大交人| 欧美3d第一页| 日本熟妇午夜| 97人妻精品一区二区三区麻豆| 精品久久久久久久久av| 色视频www国产| 大香蕉久久网| 美女免费视频网站| 俺也久久电影网| 日本三级黄在线观看| 亚洲人成网站在线播放欧美日韩| 国产一区二区亚洲精品在线观看| 麻豆精品久久久久久蜜桃| 成人高潮视频无遮挡免费网站| 国产精品,欧美在线| 午夜爱爱视频在线播放| 在线播放无遮挡| 久久久久久久久中文| 欧美bdsm另类| 国产欧美日韩一区二区精品| 中国美白少妇内射xxxbb| 国产成人91sexporn| 别揉我奶头~嗯~啊~动态视频| 国产精品99久久久久久久久| 久久99热这里只有精品18| 国产日本99.免费观看| 小说图片视频综合网站| 在线免费观看的www视频| 国产亚洲欧美98| 秋霞在线观看毛片| 色综合色国产| 少妇的逼好多水| 欧美高清性xxxxhd video| 亚洲欧美精品自产自拍| 乱人视频在线观看| 久久久久久久久久久丰满| 天天躁夜夜躁狠狠久久av| 性插视频无遮挡在线免费观看| 99热精品在线国产| 亚洲真实伦在线观看| 国产成人影院久久av| 中文字幕久久专区| av中文乱码字幕在线| 性插视频无遮挡在线免费观看| 日本三级黄在线观看| 欧美+亚洲+日韩+国产| 男女视频在线观看网站免费| 日韩一区二区视频免费看| 国产不卡一卡二| 人妻少妇偷人精品九色| 网址你懂的国产日韩在线| 亚州av有码| a级毛色黄片| 熟女电影av网| 美女xxoo啪啪120秒动态图| 亚洲人成网站高清观看| 精品人妻视频免费看| 毛片女人毛片| 国内精品一区二区在线观看| 国产精品一区二区三区四区久久| 少妇人妻精品综合一区二区 | 久久精品夜色国产| 国内精品一区二区在线观看| 人妻夜夜爽99麻豆av| 九色成人免费人妻av| 国产精华一区二区三区| 国产av一区在线观看免费| 日日啪夜夜撸| 久久国内精品自在自线图片| 久久鲁丝午夜福利片| 日本精品一区二区三区蜜桃| 国产v大片淫在线免费观看| 不卡一级毛片| 亚洲av一区综合| 联通29元200g的流量卡| 无遮挡黄片免费观看| 国产亚洲av嫩草精品影院| 国产探花极品一区二区| 五月玫瑰六月丁香| 久久精品国产99精品国产亚洲性色| 亚洲电影在线观看av| 超碰av人人做人人爽久久| 黄色欧美视频在线观看| 最新中文字幕久久久久| 精品无人区乱码1区二区| 国产毛片a区久久久久| 狂野欧美激情性xxxx在线观看| 国产熟女欧美一区二区| 欧美绝顶高潮抽搐喷水| 欧美又色又爽又黄视频| 免费观看的影片在线观看| 欧美色视频一区免费| 一级毛片电影观看 | 又黄又爽又免费观看的视频| 麻豆国产97在线/欧美| 亚洲人成网站在线播| 日本免费一区二区三区高清不卡| 高清毛片免费观看视频网站| 亚洲,欧美,日韩| 丰满乱子伦码专区| av黄色大香蕉| 美女免费视频网站| 中文字幕精品亚洲无线码一区| 三级男女做爰猛烈吃奶摸视频| 我要看日韩黄色一级片| 国产又黄又爽又无遮挡在线| 亚洲精品成人久久久久久| 麻豆乱淫一区二区| 国产乱人视频| 插阴视频在线观看视频| 欧美激情久久久久久爽电影| 舔av片在线| 一级毛片aaaaaa免费看小| 精品一区二区免费观看| 国产精品久久久久久久久免| 神马国产精品三级电影在线观看| 亚洲精品影视一区二区三区av| 直男gayav资源| 国产一级毛片七仙女欲春2| 亚洲18禁久久av| 午夜爱爱视频在线播放| 亚洲av中文字字幕乱码综合| 国产精品久久久久久亚洲av鲁大| 亚洲性夜色夜夜综合| 如何舔出高潮| 国产白丝娇喘喷水9色精品| 神马国产精品三级电影在线观看| 99九九线精品视频在线观看视频| 亚洲成a人片在线一区二区| 婷婷亚洲欧美| 日韩欧美三级三区| 好男人在线观看高清免费视频| 真人做人爱边吃奶动态| 色在线成人网| 欧美在线一区亚洲| 国产精品久久电影中文字幕| 你懂的网址亚洲精品在线观看 | 国产一区二区三区在线臀色熟女| 女人被狂操c到高潮| 网址你懂的国产日韩在线| 女生性感内裤真人,穿戴方法视频| 国产在线精品亚洲第一网站| 婷婷六月久久综合丁香| 男人狂女人下面高潮的视频| av在线蜜桃| 久久九九热精品免费| 国产白丝娇喘喷水9色精品| 日本a在线网址| 一个人看视频在线观看www免费| 最近视频中文字幕2019在线8| 可以在线观看毛片的网站| 深夜精品福利| 观看免费一级毛片| 男人舔女人下体高潮全视频| 男人狂女人下面高潮的视频| 午夜福利18| 97超级碰碰碰精品色视频在线观看| 一进一出抽搐gif免费好疼| 18禁在线无遮挡免费观看视频 | 最近中文字幕高清免费大全6| 欧美日本视频| 国产一区二区三区在线臀色熟女| av专区在线播放| 亚洲熟妇熟女久久| 国产大屁股一区二区在线视频| 久久久久久久久大av| 高清毛片免费看| 久久精品夜夜夜夜夜久久蜜豆| 成熟少妇高潮喷水视频| 深夜a级毛片| 免费看av在线观看网站| 日韩av不卡免费在线播放| 国产美女午夜福利| 人妻夜夜爽99麻豆av| 久久久国产成人免费| 不卡一级毛片| 1024手机看黄色片| 麻豆久久精品国产亚洲av| 老司机影院成人| 三级男女做爰猛烈吃奶摸视频| 日日摸夜夜添夜夜爱| 看免费成人av毛片| 99国产精品一区二区蜜桃av| 欧美人与善性xxx| 成人漫画全彩无遮挡| 在线播放无遮挡| 欧美性猛交╳xxx乱大交人| 国产av麻豆久久久久久久| 色哟哟·www| 成人一区二区视频在线观看| 国产男人的电影天堂91| 丝袜喷水一区| 国产精品,欧美在线| 中文在线观看免费www的网站| 在线观看一区二区三区| 国产精品伦人一区二区| 午夜影院日韩av| 干丝袜人妻中文字幕| av中文乱码字幕在线| 桃色一区二区三区在线观看| 波多野结衣高清无吗| 老司机影院成人| 国产高潮美女av| 能在线免费观看的黄片| 国产精品综合久久久久久久免费| av女优亚洲男人天堂| 亚洲国产高清在线一区二区三| 日本欧美国产在线视频| 精品一区二区三区人妻视频| 99在线视频只有这里精品首页| 日本黄大片高清| 欧美色视频一区免费| 一区二区三区高清视频在线| 欧美xxxx性猛交bbbb| 成人毛片a级毛片在线播放| 俺也久久电影网| 女同久久另类99精品国产91| 18禁裸乳无遮挡免费网站照片| 欧美三级亚洲精品| 久久九九热精品免费| 悠悠久久av| 少妇熟女欧美另类| 亚洲欧美日韩无卡精品| 精品日产1卡2卡| 亚洲欧美成人综合另类久久久 | 亚洲av美国av| 天堂网av新在线| 九色成人免费人妻av| 看黄色毛片网站| 欧美一区二区亚洲| 黄色一级大片看看| 99riav亚洲国产免费| 在线天堂最新版资源| 1024手机看黄色片| 久久欧美精品欧美久久欧美| 啦啦啦啦在线视频资源| 一级a爱片免费观看的视频| 精品久久久久久成人av| 亚洲综合色惰| 成人综合一区亚洲| 久久99热这里只有精品18| 国产色爽女视频免费观看| 国产国拍精品亚洲av在线观看| 免费一级毛片在线播放高清视频| or卡值多少钱| 日韩,欧美,国产一区二区三区 |