亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遺傳-貪心混合搜索的人造板下料算法

        2021-07-27 09:59:46劉誠(chéng)孫遠(yuǎn)升花軍姚嘉明
        林業(yè)工程學(xué)報(bào) 2021年4期
        關(guān)鍵詞:排樣刀路適應(yīng)度

        劉誠(chéng),孫遠(yuǎn)升,花軍,姚嘉明

        (東北林業(yè)大學(xué)機(jī)電工程學(xué)院,哈爾濱 150040)

        定制家具發(fā)展快速,數(shù)字化制造成了家具企業(yè)發(fā)展核心競(jìng)爭(zhēng)力所在,如何利用數(shù)字化信息技術(shù)提供高效率、低成本的定制化產(chǎn)品已成為其面臨的主要問題[1],因此探討人造板數(shù)字化智能下料具有重要意義。人造板下料問題為可旋轉(zhuǎn)和滿足“一刀切”的二維矩形板排樣(two-dimensional rectangular bin packing of rotate and guillotine,簡(jiǎn)稱2RBPRG),即在工件可90°旋轉(zhuǎn),且排樣滿足“一刀切”條件下獲得最優(yōu)下料方案,該問題變量較多,包括每個(gè)工件的下料順序、尺寸、位置及擺放方向,極具復(fù)雜性,屬于多項(xiàng)式復(fù)雜種樹度的非確定性(non-deterministic polynomial,NP)完全問題,目前僅能通過窮舉法精確求解,當(dāng)問題規(guī)模倍數(shù)擴(kuò)大時(shí)計(jì)算機(jī)也無法計(jì)算。對(duì)此大量學(xué)者采取啟發(fā)式算法近似求解,常見算法為二叉樹排樣[2-5]、分塊填充排樣[6-7]和二階段排樣[8-9]等。其中樹形搜索與分塊填充排樣算法時(shí)間復(fù)雜度接近O(nlgn),速度較快,但其采取先“一刀切”劃分后排樣策略可能增大余料碎化程度,降低排樣利用率,對(duì)此,通過對(duì)排樣空位進(jìn)行整合[4],以及通過選擇最佳排樣分解方式[5],在一定程度上降低余料碎化,提高利用率。二階段排樣算法則簡(jiǎn)化排樣問題,采用“條帶排樣”策略,如通過在原料板上逐次剪切下矩形帶后在其上排樣[9],工件規(guī)格不整齊程度較大時(shí),余料碎化較為嚴(yán)重。

        智能算法也大量應(yīng)用在矩形排樣問題求解中,其中遺傳算法應(yīng)用最為廣泛,如Aurelio、趙新芳等[10-11]均在無“一刀切”約束的矩形排樣中使用遺傳算法,獲得較高排樣利用率,但這類算法求解具有隨機(jī)性,收斂速度及求解效果較為依賴遺傳策略的選擇。

        針對(duì)上述算法存在問題,筆者采取對(duì)排樣擇優(yōu)后進(jìn)行“一刀切”檢測(cè)的排樣策略,降低余料碎化程度,通過改進(jìn)遺傳算法進(jìn)行全局搜索,之后利用貪心算法對(duì)其進(jìn)行二次優(yōu)化,使解的質(zhì)量接近全局最優(yōu),提高排樣利用率,為人造板優(yōu)選下料提供一種新的解決方案。

        1 遺傳-貪心混合算法描述分析

        遺傳算法是高度隨機(jī)、自適應(yīng)的全局搜索算法,其按評(píng)估策略評(píng)價(jià)每個(gè)個(gè)體,通過選擇、交叉、變異將種群迭代進(jìn)化,最終收斂到最適應(yīng)群體求得最優(yōu)解,但易過早陷入局部最優(yōu)而早熟,對(duì)此采取貪心策略構(gòu)建適應(yīng)度函數(shù),對(duì)個(gè)體解進(jìn)一步尋優(yōu),即出現(xiàn)早熟后,仍可通過貪心搜索再次提高解的質(zhì)量,從而提高遺傳算法全局尋優(yōu)能力。筆者基于遺傳算法及貪心算法的原理和方法,研究2RBPRG的求解過程,在種群初始化、編碼和貪心策略3個(gè)方面進(jìn)行改進(jìn)。

        1.1 2RBPRG的求解目標(biāo)

        將一組矩形工件{P1,P2,…,Pn},排樣在給定寬度、高度不限的原料板Y上,其中Pi為第i塊工件,n為工件個(gè)數(shù),求解目標(biāo)為使Y使用高度h最小,即Y利用率最大,并且滿足:

        1)Pi不超出Y邊界,1≤i≤n;

        2)Pi、Pj互不重疊,1≤i,j≤n;

        3)滿足“一刀切”要求,即每次對(duì)Y切割時(shí)均可以將其分為兩個(gè)獨(dú)立矩形板材。

        1.2 有序種群初始方式

        趙新芳等[11]通過對(duì)全部矩形工件編號(hào),隨后根據(jù)面積降序排列,面積相等時(shí)根據(jù)最大邊長(zhǎng)降序排列,工件編號(hào)排列構(gòu)成有序集{P1,P2,…,Pn},1≤Pi≤n,對(duì)每個(gè)Pi賦予正負(fù)號(hào),分別表示工件橫放與豎放,以此表示個(gè)體,重復(fù)m次隨機(jī)賦予正負(fù)號(hào)后得到初始種群。上述有序種群初始方式中,每個(gè)體工件排樣順序相同,僅擺放方式改變,解的搜索空間較小,不利于得到高質(zhì)量個(gè)體,但其根據(jù)面積降序排列方法生成工件初始序列,可顯著提高排樣空位的有效利用,因此對(duì)其進(jìn)行改進(jìn)優(yōu)化。

        首先由面積降序排列方法將工件排序?yàn)槌跏夹蛄校瑢?duì)工件按順序編號(hào),工件編號(hào)構(gòu)成有序集{P1,P2,…,Pn},1≤Pi≤Pi+1≤n,作為初始種群的個(gè)體;之后對(duì)該有序集中每個(gè)編號(hào)隨機(jī)調(diào)整位置,生成新序列,作為初始種群的個(gè)體,重復(fù)m-1次隨機(jī)調(diào)序,生成m-1個(gè)個(gè)體,共m個(gè)個(gè)體構(gòu)成初始種群。與文獻(xiàn)[11]相比,有序種群初始時(shí)不考慮工件擺放順序,在后續(xù)貪心搜索時(shí)加以考慮。

        初始種群選取對(duì)遺傳算法收斂速度和求解效果影響甚大。對(duì)于2RBP|R|G初始種群選取存在2個(gè)問題:1)工件數(shù)量較多時(shí)解空間巨大,n個(gè)工件時(shí)解有n!種,盲目構(gòu)造初始種群,不易獲得高質(zhì)量個(gè)體;2)排樣過程復(fù)雜,僅以面積降序排列初始種群,會(huì)忽略形狀差異對(duì)排樣的影響,不易獲得滿意求解效果。

        為解決上述問題本文隨機(jī)調(diào)序?yàn)榫植空{(diào)序。首先將工件初始序列局部分組,每組v個(gè),工件組的排列構(gòu)成有序集{Q1,Q2,…,Qn′},n′=n/v,Qi= {P(i-1)×v+1,P(i-1)×v +2,…,P(i-1)×v+v},之后對(duì)Qi內(nèi)編號(hào)隨機(jī)調(diào)序。局部隨機(jī)調(diào)序優(yōu)點(diǎn):在全局序列上保持面積降序排列特性,即優(yōu)先排樣大工件,小工件在后面排樣,大工件排樣時(shí)產(chǎn)生的空位較大,隨后小工件排樣可以更好進(jìn)行空位填補(bǔ),易獲得滿意的求解效果;同時(shí)可以縮小解空間規(guī)模,易獲得高質(zhì)量個(gè)體。

        1.3 編碼方式

        本研究在個(gè)體序列與工件初始序列之間建立映射,以工件初始序列作為個(gè)體序列中工件位置參考,從個(gè)體序列中首個(gè)工件開始,記錄其在工件初始序列中位置作為基因首個(gè)編碼,然后將其在工件初始序列中刪除,以此往復(fù)編碼,組成有序集{q1,q2,…,q′n},表示基因,n′=n/v,qi= {p(i-1)×v+1,p(i-1)×v+2,…,p(i-1)×v+v},p(i-1)×v+j表示基因位置,編碼如下:

        1)工件初始序列為{Q′1,Q′2,…,Q′n′},n′=n/v,Q′i= {(i-1)×v+1,(i-1)×v+2,…,(i-1)×v+v};

        2)個(gè)體序列為(Q′i)′= {P(i-1)×v+1,P(i-1)×v +2,…,P(i-1)×v+v};

        3)編碼至p(i-1)×v+ j時(shí),在Q′i中刪除{P(i-1)×v +1,P(i-1)×v+2,…,P(i-1)×v+j -1}的相同元素,之后將P(i-1)×v+j在Q′i中的當(dāng)前序列號(hào)作為p(i-1)×v+j,1≤p(i-1)×v+j≤v-j+1,1≤j≤v。如圖1所示,其中首先由P(i-1)×v +1=(i-1)×v+j,得到p(i-1)×v+1=j;之后將(i-1)×v+j在Q′i中刪除,其后序列號(hào)全部減1,由P(i-1)×v+2=i×v+k,得到p(i-1)×v+2=k-1,往復(fù)進(jìn)行編碼。

        圖1 基因編碼映射示意圖

        基因編碼方式對(duì)交叉、變異有較大影響。本研究編碼的兩個(gè)基因在交叉時(shí),相同序列號(hào)元素可任意交換生成新基因,變異時(shí)基因某個(gè)序列號(hào)元素可在域內(nèi)任意改變,均不會(huì)出現(xiàn)工件重復(fù)。

        1.4 基于貪心算法的后檢測(cè)排樣

        貪心算法總以當(dāng)前情況為基礎(chǔ),根據(jù)優(yōu)化測(cè)度作最優(yōu)選擇,直至求得最優(yōu)解,不考慮整體情況,效率較高。筆者針對(duì)每個(gè)個(gè)體的工件序列,先利用貪心策略對(duì)排樣擇優(yōu),優(yōu)化測(cè)度為排樣利用率,之后對(duì)其進(jìn)行“一刀切”檢測(cè),擴(kuò)大局部解搜索空間,求出對(duì)應(yīng)最優(yōu)排樣方案,計(jì)算適應(yīng)度對(duì)其進(jìn)行評(píng)價(jià)。

        1.4.1 排樣擇優(yōu)的貪心策略

        排樣擇優(yōu)通過操作矩陣實(shí)現(xiàn),遵循“右下角占優(yōu)”原則,通過迭代求解,時(shí)間復(fù)雜度為O(n)。

        為便于“一刀切”約束檢測(cè),將全部板材尺寸增大2個(gè)刀路寬度DL,建立排樣運(yùn)算矩陣W及矩陣坐標(biāo)系,以W右下角為原點(diǎn),向上為X正向,向左為Y正向,W中每個(gè)元素fw(x,y)=wxy代表一個(gè)板材最小單元,以W內(nèi)元素行、列數(shù)表示原料X向尺寸r+ 2DL、Y向尺寸c+ 2DL,如圖2a所示。通過W的局部矩陣U描述工件,以U內(nèi)元素行、列數(shù)表示工件X向尺寸ru+2DL,Y向尺寸cu+2DL,如圖2b所示。通過改變U內(nèi)元素fw(xu+x,yu+y)數(shù)值,記錄工件信息,如圖2c所示。記錄工件尺寸為ru=7,cu=5,DL=1,僅改變其輪廓處元素:1)下邊界元素記錄尺寸ru,得fw(xu+DL,yu+DL+y)=ru,0≤y≤ru- 1;3)右邊界元素分別記錄本身與上邊界元素的X向距離,fw(xu+DL+x,yu+DL)=ru-x,1 ≤x≤ru-1;4)上邊界元素分別記錄本身與左邊界元素的Y向距離,fw(xu+DL+ru,yu+DL+y)=cu-y,1≤y≤cu-1。排樣擇優(yōu)的貪心策略如下:

        圖2 初始矩陣及局部矩陣

        Step 1:從W原點(diǎn)開始,沿X正向搜索零矩陣U,以其右下角坐標(biāo)(xu,yu)為搜索位置,當(dāng)xu+ru

        Step 2:搜索到零矩陣U時(shí),將工件記錄到U內(nèi),檢測(cè)W內(nèi)排樣是否滿足“一刀切”,若不滿足則重新索搜;

        Step 3:將工件旋轉(zhuǎn)90°,重新搜索后與旋轉(zhuǎn)前比較,取利用率高者,排樣下個(gè)工件,直至排樣完畢,如圖3所示,為10塊工件的簡(jiǎn)單排樣。

        圖3 在W上搜索U

        1.4.2 后檢測(cè)策略

        在W中以DL行或列零元素表示刀路占位,檢測(cè)排樣是否滿足“一刀切”,可通過遞歸檢測(cè),時(shí)間復(fù)雜度為O(n),具體如下:

        Step 1:檢測(cè)矩陣(首次為W)是否被刀路占位貫穿,如果貫穿則按刀路占位對(duì)其分割,對(duì)分割后的兩個(gè)矩陣分別檢測(cè),直至分割后的矩陣全部為最小矩陣,即矩陣不被刀路占位貫穿,且內(nèi)部存在非零元素;

        Step 2:最小矩陣與已排樣工件數(shù)量相等時(shí),排樣滿足“一刀切”約束,分割過程如圖4所示。

        圖4 后檢測(cè)中的矩陣分割

        1.5 適應(yīng)度函數(shù)

        以排樣利用率作為適應(yīng)度,函數(shù)為:

        f(O)=Sw/Sm

        其中:Sw為工件總面積;Sm=r·max(yu+cu),Sm為原料用于排樣的最小矩形面積,max(yu+cu)為工件排樣最大高度;適應(yīng)度值范圍為[0,1]。

        2 遺傳算法求解過程

        2.1 初始種群

        給定n個(gè)工件,采用前述種群初始方式生成m個(gè)個(gè)體,將其編碼為基因,用排樣算法計(jì)算其最優(yōu)排樣,用適應(yīng)度函數(shù)計(jì)算其適應(yīng)度。

        2.2 遺傳算子

        1)選擇算子:采取比例選擇方式,每個(gè)個(gè)體被選擇概率與其適應(yīng)度成正相關(guān),同時(shí)采取最優(yōu)保存策略,防止交叉、變異破壞種群中適應(yīng)度最高的個(gè)體。將父輩個(gè)體按適應(yīng)度進(jìn)行降序排序{O1,O2,…,Om},每個(gè)個(gè)體死亡率函數(shù)為F(Oi)=(i-1)/m,沒有死亡的父輩個(gè)體直接進(jìn)化為下代個(gè)體,數(shù)量記為m′。

        2)交叉算子:父輩種群中隨機(jī)選擇2個(gè)個(gè)體配對(duì),進(jìn)行多點(diǎn)交叉,生成1個(gè)新個(gè)體,重復(fù)次交叉至下代個(gè)體為m個(gè)。設(shè)隨機(jī)選擇的2個(gè)個(gè)體基因?yàn)镺i1={pi1,pi2,…,pin}和Oj1={pj1,pj2,…,pjn},取基因Oi1序列奇數(shù)位,基因Oj1序列偶數(shù)位,生成新的基因{pi1,pj2,pi3,pj4,…,pi(j)n}。

        3)變異算子:對(duì)于選擇和交叉生成的子代個(gè)體,根據(jù)最優(yōu)保存策略,除適應(yīng)度最高的父代個(gè)體外,其余個(gè)體均需變異。對(duì)個(gè)體基因內(nèi)每個(gè)pi×v+j進(jìn)行變異,變異概率為Pvariation,變異后的pi×v+j在區(qū)間[1,v-j+1]內(nèi)隨機(jī)選擇。

        本研究交叉算子和變異算子均在Qi內(nèi)獨(dú)立進(jìn)行,求解大規(guī)模排樣問題時(shí),解空間維持在(v!)n/v大小,運(yùn)算效率高;多次迭代后大工件依舊在個(gè)體序列靠前位置,利于得到高質(zhì)量解。

        2.3 終止準(zhǔn)則

        重復(fù)執(zhí)行第2.2節(jié),直至滿足預(yù)定的迭代次數(shù)或最優(yōu)解的適應(yīng)度達(dá)到要求(最優(yōu)適應(yīng)度3次迭代不發(fā)生改變),終止計(jì)算。

        3 試驗(yàn)計(jì)算

        本研究在CORE i7 2.40 GHz CPU,8GB內(nèi)存的PC機(jī)上進(jìn)行下面的測(cè)試。

        測(cè)試1:采用Hopper等[12]所采用的7類測(cè)試算例,每類分為3組矩形工件,排樣在定寬無限高的矩形原料中,計(jì)算占用的最小高度,具體數(shù)據(jù)參閱文獻(xiàn)[12]。該測(cè)試算例中沒有考慮刀路損耗及“一刀切”約束,本研究算法將不進(jìn)行刀路檢測(cè)及刀路占位操作。

        分別采用Hopper等[12]所采用的GA+BLF算法和SA+BLF算法、Zhang等[13]的FH算法、Leung 等[14]的PH算法和趙新芳等[11]的改進(jìn)遺傳算法以及本研究所采用的算法,計(jì)算每組算例。定義算法最優(yōu)解H*到準(zhǔn)確最優(yōu)解H的絕對(duì)差值G=(H*-H) /H作為評(píng)價(jià)準(zhǔn)則,每類算例的平均差值G平均=(G1+G1+G1) / 3。本研究算法選取種群規(guī)模m=20,變異概率Pv=0.05,各算法計(jì)算G平均值如表1所示,平均計(jì)算時(shí)間T平均如表2所示。

        表1 每組例題的平均相對(duì)距離

        表2 每組例題的平均計(jì)算時(shí)間

        從表1可以看出,本研究算法平均差值G平均為0.883%,比GA+BLF降低3.687%,比SA+BLF降低3.117%,比FH降低0.797%,比PH降低2.067%,比文獻(xiàn)[11]算法降低0.267%,說明本研究算法的解最接近H。由表2可以看出,本研究算法計(jì)算時(shí)間相對(duì)其他算法較少,說明本算法時(shí)間效率較高。

        測(cè)試2:采用龔志輝等[15]的測(cè)試算例,其中給出20種矩形工件共59個(gè),在寬度400 mm,高度不限的矩形原料板上排樣,具體數(shù)據(jù)參閱文獻(xiàn)。該測(cè)試算例同樣不考慮刀路損耗及“一刀切”約束。分別采用龔志輝等[15]的算法、趙新芳等[11]的改進(jìn)遺傳算法、許華杰等[16]的AAGA算法,以及本研究算法計(jì)算該組算例。本研究算法選取種群規(guī)模m=50,變異概率Pvariation=0.1,各算法在不同迭代次數(shù)下排樣利用率情況如表3所示。

        由表3可以看出:本研究算法與文獻(xiàn)[11]和[15]的算法比較,最優(yōu)利用率均提高了10%;與許華杰等[16]的算法相比最優(yōu)利用率十分接近且接近1,說明本研究算法具有較高的求解質(zhì)量。同時(shí),本研究算法相對(duì)于以上3種算法收斂速度較快,迭代40次時(shí)便獲得最優(yōu)解,僅為文獻(xiàn)算法0.5倍,本研究算法的遺傳策略具有明顯優(yōu)勢(shì)。本研究算法迭代40次后排樣如圖5所示。

        表3 不同迭代次數(shù)下最優(yōu)利用率對(duì)比

        圖5 迭代40次的最優(yōu)排樣圖

        測(cè)試3:采用王華昌等[17]的 “一刀切”排樣測(cè)試算例,其中給定26種矩形工件共49個(gè),在1 850 mm×1 240 mm原料板上排樣,具體數(shù)據(jù)參閱文獻(xiàn)。該測(cè)試算例不考慮刀路損耗。分別采用王華昌等[17]的模擬退火算法、陳仕軍等[18]的混合算法及本研究算法計(jì)算該組算例。本研究算法選取種群規(guī)模m=20,變異概率Pvariation= 0.05。各算法排樣利用率如表4所示。

        表4 3種算法的最優(yōu)利用率對(duì)比

        由表4可以看出,本研究算法與文獻(xiàn)[17]和[18]的算法比較,最優(yōu)利用率均有所提高,說明本研究算法在“一刀切”的約束下具有較高的求解質(zhì)量。

        測(cè)試4:采用Vassiliadis[2]和彭碧濤等[3]算法分別對(duì)7種工件進(jìn)行“一刀切”下料,其原料上高度為200,寬度不限,刀路寬度為2,并給出最優(yōu)排樣如圖6a、b所示,具體數(shù)據(jù)參閱文獻(xiàn)。本研究算法選取種群規(guī)模m=20,變異概率Pvariation= 0.05,排樣如圖6c所示。表5給出3種算法的使用尺寸、最優(yōu)利用率、余料數(shù)量。

        圖6 3種算法的排樣圖

        表5 3種算法的排樣結(jié)果對(duì)比

        由表5可以看出,本研究算法余料數(shù)量相比文獻(xiàn)[2]減少72.7%,相比文獻(xiàn)[4]減少30.8%,說明本算法在降低余料碎化具有一定效果。同時(shí),本研究算法最優(yōu)利用率相比文獻(xiàn)[2]提高4.5%,相比文獻(xiàn)[4]提高1.3%,說明本算法在考慮“一刀切”約束及刀路損耗下具有較高的求解質(zhì)量。

        4 結(jié) 論

        對(duì)于人造板下料問題,筆者提出基于遺傳-貪心混合算法的板材排樣策略,在初始種群選取、基因編碼及貪心策略三方面予以改進(jìn),降低了問題解空間范圍,進(jìn)而提高了算法效率。在貪心排樣時(shí)采取先排樣擇優(yōu)、后對(duì)其“一刀切”檢測(cè)的策略,擴(kuò)大了局部解搜索空間,進(jìn)而提高了算法求解質(zhì)量。實(shí)驗(yàn)計(jì)算表明:

        1)在測(cè)試1中,本研究的算法在無“一刀切”約束排樣中,相比文獻(xiàn)算法得到較高的時(shí)間效率及求解質(zhì)量;

        2)在測(cè)試2中,本研究算法在迭代求解時(shí)具有較快收斂速度,相比文獻(xiàn)算法通過少量迭代便獲得滿意解;

        3)在測(cè)試3中,本研究算法在有“一刀切”約束排樣中,相比文獻(xiàn)算法可以獲得較高的最優(yōu)利用率;

        4)在測(cè)試4中,本研究算法在有“一刀切”約束排樣中明顯降低余料碎化,使原料利用率進(jìn)一步提升。

        由以上結(jié)論可見,本研究中的人造板下料算法在定制板式家具生產(chǎn)中具有一定應(yīng)用價(jià)值。

        猜你喜歡
        排樣刀路適應(yīng)度
        基于MasterCAM 的復(fù)雜零件數(shù)控編程加工
        改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        UG NX葉輪多軸數(shù)控編程與仿真
        淺談結(jié)合UG與MasterCAM進(jìn)行數(shù)銑編程的研究
        模具制造(2019年9期)2019-10-26 03:03:38
        UG編程刀路優(yōu)化技巧
        基于壓縮因子粒子群的組合排樣的研究
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        U形電器支架的多工位模具的排樣及模具設(shè)計(jì)
        人工智能技術(shù)在排樣技術(shù)上的發(fā)展現(xiàn)狀
        薄板沖模排樣設(shè)計(jì)及防跳廢料解決方案
        久久频精品99香蕉国产| 内射人妻视频国内| 国产精品沙发午睡系列990531| 色老头一区二区三区| 激情内射亚洲一区二区| 中文字幕一二三四五六七区| 亚洲男同gay在线观看| 国产农村妇女高潮大叫| 久久夜色精品国产噜噜噜亚洲av| 亚洲av网一区二区三区成人| 国产成人a级毛片| aaa级久久久精品无码片| 全免费a级毛片免费看| 五月综合丁香婷婷久久| 亚洲国产精品综合久久网络| 欧美日韩中文国产一区发布| 国产精品黑色丝袜在线播放| 亚洲综合中文日韩字幕| 免费观看交性大片| 国产第19页精品| 亚洲精品无人区一区二区三区 | 国产精品一区二区夜色不卡| 无码aⅴ精品一区二区三区浪潮 | 日本高清一区二区三区不卡| 亚洲日韩成人无码| av蓝导航精品导航| 97无码人妻一区二区三区蜜臀| 少妇又紧又爽丰满在线视频| 狠狠躁夜夜躁人人爽天天古典| 四虎永久在线精品免费观看地址| 青青草视全福视频在线| 日本免费视频| 亚洲∧v久久久无码精品| 无码AV无码免费一区二区| 国产一区二区三区啊啊| 女人张开腿让男桶喷水高潮 | 亚洲aⅴ在线无码播放毛片一线天 中国国语毛片免费观看视频 | 伊人久久大香线蕉av波多野结衣| 久久国产精品二国产精品| 久久久久无码精品国| 日本伊人精品一区二区三区|