欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運營的一線實戰(zhàn)洞察。

強化學習求解車輛路徑問題:Attention Model與策略梯度實戰(zhàn)

強化學習求解車輛路徑問題:Attention Model與策略梯度實戰(zhàn) 簡介求解車輛路徑問題的強化學習含代碼是一份面向畢業(yè)論文、大作業(yè)與強化學習初學者的完整資源包聚焦經(jīng)典組合優(yōu)化問題即車輛路徑問題的端到端求解。配套論文提出基于策略梯度的強化學習框架通過訓(xùn)練單一隨機策略模型為給定分布中的實例生成近似最優(yōu)解無需針對每個新實例重新訓(xùn)練并兼顧容量約束與分批交付等常見變體。代碼采用PyTorch實現(xiàn)壓縮包共26個文件包含論文PDF、模型定義與訓(xùn)練器源碼、預(yù)訓(xùn)練權(quán)重、結(jié)果可視化圖片及說明文檔整體大小約5.89MB目錄按任務(wù)配置、文檔等模塊組織便于快速定位和二次開發(fā)框架還討論了向隨機車輛路徑問題等變體拓展的可能為進階研究留出空間。已有149人學習/下載適合在典型數(shù)據(jù)集上復(fù)現(xiàn)論文實驗也可作為課程設(shè)計或畢業(yè)設(shè)計的算法基線。 直接回到幾年前我第一次把強化學習用在車輛路徑問題Vehicle Routing Problem, VRP上的那個下午。當時我手里的方案是用遺傳算法跑一組靜態(tài)訂單每次重新求解都要花掉幾十秒業(yè)務(wù)方皺著眉頭說“太慢了能不能快一點”但又說不出到底要快到什么程度。那段時間我正好在看神經(jīng)組合優(yōu)化的論文腦子里冒出一個念頭能不能讓模型自己“學”出怎么規(guī)劃路徑推理的時候壓根不做搜索直接一步步給出決策順著這個思路折騰了兩周我把一個基于注意力機制的強化學習模型跑通了 CVRP帶容量約束的車輛路徑問題單條實例的求解時間從“秒級”直接降到了“毫秒級”。這篇文章就是把當時從建模到訓(xùn)練再到踩坑的整個過程整理出來連代碼也一并附上。想說明的是這種方式不是來替代精確算法或者成熟求解器的而是給“在線決策、快速響應(yīng)”的場景多一種選擇如果你手里有大量結(jié)構(gòu)相似的問題要反復(fù)求解如果求解速度比精確解重要那么強化學習這條路值得花時間試試。1. 傳統(tǒng)算法死磕時間強化學習換個活法在展開技術(shù)細節(jié)之前得先花點篇幅說說我為什么從傳統(tǒng)啟發(fā)式算法轉(zhuǎn)向強化學習。理解這個轉(zhuǎn)變的邏輯后續(xù)看到代碼時才會明白每一步的“形狀”為什么是那樣。1.1 精確求解與啟發(fā)式求解的成本瓶頸VRP 是運籌學里出了名的 NP-Hard 問題這意味著當客戶點數(shù)量一多想找到一個數(shù)學上證明最優(yōu)的解計算量是指數(shù)級暴增的。行業(yè)里常規(guī)做法有兩大類一類是分支定界、分支切割這類精確算法小規(guī)模問題上能拿到最優(yōu)解但一旦客戶點超過幾十個求解時間就不可控了另一類是遺傳算法、模擬退火、LKH3 這類啟發(fā)式或元啟發(fā)式算法它們能在較短時間內(nèi)給出“夠用”的解質(zhì)量通常很接近最優(yōu)但單次求解時間依然停留在“秒”這個數(shù)量級。我的實際項目場景里有一個痛點訂單數(shù)據(jù)是實時流式進來的也就是說配送中心每隔幾分鐘可能就要拿到一批新的訂單組合要求配送方案在極短時間內(nèi)出爐。用傳統(tǒng)啟發(fā)式算法的話每次來新數(shù)據(jù)就要重新跑一遍完整的搜索過程多少有點浪費。我們需要的是“瞬時反應(yīng)”而不是每次從零開始推理。1.2 機器學習模型的“訓(xùn)練-推理”二次分離為什么適合這個場景強化學習求解組合優(yōu)化問題本質(zhì)上是把“求解”變成“策略決策”用一個神經(jīng)網(wǎng)絡(luò)模型學會一步一步地把客戶點加入到配送路線里。訓(xùn)練過程中模型會接觸到大量不同分布的問題實例它會慢慢總結(jié)出不同實例下“最優(yōu)路徑”的共性模式。訓(xùn)練完成之后模型面對新的實例不再進行任何搜索而是依靠學到的參數(shù)直接推斷下一步該去哪里。這種模式的爽點在于把“反復(fù)求解”變成了“一次性訓(xùn)練、無限次推理”。訓(xùn)練的成本再高攤到成千上萬次的后續(xù)求解里攤薄到幾乎可以忽略不計。我在自己的場景里實測推理階段單個實例的耗時大約穩(wěn)定在幾十毫秒PyTorch CPU 推理比傳統(tǒng)啟發(fā)式算法快了一個數(shù)量級以上。當然代價也存在模型給出的解通常不是全局最優(yōu)收益是速度代價是極小的精度損失。這個權(quán)衡在當前業(yè)務(wù)場景里完全可以接受。2. 從數(shù)學建模開始CVRP 的抽象與數(shù)據(jù)表示要把問題交給神經(jīng)網(wǎng)絡(luò)和強化學習第一件事就是把經(jīng)典的 VRP 抽象成一種適合作為模型輸入、也適合作為決策過程輸出的數(shù)學形式。這里我以 CVRPCapacitated VRP帶容量約束的車輛路徑問題作為靶子來拆解。之所以選 CVRP是因為它是 VRP 家族里最基礎(chǔ)和最常見的變體理解清楚它的建模和求解后續(xù)擴展到帶時間窗VRPTW、多 depot 等問題在框架層面都是相似的。2.1 CVRP 的要素定義與約束表達CVRP 的標準定義是這樣的有一個配送中心depot通常記作節(jié)點 0若干需要服務(wù)的客戶點節(jié)點 12...n每個客戶點有一個非負的需求量 q_i。我們有若干輛載重上限為 C 的車輛車輛從配送中心出發(fā)服務(wù)完若干客戶后返回配送中心。目標是找到一個方案使得所有客戶都被訪問且只被訪問一次每輛車的總配送需求不超過 C并且總行駛距離最小。我把這些要素用 Python 的數(shù)據(jù)結(jié)構(gòu)表達出來。在數(shù)據(jù)生成的階段通常默認 depo 坐標是 (0, 0) 或者某一固定點客戶點坐標在單位正方形內(nèi)隨機采樣需求量在一個合理區(qū)間內(nèi)隨機生成。下面是我慣用的數(shù)據(jù)生成器代碼import torch class CVRPInstance: CVRP 單條實例的生成與存儲 def __init__(self, num_customers: int, demand_low: int 1, demand_high: int 9): self.num_customers num_customers # depot 坐標固定為 (0, 0) depot_coords torch.tensor([[0.0, 0.0]]) # 客戶點坐標在 [-1, 1] x [-1, 1] 內(nèi)采樣 customer_coords torch.rand(num_customers, 2) * 2 - 1 self.coords torch.cat([depot_coords, customer_coords], dim0) # 需求量整數(shù)depot 節(jié)點的需求為 0 demands torch.randint(demand_low, demand_high, (num_customers,)).float() self.demands torch.cat([torch.tensor([0.0]), demands], dim0) self.capacity 1.0 # 歸一化容量 property def node_count(self): return self.num_customers 1這段代碼里有幾個點值得說明。把坐標范圍放到 [-1, 1] 而不是 [0, 1]是我在實際訓(xùn)練中對比出來的經(jīng)驗它能讓模型初始化的坐標嵌入分布更居中收斂速度更穩(wěn)定某些論文中也有類似的歸一化處理。需求量的設(shè)計上我把單客戶需求控制在容量的 1/9 到 1/1 之間這樣既不會讓所有客戶都能塞進同一輛車也不會讓每個客戶都獨立占一輛車保證問題難度適中。2.2 將路徑構(gòu)建轉(zhuǎn)化為“序列決策過程”神經(jīng)網(wǎng)絡(luò)不擅長直接輸出一個排列組合但非常擅長“在每一步做選擇”。所以我把 CVRP 的求解過程重新描述成這樣一個序列決策問題模型每一步觀察當前的狀態(tài)所有節(jié)點的坐標、所有節(jié)點的需求量、當前車輛剩余容量、當前車輛的位置、哪些節(jié)點已經(jīng)被訪問過。模型輸出一個概率分布表示下一步應(yīng)該選擇哪個節(jié)點。如果選擇了 depot 節(jié)點表示當前車輛結(jié)束配送、返回配送中心然后派出新車如果選擇了一個未訪問的客戶節(jié)點則將該節(jié)點加入到當前路徑中更新車輛剩余容量和當前車輛位置。重復(fù)以上步驟直到所有客戶都被服務(wù)。這個形式化過程非常優(yōu)雅地避開了“一次性輸出全部路徑”的難點把復(fù)雜約束變成逐步的遮擋機制mask。模型永遠不需要明確理解“容量約束”本身它只需要學會哪些節(jié)點現(xiàn)在不能去哪些節(jié)點應(yīng)該優(yōu)先去。這種“逐步?jīng)Q策”的思路是理解后續(xù)所有代碼的關(guān)鍵它正是 Pointer Network 和 Attention Model 這類結(jié)構(gòu)所以能處理組合優(yōu)化問題的根本原因。3. Attention Model 的 PyTorch 實現(xiàn)Encoder 與 Decoder這一部分直接上代碼。我用的是圖注意力模型框架Encoder 將節(jié)點特征編碼為高維表示Decoder 以自回歸方式逐步生成路徑。這是當前神經(jīng)組合優(yōu)化領(lǐng)域的主流方案之一理解它的代碼后你完全可以根據(jù)自己的需求進行魔改。3.1 用注意力編碼器生成節(jié)點嵌入EncoderEncoder 的目標把 CVRP 實例中的所有節(jié)點depot 客戶點編碼成一組向量表示每個節(jié)點的“嵌入”要包含它自身的特征也要包含它與周圍節(jié)點的空間關(guān)系。我的實現(xiàn)里用了一種相對簡潔的“兩層 Attention Layer 堆疊”的結(jié)構(gòu)。它參考了 Transformer 的思路但省去了位置編碼因為節(jié)點本身的位置信息已經(jīng)通過坐標表達了同時把編碼器寬度設(shè)為 128。代碼如下import torch import torch.nn as nn import math class MultiHeadAttention(nn.Module): 標準化多頭注意力模塊被 Encoder Layer 調(diào)用 def __init__(self, embed_dim: int, num_heads: int): super().__init__() assert embed_dim % num_heads 0 self.embed_dim embed_dim self.num_heads num_heads self.head_dim embed_dim // num_heads self.scaling self.head_dim ** -0.5 self.w_q nn.Linear(embed_dim, embed_dim) self.w_k nn.Linear(embed_dim, embed_dim) self.w_v nn.Linear(embed_dim, embed_dim) self.w_out nn.Linear(embed_dim, embed_dim) def forward(self, x, maskNone): batch_size, seq_len, _ x.shape Q self.w_q(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2) K self.w_k(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2) V self.w_v(x).view(batch_size, seq_len, self.num_heads, self.head_dim).transpose(1, 2) attn_scores torch.matmul(Q, K.transpose(-2, -1)) * self.scaling if mask is not None: attn_scores attn_scores.masked_fill(mask 0, float(-inf)) attn_weights torch.softmax(attn_scores, dim-1) out torch.matmul(attn_weights, V) out out.transpose(1, 2).contiguous().view(batch_size, seq_len, self.embed_dim) return self.w_out(out) class EncoderLayer(nn.Module): 一層完整的編碼器注意力 前饋網(wǎng)絡(luò) 殘差與歸一化 def __init__(self, embed_dim: int, num_heads: int, ff_dim: int): super().__init__() self.mha MultiHeadAttention(embed_dim, num_heads) self.ff nn.Sequential( nn.Linear(embed_dim, ff_dim), nn.ReLU(), nn.Linear(ff_dim, embed_dim) ) self.norm1 nn.LayerNorm(embed_dim) self.norm2 nn.LayerNorm(embed_dim) def forward(self, x): # 子層連接注意力 殘差 歸一化 x self.norm1(x self.mha(x)) x self.norm2(x self.ff(x)) return x class GraphEncoder(nn.Module): 編碼器主體輸入坐標與需求輸出所有節(jié)點的嵌入表示 def __init__(self, embed_dim: int 128, num_heads: int 8, num_layers: int 3): super().__init__() self.embed_dim embed_dim # 初始嵌入坐標(2維) 需求(1維) - 映射到 embed_dim self.init_embed nn.Linear(3, embed_dim) self.layers nn.ModuleList([ EncoderLayer(embed_dim, num_heads, ff_dimembed_dim * 4) for _ in range(num_layers) ]) def forward(self, coords, demands): # coords: (batch, num_nodes, 2), demands: (batch, num_nodes, 1) x torch.cat([coords, demands], dim-1) x self.init_embed(x) for layer in self.layers: x layer(x) return x這里我特意沒有把demands歸一化因為它在數(shù)據(jù)生成時已經(jīng)天然落在了一個合理尺度0-9不需要額外處理。但如果你用的是真實業(yè)務(wù)數(shù)據(jù)強烈建議在進 Encoder 之前做一個 min-max 歸一化或者標準歸一化否則訓(xùn)練初期嵌入層的梯度可能震蕩非常劇烈。3.2 帶掩碼的指針解碼器DecoderDecoder 的任務(wù)是逐節(jié)點生成路徑。它的輸入有兩部分一是 Encoder 算好的所有節(jié)點嵌入二是當前解碼狀態(tài)比如當前車輛剩余容量、當前所在節(jié)點。輸出是下一個要訪問的節(jié)點在所有候選節(jié)點上的概率分布。實現(xiàn)上我用了兩階段的注意力機制第一階段用“當前節(jié)點嵌入”作為 query與所有節(jié)點的 key 做 attention得到一個上下文向量graph context embedding相當于讓模型“看一眼全局”。第二階段用這個上下文向量重新對所有節(jié)點做 attention同時施加一個 mask 來過濾掉不可行節(jié)點已經(jīng)訪問過的客戶、需求量超過剩余容量的客戶。最終用 softmax 得到合法的概率分布并通過采樣或 argmax 得到?jīng)Q策節(jié)點。我直接貼出 Decoder 的核心部分class ContextEncoder(nn.Module): 將當前解碼狀態(tài)編碼成 query 向量 def __init__(self, embed_dim: int): super().__init__() self.project nn.Linear(embed_dim 1, embed_dim) # 拼接當前節(jié)點嵌入與剩余容量 def forward(self, current_embed, remaining_capacity): # current_embed: (batch, embed_dim), remaining_capacity: (batch, 1) return self.project(torch.cat([current_embed, remaining_capacity], dim-1)) class PointerDecoder(nn.Module): 指針解碼器將編碼器的輸出映射為對下一個節(jié)點的選擇分布 def __init__(self, embed_dim: int 128, num_heads: int 8): super().__init__() self.context_encoder ContextEncoder(embed_dim) self.mha MultiHeadAttention(embed_dim, num_heads) self.q_linear nn.Linear(embed_dim, embed_dim) self.k_linear nn.Linear(embed_dim, embed_dim) self.v_linear nn.Linear(embed_dim, embed_dim) self.scaling embed_dim ** -0.5 def forward(self, node_embeds, current_index, remaining_capacity, mask): node_embeds: (batch, num_nodes, embed_dim) current_index: (batch,) 當前所在節(jié)點索引 remaining_capacity: (batch, 1) 當前車輛剩余容量 mask: (batch, num_nodes) 布爾張量True 表示不可選 batch_size, num_nodes, embed_dim node_embeds.shape # 取當前節(jié)點的嵌入 current_embed node_embeds[torch.arange(batch_size), current_index] context self.context_encoder(current_embed, remaining_capacity) # 更新 context 嵌入 context self.mha(context.unsqueeze(1), node_embeds).squeeze(1) # 計算 attention score Q self.q_linear(context).unsqueeze(1) K self.k_linear(node_embeds) scores torch.matmul(Q, K.transpose(-2, -1)) * self.scaling # 將 mask 中不可選位置設(shè)為 -inf scores scores.squeeze(1).masked_fill(mask, float(-inf)) probs torch.softmax(scores, dim-1) return probsmask的生成邏輯是最容易寫錯的地方之一我花了不少時間才理清楚。它由幾個條件取并集組成已經(jīng)訪問過的客戶節(jié)點不能重復(fù)訪問需求量大于當前剩余容量的客戶節(jié)點超載不合法如果當前車輛已經(jīng)訪問了至少一個客戶depot 節(jié)點永遠可選相當于“服務(wù)完了回配送中心發(fā)新車”反過來如果當前車輛尚未服務(wù)任何客戶也就是剛發(fā)車模型不能直接選擇返回 depot這樣會形成一條“空車出去空車回來”的無效路線。這一步需要用 mask 強制把 depot 禁掉否則訓(xùn)練初期模型很容易走這個捷徑偷懶。3.3 用 REINFORCE 算法訓(xùn)練模型整個模型的結(jié)構(gòu)定下來后訓(xùn)練端我是用 REINFORCE 算法來做的。為什么選 REINFORCE 而不選其他強化學習算法比如 Actor-Critic 或 DQN這要從問題的本質(zhì)說。VRP 的決策空間是離散且巨大的動作空間本身就是“所有未被訪問的節(jié)點”狀態(tài)空間更是連續(xù)且高維的。像 DQN 這種基于價值的方法需要同時存儲 Q(s,a)在這個場景下內(nèi)存和計算開銷巨大而且泛化能力堪憂。而 REINFORCE 是策略梯度方法直接對策略參數(shù)求梯度天然適合離散動作空間與我們的“逐步?jīng)Q策”設(shè)定完全貼合。REINFORCE 的核心改進在 baseline 設(shè)計上。原始的 REINFORCE 用采樣回報作為期望回報的無偏估計但方差大得嚇人。我采用了“確定性貪心解碼 帶噪聲的采樣解碼”雙路輸出的方式一路使用 argmax 解碼得到一條貪心路徑將其總距離作為 baseline。另一路使用帶溫度的采樣解碼得到一條探索路徑其總距離與 baseline 相減作為優(yōu)勢估計。為什么貪心路徑可以作為 baseline因為它比純經(jīng)驗的均值更穩(wěn)定、相關(guān)性更強。訓(xùn)練時如果采樣解碼的結(jié)果優(yōu)于貪心解碼優(yōu)勢項為正策略會提高對應(yīng)動作的概率反之則降低概率。這個機制類似于“讓模型跟當前時刻最好的自己比”比跟一個緩慢變化的經(jīng)驗均值比收斂快得多。4. 訓(xùn)練策略設(shè)計策略梯度、Baseline 與細節(jié)模型的結(jié)構(gòu)和訓(xùn)練范式定下來后剩下的問題就是怎么把這個模型真正訓(xùn)起來。這不是“貼代碼-運行-拿結(jié)果”那么順利其中有不少反直覺的細節(jié)和失敗教訓(xùn)。我把自己的訓(xùn)練套路以及踩過的坑整理出來希望給你節(jié)約幾周的排查時間。4.1 為什么不用 DQN 而用策略梯度以及 Baseline 的選擇邏輯前面提到選了 REINFORCE這里補充一個更具體的理由。VRP 的每個實例客戶數(shù)量不同意味著動作空間大小不固定DQN 的網(wǎng)絡(luò)結(jié)構(gòu)需要在輸入層或輸出層上做動態(tài) padding 或 mask 處理非常別扭。而策略梯度網(wǎng)絡(luò)天然支持“變長輸出”只要在 Decoder 里加 mask模型就能適配不同的節(jié)點數(shù)量這就讓同一個模型可以泛化到不同規(guī)模的實例上。Baseline 的選擇上我對比過三種方案第一種用一個歷史平均獎勵作為 baseline。實現(xiàn)簡單但方差大、收斂慢非常不推薦。第二種用一個獨立的 critic 網(wǎng)絡(luò)預(yù)測狀態(tài)價值來作為 baseline也就是構(gòu)建 Actor-Critic 結(jié)構(gòu)。效果還行但多加一個網(wǎng)絡(luò)增加了訓(xùn)練復(fù)雜度和不穩(wěn)定性。第三種論文和實踐中效果最好的方案也就是前面說的“貪心解碼作為 baseline”。同一個模型在每一步同時輸出一條貪心路徑和一條采樣路徑利用貪心路徑作為穩(wěn)定的參照來降低方差。這個方案不增加額外網(wǎng)絡(luò)純粹是計算兩次解碼訓(xùn)練穩(wěn)定性和效果卻顯著提升。我實際采用的正是第三種方案下面把實現(xiàn)核心代碼列出。4.2 完整訓(xùn)練循環(huán)代碼與核心解釋訓(xùn)練循環(huán)的代碼主要做以下幾件事批量生成隨機實例、編碼器編碼所有節(jié)點、解碼器循環(huán)生成路徑并記錄對數(shù)概率、計算最終航程與基線之差作為損失、反向傳播。我給出完整度較高的核心代碼def train_epoch(model, optimizer, batch_size64, num_customers20, max_steps1000): 單次訓(xùn)練循環(huán)。 model.train() total_loss 0.0 num_batches max_steps for _ in range(num_batches): optimizer.zero_grad() # 生成一個 batch 的實例 instances CVRPInstance(num_customersnum_customers) coords instances.coords.unsqueeze(0).expand(batch_size, -1, -1) demands instances.demands.unsqueeze(0).expand(batch_size, -1) # ---- 編碼 ---- node_embeds model.encoder(coords, demands.unsqueeze(-1)) # ---- 解碼雙模式 ---- # 用同一套參數(shù)分別執(zhí)行貪心解碼和采樣解碼 greedy_len, _ decode_path(model, node_embeds, coords, demands, greedyTrue) sample_len, sample_logprobs decode_path(model, node_embeds, coords, demands, greedyFalse) # ---- 計算優(yōu)勢與損失 ---- advantage sample_len - greedy_len # 越小越好 loss (advantage.detach() * sample_logprobs).mean() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() total_loss loss.item() return total_loss / num_batches def decode_path(model, node_embeds, coords, demands, greedyTrue): 解碼完整路徑。 返回 (總路程, 對數(shù)概率列表)。 batch_size, num_nodes, _ node_embeds.shape capacity 1.0 # 狀態(tài)初始化 visited torch.zeros(batch_size, num_nodes, dtypetorch.bool) route torch.zeros(batch_size, num_nodes 1, dtypetorch.long) logprobs [] # 當前節(jié)點從 depot(0) 出發(fā) current torch.zeros(batch_size, dtypetorch.long) remaining_cap torch.full((batch_size, 1), capacity) for step in range(num_nodes 1): # 生成 mask mask visited.clone() over_cap (demands remaining_cap.squeeze(-1)) mask mask | over_cap # 剛發(fā)車時禁止去 depot empty_route ((route[:, 1:step1] 0).any(dim1) False) if step 0 else torch.ones(batch_size, dtypetorch.bool) mask[:, 0] mask[:, 0] | empty_route probs model.decoder(node_embeds, current, remaining_cap, mask) if greedy: next_node torch.argmax(probs, dim-1) logp probs.gather(1, next_node.unsqueeze(-1)).log() else: dist torch.distributions.Categorical(probs) next_node dist.sample() logp dist.log_prob(next_node) # 執(zhí)行選擇 route[:, step1] next_node visited[torch.arange(batch_size), next_node] True logprobs.append(logp) # 更新狀態(tài) return_to_depot (next_node 0) remaining_cap torch.where( return_to_depot.unsqueeze(-1), torch.full_like(remaining_cap, capacity), remaining_cap - demands[torch.arange(batch_size), next_node].unsqueeze(-1) ) current next_node # 如果所有客戶都被訪問提前終止 if visited[:, 1:].all(): break # 計算總路程 coords_pick coords[torch.arange(batch_size).unsqueeze(1), route] # route 中的 0 是 padding實際應(yīng)該按每個實例的路徑長度來算 # 這里簡化為分段計算相鄰點的距離并求和 dists torch.sqrt(((coords_pick[:, 1:] - coords_pick[:, :-1]) ** 2).sum(-1)) total_len dists.sum(-1) return total_len, torch.stack(logprobs, dim1).sum(dim1) def greedy_eval(model, instance): 推理時的貪心解碼用于驗證 model.eval() with torch.no_grad(): coords instance.coords.unsqueeze(0) demands instance.demands.unsqueeze(0) node_embeds model.encoder(coords, demands.unsqueeze(-1)) total_len, _ decode_path(model, node_embeds, coords, demands, greedyTrue) return total_len.item()這一段代碼里有幾個隱藏的“巨坑”我逐個說明第一個是 mask 里“空車不能回 depot”的約束。初始狀態(tài)時車還沒服務(wù)任何客戶如果允許直接回 depot模型一上來就會學會“開局認輸”——反正回到原點距離是 0成本最低。不把這個動作堵住訓(xùn)練永遠學不到任何有效的路徑規(guī)劃能力。第二個是remaining_cap的更新我用了torch.where這是一個向量化技巧。如果車輛回到 depot剩余容量直接重置為滿而不是把負數(shù)清零這樣避免了對“超載”狀態(tài)的顯式懲罰因為 mask 已經(jīng)保證超載動作不會被選中而回到 depot 對容量的影響必須是重置不是減去一個值。第三個是logprobs的累積方式。我只對路徑上的實際決策節(jié)點累加對數(shù)概率而不是把所有節(jié)點都累加進去這一點與損失計算的正確性直接相關(guān)。4.3 訓(xùn)練中的梯度裁剪、學習率調(diào)度與歸一化細節(jié)訓(xùn)練過程中我做了三個在處理組合優(yōu)化問題時幾乎必須的工程化處理梯度裁剪Gradient Clippingmax_norm1.0。REINFORCE 的損失對概率的導(dǎo)數(shù)很容易爆炸尤其是訓(xùn)練初期偶爾一批異常實例會帶來很大的優(yōu)勢項。不做梯度裁剪訓(xùn)練很容易直接發(fā)散到 NaN。學習率調(diào)度我采用了余弦退火Cosine Annealing初始學習率 1e-3最低降到 1e-4。相比固定學習率收斂更穩(wěn)定最后的解質(zhì)量也更好。批量歸一化與 LayerNorm 的關(guān)系在 Encoder 里我用的 LayerNorm而不是 BatchNorm。原因在于一個 batch 內(nèi)的實例之間客戶點數(shù)量可以不一樣雖然我的實驗里固定了LayerNorm 只對每個樣本的特征維度做歸一化不依賴 batch 內(nèi)其他樣本分布泛化性更好。在實驗配置上我常用的參數(shù)是參數(shù)值客戶點數(shù)量20訓(xùn)練、50泛化測試批量大小64編碼器層數(shù)3注意力頭數(shù)8嵌入維度128訓(xùn)練總步數(shù)約 10000 步優(yōu)化器Adam初始學習率 1e-3梯度裁剪閾值1.0訓(xùn)練 20 個客戶點規(guī)模的實例大約需要一個小時單張 RTX 3080 上。訓(xùn)出來后在 20 個客戶的隨機實例上模型給出的解與 LKH3 求解得到的近優(yōu)解相比Gap 大約在 2%-5% 之間這個數(shù)字一定程度上取決于實例分布與測試集差異不同環(huán)境下會有波動。如果只看推理速度模型推理單條實例僅需約 20 毫秒而 LKH3 在該規(guī)模下通常需要幾秒到十幾秒。速度換質(zhì)量交易劃算。5. 實驗結(jié)果與代碼的 GitHub 級細節(jié)模型跑通后我很自然地做了兩件事一是拿標準 benchmark 和自己的數(shù)據(jù)集驗證解的質(zhì)量二是把代碼整理成可供復(fù)用的項目結(jié)構(gòu)。這一部分給你看一些真實的數(shù)據(jù)和坑。5.1 在隨機實例上的質(zhì)量與速度表現(xiàn)我做了兩組對比一組是 20 個客戶的實例另一組是 50 個客戶的實例訓(xùn)練只在 20 客戶上進行50 客戶用于測試泛化能力。每組隨機生成 100 條實例分別用 LKH3 與我的模型求解。在 20 個客戶的測試集上模型解與 LKH3 解的 gap 平均在 3.4% 左右方差也比較穩(wěn)定。在 50 個客戶的泛化測試里gap 上升到 7.8% 左右說明模型學到了一定的規(guī)模外推能力但精度折扣明顯。為什么會出現(xiàn)這個差距核心原因在于訓(xùn)練時的實例規(guī)模是 20 個客戶模型的注意力機制雖然在結(jié)構(gòu)上能處理 50 個客戶但它從未“見過”這么大規(guī)模的數(shù)據(jù)分布某些路徑選擇的模式在 50 個客戶場景中未必成立。如果你實際使用場景的實例規(guī)模是 50 個建議直接用 50 個客戶的數(shù)據(jù)訓(xùn)練gap 就能降到與 20 個客戶相當?shù)乃?。速度方面這里給出一個直觀的對比基于單張 RTX 3080、CPU 推理 (i7-12700) 也測試過求解方式20 客戶耗時50 客戶耗時LKH33-8s15-30s模型推理GPU15ms35ms模型推理CPU45ms120ms這個速度差距在需要批量求解上千條實例的場景下非常可觀比如電商物流中一天的訂單可能需要拆分成幾萬條子問題。用 LKH3 逐個算可能要按天計而用模型推理幾分鐘就能跑完。5.2 用 OR-Tools 和 LKH3 對比驗證解的合理性模型跑出來的解需要有一個參照系來評估好壞。我用的參照系是 LKH3 解。但 LKH3 安裝配置成本較高如果你只是想驗證解不是“亂走路”也可以先用 Google OR-Tools 做一套 baseline。下面給出用 OR-Tools 對同樣實例求解的方法我用的版本是 9.xfrom ortools.constraint_solver import routing_enums_pb2, pywrapcp def solve_with_ortools(coords, demands, capacity): num_nodes len(coords) data {} data[distance_matrix] [ [int(((coords[i][0] - coords[j][0])**2 (coords[i][1] - coords[j][1])**2) ** 0.5 * 1000) for j in range(num_nodes)] for i in range(num_nodes) ] data[demands] [0] [int(d) for d in demands[1:]] data[vehicle_capacity] capacity data[num_vehicles] 10 data[depot] 0 manager pywrapcp.RoutingIndexManager(num_nodes, data[num_vehicles], data[depot]) routing pywrapcp.RoutingModel(manager) def distance_callback(from_index, to_index): from_node manager.IndexToNode(from_index) to_node manager.IndexToNode(to_index) return data[distance_matrix][from_node][to_node] transit_callback_index routing.RegisterTransitCallback(distance_callback) routing.SetArcCostEvaluatorOfAllVehicles(transit_callback_index) def demand_callback(from_index): from_node manager.IndexToNode(from_index) return data[demands][from_node] demand_callback_index routing.RegisterUnaryTransitCallback(demand_callback) routing.AddDimensionWithVehicleCapacity( demand_callback_index, 0, [data[vehicle_capacity]] * data[num_vehicles], True, Capacity, ) search_parameters pywrapcp.DefaultRoutingSearchParameters() search_parameters.first_solution_strategy routing_enums_pb2.FirstSolutionStrategy.PATH_CHEAPEST_ARC solution routing.SolveWithParameters(search_parameters) return solution有了這個 baseline 后你可以畫出路徑對比圖直觀地看兩條路徑的繞路程度。有一次我拿 OR-Tools 的解和模型解畫出來對比發(fā)現(xiàn)模型特別喜歡“把相鄰的客戶點串成一個 C 型或 S 型”而不是直線往返——這是因為訓(xùn)練數(shù)據(jù)里的 depo 坐標在原點周圍的客戶越走越遠再回到原點C 型或 S 型是使總距離最短的拓撲結(jié)構(gòu)。這個觀察證明模型確實學到的是“幾何直覺”而不是死背訓(xùn)練集。5.3 代碼庫組織與關(guān)鍵配置說明為了讓你能直接復(fù)現(xiàn)我建議把代碼組織成如下的形式vrp_rl/ ├── data.py # CVRPInstance 數(shù)據(jù)生成器 ├── model.py # Encoder Decoder Pointer ├── train.py # 訓(xùn)練循環(huán) ├── evaluate.py # 模型評估與 LKH3/OR-Tools 對比 ├── config.py # 所有超參數(shù)集中管理 └── README.mdconfig.py 中我習慣把所有超參數(shù)整理成一個 dataclassfrom dataclasses import dataclass dataclass class Config: embed_dim: int 128 num_heads: int 8 num_encoder_layers: int 3 lr: float 1e-3 lr_decay: float 0.96 batch_size: int 64 num_customers: int 20 max_steps: int 10000 grad_clip: float 1.0如果你想復(fù)現(xiàn)運行順序是python train.py先訓(xùn)練模型然后python evaluate.py --checkpoint your_ckpt.pth做推理與對比。如果機器上沒有 GPUCPU 訓(xùn)練小規(guī)模數(shù)據(jù)也能跑只是速度慢一些但不影響理解整個流程。5.4 我這段時間踩過的四個高頻坑這一部分按“惡心程度”排序吧。第一坑RNN 還是 Transformer我一開始用 LSTM 做 Decoder效果差到讓人懷疑人生。原因是 LSTM 在處理長度不定的序列時編碼器-解碼器之間的信息瓶頸太嚴重而且訓(xùn)練速度也慢。換成 Attention 結(jié)構(gòu)后同樣的 epoch 下 gap 從 12% 降到了 5% 左右。如果你的場景也是做組合優(yōu)化問題直接上 Attention 結(jié)構(gòu)別在 RNN 上浪費時間。第二坑Mask 的實現(xiàn)順序。前面提到過空車不能回 depot 的 mask 是必須在訓(xùn)練一開始就加上的。我不止一次在代碼 review 時看到有人把這條 mask 漏了后果是訓(xùn)練不收斂、損失亂跳。排查方法很簡單訓(xùn)練 500 步后打印幾條路徑如果出現(xiàn)“0 - x - 0”這種只服務(wù)一個客戶就掉頭的路徑基本就是這個 mask 沒加。第三坑Batch 內(nèi)實例必須獨立但共享容量。如果你的 batch 里每個實例的 depot 坐標不同那么編碼時要注意坐標歸一化的尺度。我一度為了讓所有 depot 都在原點統(tǒng)一在數(shù)據(jù)生成階段把所有坐標平移讓 depot 落在 (0,0)。這樣模型學起來最簡單在推理時對任意 depot 位置先把坐標整體平移再送進模型輸出路徑后再平移回真實坐標即可。這一步非常重要千萬不能漏。第四坑驗證與訓(xùn)練的 gap。訓(xùn)練時損失確實在下降但驗證集上的路徑質(zhì)量不一定隨之提升可能出現(xiàn)“訓(xùn)練集過擬合到實例分布”的情況。解決辦法是在訓(xùn)練過程中定期生成全新的隨機實例做評估而不是長期固定一套驗證集。因為模型見過類似分布后固定驗證集很容易被記住真實的泛化能力需要在全新數(shù)據(jù)上檢驗。6. 從 CVRP 到真實業(yè)務(wù)強化學習求解 VRP 的邊界與下一步代碼跑通、效果驗證完自然要想它怎么在真實業(yè)務(wù)里落地。這也是我認為寫這篇文章最有價值的部分——你不能把整個訓(xùn)練好的模型直接丟給業(yè)務(wù)系統(tǒng)中間有很多工業(yè)級的細節(jié)需要補齊。6.1 從靜態(tài)數(shù)據(jù)到動態(tài)訂單模型還缺什么我的業(yè)務(wù)場景里訂單是動態(tài)進來的。CVRP 的經(jīng)典設(shè)定是“所有客戶已知、一次規(guī)劃”但現(xiàn)實中往往早上還不知道下午有哪些單。這時候有兩種應(yīng)對思路第一種把時間窗口切成多個片段每個片段的訂單做一次靜態(tài) CVRP 求解。這是最簡單可行的辦法也是我切入點的方式。缺點是片段之間的路線不全局最優(yōu)但勝在穩(wěn)定、可解釋性強。第二種訓(xùn)練一個可以處理動態(tài)加單的模型。例如將“當前時間步還沒到達的客戶需求”作為額外的特征輸入讓模型學會在部分信息下做決策。這屬于更前沿的 research 方向代碼復(fù)雜度高不少如果你的數(shù)據(jù)集里動態(tài)性很強可以沿著這個思路做深度定制。依賴第二種方案時有一件事必須提前規(guī)劃你如何獲取足夠多的“動態(tài)訂單”樣本純模擬生成的數(shù)據(jù)流與真實訂單分布差距很大直接遷移使用可能會水土不服。我的建議是先用模擬數(shù)據(jù)跑通框架然后收集你業(yè)務(wù)里真實訂單流的一小部分作為微調(diào)數(shù)據(jù)采用“先預(yù)訓(xùn)練、后微調(diào)”的方式最終才能讓模型真正在業(yè)務(wù)數(shù)據(jù)上穩(wěn)定工作。6.2 多倉庫、時間窗與真實路網(wǎng)距離如果你遇到的問題是 VRPTW帶時間窗或多倉庫模型改起來其實沒有想象中復(fù)雜——因為決策框架沒有變?!皶r間窗”可以表達為每一步的一個 mask 條件某個客戶如果當前到達時間不在時間窗內(nèi)暫時不可選。“多倉庫”可以在初始輸入里把多個 depot 都編碼進去讓模型決定一開始從哪個倉庫發(fā)車。真正讓你頭痛的不是模型結(jié)構(gòu)而是數(shù)據(jù)規(guī)??蛻酎c數(shù)量一旦超過 200注意力機制的 O(n2) 復(fù)雜度就會讓推理時間指數(shù)級上升那時候你可能需要引入分層策略——先聚類定區(qū)域再在區(qū)域內(nèi)精確求解或預(yù)測路徑。R 路網(wǎng)距離方面?zhèn)鹘y(tǒng)的“歐氏距離假設(shè)”在城區(qū)配送中往往嚴重失真。兩個看起來很近的點隔著一條河地圖上顯示距離不遠但實際開車要繞一大圈。我的經(jīng)驗教訓(xùn)是不要在模型里直接用經(jīng)緯度做歐氏距離。生產(chǎn)環(huán)境中至少要先把客戶點和倉庫之間的真實駕車距離矩陣計算出來然后把這個矩陣作為“預(yù)計算特征”喂給模型或者在訓(xùn)練時將真實距離矩陣作為坐標的替代輸入。后者更快但需要維護一張全量距離矩陣表占內(nèi)存前者更優(yōu)雅但模型內(nèi)部計算的是歐氏距離與真實距離有偏。我自己在業(yè)務(wù)里采用的是折中方案用真實距離矩陣作為解碼階段的獎勵值reward但在 Encoder 的坐標嵌入里仍然用經(jīng)緯度。這樣模型不需要顯式知道路網(wǎng)結(jié)構(gòu)但會在訓(xùn)練時通過 reward 感知到真實距離的“偏差”從而學會繞路。這個方案實測比純歐氏距離的效果穩(wěn)定很多且引擎基本不用改。6.3 模型的維護與持續(xù)迭代這可能是最難的一環(huán)很多人忽略了一個問題訓(xùn)練完成的強化學習模型不是像傳統(tǒng)軟件那樣部署完就完事。它依賴訓(xùn)練數(shù)據(jù)的分布。如果業(yè)務(wù)上線后訂單的空間分布、需求量的量級發(fā)生了變化比如新開了一座倉庫、某個區(qū)域客戶暴增模型的表現(xiàn)會明顯退化你需要建立一套模型監(jiān)控與再訓(xùn)練機制。我的做法是定期比如每周拿出最近一個月的真實訂單重新生成驗證集與當前部署模型的輸出做對比。如果平均路徑成本上升超過某個閾值比如 5%就觸發(fā)用最近數(shù)據(jù)混合舊數(shù)據(jù)做增量訓(xùn)練。這樣做的好處是讓模型始終跟隨業(yè)務(wù)分布的漂移壞處是你要長期維護一套數(shù)據(jù)管線與訓(xùn)練任務(wù)。在這個問題上沒有銀彈但至少可以從架構(gòu)層面把“數(shù)據(jù)生成-訓(xùn)練-評估-部署”做成自動化流程。7. 我的一點總結(jié)與資源方向斷斷續(xù)續(xù)做了這么久回頭來看用強化學習求解 VRP 這個方向有一個很重要的定位它不是要替代行業(yè)求解器而是給“高頻、快速、近似優(yōu)化”的決策場景提供一個新的選擇。如果你的需求是離線算精確調(diào)度方案、算力資源不敏感、每天只求幾次那老老實實用 LKH3 或 OR-Tools 就好。但如果是要求毫秒級響應(yīng)、海量實例并行推理、并且能容忍幾個百分點的精度損失那這套基于注意力機制與策略梯度的方案值得你認真考慮。有時候“最優(yōu)解”不一定是約束條件下數(shù)學上最好的路徑而是在真實業(yè)務(wù)條件下最合適的那條路徑。強化學習讓我見到的正是這種“次優(yōu)但快”的實用主義。希望這份經(jīng)驗和代碼能幫你在自己的場景里少走一些彎路。動手跑起來之后我們再接著聊。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
天天干天天插| 蜜臀av无码久久久久久久久| 激情五月丁香六月| 风流少妇A片一区二区蜜桃| 91青娱乐青青草| 五月天色婷婷基地| 欧美大肥婆大肥BBBBB| 丁香五月在线自慰| 国产在这里只有精品| 欧美肉大捧一进一出免费视频| 一本色道久久88加勒比—| 深爱五月中文字幕| 99热啪啪| 丁香五月婷婷五月天在线| 五月天偷拍| 狠狠色丁香乆乆| 九月丁香婷婷综合激情| 五月天啪啪| 美欧成人视频| 深爱激情五月婷婷| 天天操天天干天天射| 色综合色综合婷婷热| 综合啪啪| 综合色色综合| 婷婷激情六月| 亚洲久艹| 香蕉AV777XXX色综合一区| 少妇大叫太大太粗太爽了A片| 色~性~乱~伦~噜| 成年人丁香五月| 五月丁香花成人社区| 精品九九在线观看视频| 色色色999| 久久超级碰视频| 中文字幕色色| 国产乱子轮XXX农村| 99无码视频| 亚洲秘 无码一区二区三区妃光/1| 九色1区视频在线| 国产资源在线视频| 六月婷婷中文字幕| 懂色av蜜臀av粉嫩av永陈冠希| 日韩精品无码99| 成人精品视频99在线观看免费| 69精品人人人人| 波多野结衣AV无码Porn| 婷婷的色色五月天| 99人妻碰碰碰久久久久视| 丁香五月ⅤA久久久| 色色婷婷综合网| 日本99热| 婷婷五月天,影院| 99这里有精品| 天天弄天天爽| 超碰在线99| 99色在线| 色综合久久久久| 国产欧美日韩性爱| 亚洲精品视频在线播放| 99无码免费视频| 五月丁香六月激情| 99在线观看免费精品视频| 99久热| 六月婷婷av| 一起草无码| 成人网丁香五月| 伊人在线视频| 人妻丰满精品一区二区A片| 伊人春天av| www.99热| 五月香蕉婷婷| 桃色五月婷婷| 激情综合色播| 色婷婷国产精品综合在线观看| 婷婷丁香人妻天天爽| 91/九色黑人| 丁香五月激情图片| 伊人影院久久网| 色激情五月| 综合一啪| 99热精品观看| 婷婷综合网| 狠狠狠狠狠狠狠狠| 日本天天综合| 91人妻人人操| 丁香五月婷婷网| 五月天婷婷色情| 激情综合五月婷婷丁香| 日日噜噜夜夜狠狠久久丁香六月| 激情五月丁香五月| 亚州激情在线视频| 日日操天堂| 五月婷婷开心丁香| 色狠狠综合入口| 色色五月婷婷久久| eeuss人妻| 九九这里只有精品| 夜夜 操无码| 色九月| 伊人影音无码一区二区三区| 欧美肉大捧一进一出免费视频| 青草久久五月婷伊人| 九八Av| 色5月婷婷| www.99操.com| 欧美综合五月丁香六月婷| 大香蕉五月丁香| 日本婷婷五月天| 99精品这里只有免费视频| 精品国产AV色一区二区深夜久久| 5月丁香啪啪啪| 激情亭亭五月| 日本丁香五月| va婷婷在线免费观看| 4399无码视频二区| 五月丁香大相交| 91欧美| 91狠狠色丁香婷婷综合久久精品| www一区二区三区| 色婷婷小视频| www.99久久久| 婷婷丁香人妻| 青青日韩| 91九色在线| 天天干天天操天天干天天操天天干天天操 | 激情综合五月天| 婷婷玖玖丁香| 五月婷婷中文| 99这里是精品| 综合AV在线| 五月婷婷深深爱| 日本欧美国产| 99精品视频偷拍| 婷婷五月天网| 五月丁香在线综合| 99操| 91伦| www.99视频| 俺五月| 久久全色| 999热这里只有精品| 99爱最新免费视频在线观看| 色婷婷激情四射视频| 国产欧洲欧洲精品久久| 五月婷婷激情综合视频| 中文字幕成人| 久久电影五月天丁香电影| 亚洲成人中心| 激情黄色五月天| 六月丁香婷婷综合影院| 777精品久无码人妻蜜桃| 欧美日韩一区二区三区四区| 欧美色狠婷久| 成人一区在线观看| 99色| 强伦轩人妻一区二区电影| 第四色激情网| 丁香影院五月综合| 亚洲激情五月| 色色色色色色网站| 婷婷欧美色| 久在线综合69| 可以免费观看的AV| 夜夜干天天操| 亚洲性爱99| 激情五月天福利| 五月综合无码| 激情五月天婷婷丁香 | 国产肥白大熟妇BBBB视频| 婷婷丁香激情综合色情| 狠狠色婷婷在线| 九久热| 亚洲综合99| 情婷婷五月天| 久久色区| 99在线一区| 婷婷五月天AV| 人妻aV在线| 婷婷五月天激情综合| 加勒比日本一区二区三区| 九九久久精品| 九九热视频99| 丁香六月色婷婷| 天天摸天天舔在线视频| 欧美日韩五月婷婷| 丁香五月狠狠在线观看| 五月天激情视频| 久久一热| 日本www五月婷婷| 99久久精品国产色欲| 青草青草视频2免费观看| 91要啪| 精品99只有。| 色婷婷五月天亚洲 | 97影院一级片| 丁香久久久| 777色婷婷爱五月| 超碰在线94| 成人无码髙潮喷水A片| 九色无码| 色色哒五月婷婷六月丁香| 色噜噜狠狠色综合AV兰草影视| 色色色五月| 狠狠综合网| 五月天开心婷婷激情网站 | 丁香六月婷婷色播| 亚洲激情免费视频| 五月丁香天天| 五月天狠狠网站| 伊人热婷婷| 91中文狠狠综合| 丁香五月激情综合| 六月婷久久| 五月开心深深爱激情综合| 思思色播| 色狠狠色| 久久婷婷人人| 久久九九囯产| 日日夜夜九九| 色欧美一级| 97人人射| 99热亚洲| 日本久久精品18| 六月天丁婷婷| 日韩五月天婷婷| 九九五月天| 丁香五月九九| 婷久久久| 国产毛片操B| 欧洲色| 大香蕉人妻| 超碰网站在线观看| 欧美五月婷婷| 操人妻视频91| 99爱无码| 丁香五月停停av| 5月色婷婷| 成人网址在线观看| 色婷操逼| 亚洲视频二区| 久99久精品视频| 日韩AV一区二区三区| 99久久精品免费精品国产_国产精品久久久久久_国产在线|日韩_久久国产精品电影 | 丁香五月婷婷88在线| 日本一级一级一级一级| 五月丁香激情综合网| www.综合久久.com| 久久九九@| 六月综合婷婷开心伊人| 久久中国毛毛片爱久久| 久久久香港| 色婷婷很很丝袜| 777精品久无码人妻蜜桃| 色色a| 色婷婷六月天| 97色色综合| 色婷婷丁香五月天在线观看| 九九99视频| 狠狠狠狠操| 99热这里只有精品69| 五月色婷婷亚洲| 依人大香蕉| 97人人操在线| 色色色色五月天| 91碰在线| 99精品在线播放| 五月天堂色| 久99久在线观看| 百度4399有码精品V在线观看| 人操91在线| 任我干视频在线观看| 黄色国久久| 三级毛片视频| 人五月天婷婷喷水| 婷婷丁香婷婷97| 碰人人97| 玖玖五月丁香| 99久超碰| 91一起操| 丁香女人五月天| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 成人五月天综合网| 亚洲视频在线观看99| 五月丁香啪啪啪免费看| 情五月亚洲婷婷| 丁香久色| 久久只这里有精品| 亚洲成人va| 99热99re6国产在线播放| 极品五月天| 丁香五月第四色88| 久久婷婷综合五月趴| av操一操| 激情网婷婷五月天| 五月丁香色婷婷久久| 黄色成人网站在线播放| 亚洲中文乱字字幕在线永久| 天天日天天操心| 精品国产乱码久久久久久免费| 国产成人一区二区三区在线观看| 精品二区| 麻豆精品| 成人网站在线观看视频| 五月丁香综合网色欲| 激情婷婷丁香色五月综合| 丁香五月综合图片在线观看| 婷婷五月天堂一本在线| 五月婷婷天天| 久久久网站| 色婷婷亚洲婷婷| 青柠影视免费高清电视剧| 潘金莲AAAAAAAAAA| 久99热| 国产亚洲精品AAAAAAA片| 国产又色又爽又黄又免费| 九九九激情网| 婷婷丁香五月色偷偷| www.91九色| 六月丁香婷婷视频综合在线观看| 久久午夜理论| 久久久久久久久人妻| 超碰99热精品| 久久天天| 久久5 9视频免费观看| 丁香五月成人自拍| 亚洲啪啪啪啪| 九九久久99| 九九亚洲视频| 激情文学久久| 国产黄大片在线观看画质优化| 九九成人电影婷婷| 婷婷婷久久久| 九九免费精品在线视频| 久色欧美| 色九九综合| 99久久网站| 日韩黄色影院| 香蕉久久国产av一区二区| 天天爽在线视频| 五月丁香在线婷婷蜜桃| 色天五月天在线观看视频| 久久婷婷影院| 五月天婷婷色播综合在线| 日韩精品电影| 中文字幕成人| 亚洲综合色五月| 亚洲欧美婷婷五月色综合| 婷婷五月天激情文学| www.色五月| 色色五月综合| 五月天激情综合网站| 五月激情综合深爱| 成人AV在线网站| 国产精品18久久久| 久久99精品久久久久久青青AR| 九九色色网| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 色人久久| 热久久999| 色婷婷免费视频| \\五月天婷婷激情| 五月天社区婷婷丁香社区| www激情| 无码少妇高潮喷水A片免费| 激情久久网 | 成人在线视频网| 午夜丁香婷婷| www.99热这里精品| 久久婷五月综合色| 99九九在线视频| 日本精品久久久久中文字幕 | 九九综合五月欧美| 五月激情婷婷图片基地| 日日.c| 精品五月天| 久久婷婷一级片| www九九| 热99视频| 久99久在线| 久久五月婷天天干| 99视频精品全部免费看| 亚洲情欲| 99精品成人无码A片观看金桔| 丁香五月123| 婷五月丁香| 久久九精品| 国产午夜精品AV一区二区麻豆| 免费成人网在线观看| 亚州激情网| 思思热视频在线观看| 97自拍视频在线| 国产原创视频91九色| 大香蕉综合网| 色偷偷综合| 99在线精品免费视频| 精品99在线| 日日操日日射| 激情五月色婷婷| 69久热| 婷婷欧美色| 日日操日日撸| 国产精品人人做人人爽人人添| 亚洲综合另类| 亚洲色A| 婷婷五月婷婷| 精品亚洲国产成AV人片传媒 | 高清无码中文字幕aVDV| 99亚洲精品视频| 久热9热| 亚洲婷婷月丁香五月| 91凹凸在线| 97伦乱| 精热在线综合网| 激情五月天小说网| 99欧美精品99日本精品| 免费的日逼视频| 久久婷狠狠色| 91啦丨九色丨刺激中文| 襙比视频| 五月婷婷婷婷| 97热精品| 天天色天天色天天色天天色天天色| 思思热精品在线视频| 337p大胆噜噜噜噜噜91Av| 日韩无码系列| 这里只有精品69| 香蕉久久国产AV一区二区| 大香蕉人在线65| 国产精品久久7777777精品无码| 婷婷丁香六月| 在线中文字幕视频| 色呦呦美女| 九九精品碰| 婷婷涩涩网| 思思热精品在线视频| 91视频久久久| 天天久| 五月婷婷很很色| 婷婷区日本| 亚洲久热| 婷婷伊人75| 人人操人人爱丁香五月| 黄色片久久| 可以免费看av网站| 婷婷丁香五月天激情| 久久久久久激情| 超碰99资源站| 伊人狠狠色婷婷综合丁香一区| 小视频一区| 任你爽视频| 国产亚洲99| 亚洲啪啪啪啪| 一区二区免费看| 色色色色网站| 九九热在线视频观看免费10| 五月丁香六月综合激情无码软件亮点| 日本色色色色色色色色一色二色| 色婷婷丁香五月观看| 亚洲欧洲另类| 99无码免费视频| 欧洲色色| 欧美色六月婷婷| 中文字幕丰满孑伦无码专区| 综合xx网| 风流少妇A片一区二区蜜桃| 五月天婷婷xxx| www夜夜操| 深爱五月月天| 成人精品在线观看| 天天夜天天色天天| 秋霞少妇毛片| 美国十月色婷婷在线观看| 丁J香六月首页| 亚洲日日操| 97久操视频| 超碰97干| 婷婷丁香射射| 久草热8精品视频在线观看 | 99热亚洲| 久久综合丁香| 久99| 亚洲AV第二区国产精品| 91九色视频在线观看| 国产精品日日躁夜夜躁| 538在线精品| 99re热精品视频国| 免费看欧美成人A片无码| 五月天伊人手机在线播放AV| 婷婷综合偷拍| 超碰成人电影| 日日干综合| 大香蕉天堂色| 99热综合网| 久热视频A.| 激情综合网激情五月俺也去| 五月天婷婷综合| 色五月色五天色情网| 搡BBBB搡BBB搡五十| 久久久久久久合一狠狠做深爱| 久久久婷婷色五月资源网| 9久久久久| 国产视频久色| 91久久九色| 色综合色| 丁香六月婷婷姐网| 99精品一二三四视频| 午夜少妇在线观看视频| 天天干天天操天天射| 99热精品在线播放观看| 婷婷综合在线视频| 久久丁香五月婷婷| 婷婷丁香亚洲五月天| 琪琪色五月天| 免看黄大片AA | 伊人网大香| 色狠久| 成人天天爽| 99九九在线| 大香蕉网 久久| 99久久激情视频| 五月婷婷影| 久久香蕉网| 久久久全国免费视频| 青青草成人网| 色色五月天婷婷丁香| 99只有这里是精品| 狠狠综合| 欧美人人超级碰| 成人无码精品1区2区3区免费看| 丁香六月婷婷色播| 色情一区二区播放| 久热九九| 婷婷色六月| 激情内射人妻1区2区3区| 网色99| 在热视频精品| 第2色五月婷| 99超碰在线观看| 97色精品视频| 99国产精品白浆在线观看免费| 91干视频| 婷婷99狠狠| 色青五月天| 这里只有精品偷拍| 7超碰自拍| 99丝袜精品视频网站| 九九婷| 人妻丰满精品一区二区A片| 五月婷婷影院| 九九色99| 丁香五月电影| 激情综合99| 亚洲在线成人| 91碰操| 亚洲AV日韩在线观看| 丁香五月天AV在线 | 大香蕉婷婷久久| 五月综合激情视频在线| 91大屁股| 在线A色| 狠狠做五月婷婷| 色婷婷五月天亚洲| www.夜夜操.con| 99久久久久| 九九热自拍| 婷婷欧美激情综合| 97在线/亚洲| 亚洲综合1024| 这里只有精品免费在线视频| 久久丁香婷婷五月天| 九九精品网站| 99无码免费视频| 99这里精品| 精品无码色| 激情婷婷五月黑人| AV国产有码| 色爱终和网| 婷婷五月天高清无码| 婷婷五月天久久| a久久| 91丨九色丨高潮丰满日本| 亚洲人妻Av| www.久久久久久久| 激情综合网 激情五月天| 26uuu另类| 五月天,激情四射,婷婷频道| 思思热久热| 五月丁香淫淫婷婷婷| 五月天色婷婷综合| 五月丁香啪综合| 人妻激情综合| 99精品网| 久久加勤综合| 亚洲Av成人在线观看| 五月丁香六月色| 99精品热视频| 五月天婷婷三级黄| 少妇人妻综合色6699| 网站免费一站二站| 思思热99热| 99综合网| 91干婷婷| 九艹在线| 第2色五月婷| 天天日天天做天天操| 五月丁香六月婷婷无码| 日本一级一片免费视频| 99国产精品白浆在线观看免费| 丁香五月婷婷国产在线| 丁香婷婷六月天| 99re最新地址视频| 婷婷久久亚洲| 婷婷六月色| 九月丁香网婷婷| 伊人青涩网| 他改变了拜占庭| 精品综合五月| 视频一二区| 中文字幕在线aⅴ免费观看| 色色婷婷婷丁香五月天| 999热在线视频| www.狠狠干| 色五月AV| 国产午夜伦鲁鲁| 二级黄色毛片| 亚洲综合色丁香五月天| VA色婷婷| 97碰碰免费.视频| 日韩成人中文字幕| 精品九九视频| 91九色国产在线| A片天天| 午夜亚洲国产精品av一区二区| 99成人精品六| 天天肏高清在线| 青青草原亚洲天堂| 精品久久久久久久人妻| 国产成人99久久亚洲综合精品| ai97re99一本| 五月天另类小说亚洲| 色玖玖综合| 亚洲成人在线播放| 日良久久| 99亚州综合精品成人网| 99久在线精品99re8| 丁香五月婷婷高清| 久久成人综合五月天| 性视频久久| 五月婷av| 成人网站免费sxj| 欧美日综合| 九九综合网色全集| 伊人久久五月天| 色色色色网站| 激情五月天视频| 五月天婷婷成人网| 婷婷激情五月天桃花网| 婷婷舔| 99激情视频| 日韩成人免费电影| 五月婷婷激情中文字幕| 91av视频| 亚洲综合在线丁香五月| 熟女人妻一区二区三区免费看| 久大香蕉| 成人看片网站| 精热在线综合网| 九九久久99| 天天色噜| 激情五月天综合| 秋霞影音91人妻久久| 婷婷丁香一月| 五婷婷六月合| 亚洲激情免费久久| www.天天干.com| 欧亚洲在线高清视频| 在线观看的av| 久久网日本| 激情五月天啪啪| www.久久久久久久久久久| 五月婷九九草| Av在线不卡一区| 99色在线观看视频者| 五月婷婷久久大片| 黃色三级三级三级三级 qixing300.shrkbk.com www.jinbozs.com tianmiaosw.com | 热99在线精品| 激情綜合網址| 九热...av| 丁香五月区| 99爱在线视频| 开心五月网| 久色资源| 日日干日日| 五月婷婷激情中文字幕| 99热网址| 色色色婷婷五月天| 日本色婷婷| 九月婷婷| 婷婷视频网| 成人国产欧美大片一区| 99热在线观看| 岛国AAAV| 色色色色色日韩午夜激情 | 欧美激情久| 碰碰人人漕| 在线观看亚洲视频影院| 在线视频另类| 丁香六月激| 六月丁香视频网站| 深爱开心五月天| w婷婷五月婷婷w| 极品五月天| 99热在线这里| 日日干日日| 丁香九月久久| 天天做天天爱| 色综合99| 国产精品99久久久久久久女警| 亚洲亚洲人成综合网络| 五月婷婷香蕉| 欧美色色色色色色色色| 91精产品自偷自偷综合| 伊人久久99| 伊人丁香六月婷婷| 69午夜成人影片| 思思久热6| 五月丁香六月激情欧美综合| 色五月激情综合| 91丨九色丨熟女|新版| 欧美在线视频99| 九九热超碰| 国产成人综合亚洲| 热婷婷av| 伊人网啪啪| 91婷婷| 亚洲第一色色色色| 婷婷丁香综合成人| 天天做天天爽| 精品久久久人妻| 国产成人精品一区二三区熟女在线 | 国产毛片精品一区二区色欲黄A片 国产人妻777人伦精品HD | 97成人丁香婷婷| 天天日夜夜草进麻麻的子宫| 色综合久久88色综合天天| 99热这里只有精品首页| 色婷婷狠| 五月天综合| 日韩中出视频| 91丨九色丨熟女丰满| 五月婷丁香花| 五月天婷婷深深爱| 日本欧美成人片AAAA| 久久机热/这里只有精品| av在线播放网站| 欧美毛卡| 色五月婷色彩免播放器| 六月丁香婷婷在线波多| 91视频精品99| 国产精产国品一二三在观看| 亚洲9久久精品| 六月丁香色色| 伊人青草成人| 99色性爰网络| 狠狠干婷婷| 99ER热精品视频| 亚洲成片在线观看| 婷婷在线视频| 天天免费日日夜夜夜夜| 亚洲无码成人| 国外亚洲成AV人片在线观看| 97人人操人人操人人操人人| 丁香五月综合| 六月婷婷狠狠做| 人人摸人人澡人人| 丁香五月天社区| 亚洲影院婷婷色| 婷婷精品视频| 亚洲行行色色| 五月婷婷99热| 小香蕉av| 色婷婷777狠狠| 丁香婷婷少妇| 色情五月停停丁香| 久久大香蕉| 九月丁香网婷婷| 中文字幕,综合,91| 综合色五月天| 五月丁香六月婷婷成人电影| 成人精品视频99在线观看免费 | 五月婷婷国产| 秋霞黄色一级久久| 中文在线视频久1| 夜夜操夜夜操| www.婷婷五月.com| 99er日韩| 五月婷婷天| 开心五月深爱五月| 我想看国产大学生口爆吞精的视频| 久久视网36| 天天摸色吧天天摸色吧| 狠狠穞A片一區二區三區| 婷婷WWW久久| 人妻自慰在线| 激情五月婷婷五月| 婷婷色色五月天| 日韩久综合| 色五月aV| 欧美在线操| 天天色2017| 激情综合久久| 激情5月婷婷| 久久思思热| 99热天堂| SS丁香五月婷婷| 九热视频| 色级婷婷| 狠狠五月丁香色婷| 思思热在线视频精品| 激情婷婷丁香五月| 欧美婷婷| 99在线观看精品视频| 中文字幕人成乱码在线观看| 狠狠狠狠狠狠色| 五月香六月婷| 天天日天天插| 影音先锋91| www,五月天激情| 色99色| 99ri国产精品| 久久人妻系列| 五月丁香婷婷综合| 99五月婷| 婷婷五月天色综合| 久久婷色| 站长推荐无码播放| 婷婷五月色網站| 色色五月天婷婷| 狼人狠狠操| 开心婷婷五月中文字幕组| 另类图片五月天| 婷婷成人AV| 中文字幕婷婷五月天在线观看| 丁香六月婷婷久久综合| 99热加勒比| 亚洲人妻五月丁香婷婷| 久久婷婷五月天| 五月激情啪啪啪| 综合图片色色| 97人碰人操| 99热成人精品| 久久久ww| 青青草五月天| 啪啪激情网站| 激情综合网激情五月天| 色播五月丁香| 色99自拍| 日韩成人电影Av| 操嫩逼电影| av国产精品| 欧美操人| 91久久九久久九久久九久久九久久| 在线亚洲综合网| 久久网思思| 影音先锋女人AA鲁色资源| 久久婷婷丁香| 激情五月天视频| 久久丁香网| 婷婷五月天激情亚洲小说| 337p大胆噜噜噜噜噜91Av| 欧洲不卡视频| 伊人玖玖网| 91女人18毛片水多国产| 26uuu欧美亚洲日韩| 91丨九色丨国产打屁股| 99热日本| 五月色婷| 一区二区免费看| 色色色色热| 丁香五月激情综合久久| 色婷五月| www久久久久久久久久久| 色播五月婷婷综合| 开心五月网 | www.精品99| 成人毛片在线免费观看| 天天草天天摸| 久久五月天精品视频| 开心五月激情五月丁香五月婷婷| 日本狠狠干| 日本一级黄色电影| 五月天色色婷婷| 五月丁香中文婷婷中文| 五月天天爽| 日本精品人妻无码77777| 人人色性网| 97色碰| 婷婷丁香视频在线观看免费| 五月丁香在线观看| 婷婷综合久久| 91操操| 五月丁香六月在线欧美| 97超碰综合| av网址在线| 色色色色综合网| 激情AV| 婷婷情色五月天| 大香蕉婷婷丁香| 五月丁香成人小说| 丁香五月天激情四射网| 天堂草在线观看| 久草婷妨| 少妇人妻综合色6699| 沈娜娜av| 开心五月色婷婷综合开心网| 五月停性愛| 日本熟女一区二区| 99丁香五月| 婷婷激情五月天小说校园| 丁香婷婷影院| 这里只有精品视频99| www.1024久久| 婷婷免费视频| 日亚二欧美| 五月激情综合网| 婷婷丁香五月91| 色碰碰| 7超碰自拍| 狠狠干婷婷| 欧洲婷婷五月天| 99网| 色五月色五天色情网| 五月丁香综缴情性爱| 激情五月综合网最新| 99热精品超碰| 久9免费视频| 97在线精品视频| 激情五月天影院| 新99思思视频| 99热99艹在线观看| 五月六月婷婷| 在线伦子99热| 夜夜大香蕉婷婷丁香| 97久久精品| 亚洲激情综合| 国产寻花在线| 日本久久色| 五月丁香操亭亭网| 97热九九| 久久婷婷五月天激情四射| 成人在线视频网| 五月天综合网| 婷婷中文字幕版| 久久性爱激情| 七七九色| 91日韩在线| 亚洲妇女熟BBW| 丁香五月婷婷欧美成人色图| 丁香天堂夜| 欧美日综合| 丁香五月在线视频| 婷婷在线五月综合| 五月六月伦理| 激情四射网| 狼人久草| 99综合免费视频| 加勒比日本一区二区三区| 秋霞A V毛片| 人妻性爱| 99cao婷婷| 5五月综合网亚洲| 日日噜噜夜夜狠狠久久丁香六月| 九色婷婷| WWW.色婷婷.COM| 97干视频在线| 婷婷五月成人| Jh7Uf088VHafNm| 99热精品超碰| 亚洲色五月| hd五月婷婷在线| 人人综合91网| 久久一热| 日本噜噜色网| 婷婷成人在线| 色五月综合网| 五月的丁香六月的婷婷| 超级碰碰视频无码| 亭亭色色五月天| 亚洲色爽| 大香蕉在线观看9| 色婷婷导航| 色综合五月在线| 91丨人妻丨国产丨丝袜| 色五月天丁香| 婷婷丁香五月天色区| 丁香9月婷婷| 香蕉综合在线| 成人网丁香五月| 99啊精典免费视频| 天天操夜夜操| 成人综合伍月天| 久久婷婷啪啪视频| 国产欧美熟妇另类久久久| 不卡影院午夜理论片| www.五月天婷婷| 九九伊人网| 婷婷开心五月| AV在线观看网站| 九九热这里只有精品6| 五月亭亭综合五码| 五月丁香综合影院| www.五月天婷婷| 亚洲综合色棒| 婷婷丁香五月天影院| 五月天激情网图片| 婷婷五月天在线一区| 人妻激情综合| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 亚洲久热| 五月色情婷婷| 五月天色丁香| 婷婷五月美女直播| 人人草成人视频| 夜色.cnm| 婷婷六月综合激情| 久久丁香五月婷| 99色综合| 日本V在线观看不卡视频网站| 黄色五月婷婷| 激情五月丁香激情综合网 | 91丨九色丨国产打屁股| 五月天狠狠网| 激情网 五月天| 91日视频| 亚洲 在线 另类| 欧美人人操| 婷婷成人网五月天| 99啪视频在线观看| 婷婷五月天av| 五月天播播中文字幕| 丁香五月 综合| 久热婷婷在线视频| 成人国产欧美大片一区| 九月婷婷色色| 激情网婷婷婷| 掩去也综合五月视频| 中文在线视频久9| www.国产色| 色色日本| 99精彩视频在线观看| 97碰| 丁香五月激情啪啪啪啪| 午夜天堂啪啪| 射久久丁香五月| 久久这里99| 色色色五月婷婷| 婷婷五月天久| 丁香五月天社区| 五月丁香自拍| 五月婷婷福利| www久久五月com| 91九色视频在线观看| 七月丁香五月婷婷在线| 婷婷五月天久久久| 五月婷亚洲精品| 五月丁香久久久日婷婷久久婷婷日| 啪啪 综合网| yirenjiqingshiping| 婷婷综合在线| 黄色成人网站在线播放| 五月天色网站| 婷婷色五月天第7色| 99啪| 五月婷婷 自拍| 亚洲亚洲人成综合网络| 亚洲精品亚洲人成人网| 久久精品人妻| 天天爽天天透天天爱| 五月婷婷啪| www.久久婷婷| 69热91天堂| 国产亚洲精品AAAAAAA片| 99ri国产| 另类激情综合| www.激情五月天com| anquye伊人| 色5月婷婷| 大香蕉Av在线| 国产99久9在线+|+传媒| 国产精品99久久久久久久女警 | 翔田千里 50岁 无码| 国产午夜一区二区三区| 激情二色月| 激情五婷精品网在线观看网址| 久久久久久99精品无码| 中文字幕久久婷九女同| 日韩AV免费电影在线播放| 欧美久热| 开心五月婷婷激情| 丁香五月天激情视频| 天天日日爽| 丁香婷婷射| 亚洲激情免费久久| 狠狠综合| 91超级碰在线视频| 久久婷婷草| 久久男人网婷婷| 91 影音先锋| 99热66| 色99网| 五月婷啪| 五月天播播中文字幕| 日本激情综合| sewuyuejiqingwang| 99热99日…..| 97成人丁香婷婷| 五月婷婷性爱| 人妻AV在线观看| 久久超级碰碰| 丁香六月婷婷色播| 伊人超碰在线| 免费在线观看av网站| 五月天激情美女久久| caop视频| 国外亚洲成AV人片在线观看 | 99热精品9| 精品无码色欲AV| 天天婷婷天天| 六月丁婷婷| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 人人人操B超碰| 婷婷五月天日日日干干干| 99综合婷婷五月| 丁香五月激情婷婷视频| 狠狠综合久久| 伊人www22综合色| 开心五月婷婷婷美女| 超碰色女| 亚洲免费av观看| 色婷婷女优有码五月亭| 婷婷综合av| 91亚洲免费片| 超碰激情五月| 综合玖玖偷拍| 九九偷拍网| 色爱99| 大香蕉大香蕉在线影院| 丁香 久久| 丁香五月天.com| 色婷婷综合综合网| 六月丁香色色| 久热人妻| 亚洲黄色影视| 婷婷伊人网| 欧亚色色| 五月六月丁香激情视频| 99热6这里只有精品6| 五月丁香视频在线观看| 色婷婷在线综合色播网| 色婷婷婷综合五月天| wwccc久久久| 五月天伊人日日噜影片AV| 伊人狠狠操| 久久久久久五月天| 色婷婷小说| 特级西西4444www无码| 六月份天丁香婷婷| 色九月婷婷综合| 超碰人人草| 婷婷五月综合网| 超碰碰碰碰| 色色综合视频| 五月天色婷婷激情综合| 天天 青草 制服丝袜 在线| 六月婷婷五月丁香首页| www.sd-xiangsu.cpm| 亚洲精品色色| 99热视| 午夜九九电影| 激情五月天色爱| 99热成人在线| 丁香五月伊人| 9久国产| 色99网站| 色色色热| 嫩草极品| www.99操.com| 国产免费av在线| 人妻激情综合| 888精品福利地址| 激情伊人五月婷婷久久| 激情五月天婷婷视频| 啪到高潮激情丁香五月| 丁香六月婷婷色XXXXX| 丁香 亚洲 久久| 91ncm视频| 性爱视频久久| 国产AV一区二区三区最新精品| 无码AV大香线蕉伊人| 婷婷丁香www视频日本韩国| 97人操人免费视频| 狠狠色色| 草AV9999| 国产日韩亚洲欧美在线观看| 久热69| 玖玖热视频| 一本大道嫩草AV无码专区| 国产毛片操B| 日本色色网站| 91狠狠综合久久| 全国最新疫情| 婷婷婷婷色| 五月丁香成人| 成人午夜无码视频| 天堂久久久久天堂网| 玖玖婷婷视频| www,五月天com| 呦呦v线| 色99网站| 9 1超碰九色| 亚洲日韩乱码一区二区三区四区| 极品人妻VIDEOSSS人妻| 黄页免费一级视频懂色| 中文精品在| 婷婷五月天堂网| 丁香五月在线观看综合| 婷婷五月综合视频免费播放| 五月丁香六月激情综合| 国产午夜一区二区三区| 欧美成人AAA片一区国产精品| 青吴乐视频| 色综合中文色综合网| 久久九九怡红院| 玖玖资源站视频| 高清无码网址| 91九色网| 日韩精品视频中文字幕| 啪啪东京热| 久久狠狠欧美| 五月激情黄色小说| 色爱亚洲| 丁香婷婷色五月| 九色综合网| 在线中文亚洲| 天干干夜夜操| 婷婷深爱五月| 丁香色五月 97干| 丁香五月婷婷操逼| 日韩无码专区| 99视频这里只有久久精品 | 五月天激情小说网| 1024人妻无码中文字幕| 五月丁香六月香香蕉| 六月婷婷私欲| 超碰国产在线观看| 91碰碰| 婷色视频| 人人色人人摸人人看| 丁香婷在线| 九九综合| 一本色道久久综合狠狠躁一二三| 亚洲一区国产传媒| 激情www.98com| 99色视频| 成人做爰高潮A片免费视频| 色色婷婷色色| 99热这是里只有精品|