คำถามติดแท็ก linear-programming

วิธีการทางคณิตศาสตร์และการคำนวณเพื่อค้นหาผลลัพธ์ที่ดีที่สุดในแบบจำลองทางคณิตศาสตร์ที่กำหนดซึ่งรายการความต้องการจะแสดงเป็นความสัมพันธ์เชิงเส้น

1
วิธีที่จะไม่คำนวณวงกลมที่เล็กที่สุดซึ่งล้อมรอบกลุ่มของขอบเขตที่แน่นอน
สมมติว่าเรามีขอบเขตLLLของดิสก์ในและเราต้องการที่จะคำนวณดิสก์ขนาดเล็กที่สุดที่D วิธีมาตรฐานในการทำเช่นนี้คือการใช้อัลกอริทึมของ Matousek, Sharir และ Welzl [1] เพื่อหาพื้นฐานของและให้ดิสก์ขนาดเล็กที่สุดที่มีB ดิสก์อาจคำนวณพีชคณิตโดยใช้ความจริงที่ว่าตั้งแต่เป็นพื้นฐานแต่ละดิสก์ในสัมผัสกันไปBR2R2\mathbb{R}^2DDD⋃L⊆D⋃L⊆D\bigcup L\subseteq DBBBLLLD=⟨B⟩D=⟨B⟩D=\langle B\rangle⋃B⋃B\bigcup B⟨B⟩⟨B⟩\langle B\rangleBBBBBB⟨B⟩⟨B⟩\langle B\rangle (เป็นพื้นฐานของถ้านั้นน้อยที่สุดเช่นพื้นฐานมีองค์ประกอบอย่างน้อยสามองค์ประกอบโดยทั่วไปสำหรับลูกในเป็นพื้นฐาน มีองค์ประกอบมากที่สุด)L B ⟨ B ⟩ = ⟨ L ⟩ R d d + 1B⊆LB⊆LB\subseteq LLLLBBB⟨B⟩=⟨L⟩⟨B⟩=⟨L⟩\langle B\rangle=\langle L\rangleRdRd\mathbb{R}^dd+1d+1d+1 มันเป็นอัลกอริทึมแบบสุ่มซ้ำดังนี้ (แต่ดูด้านล่างสำหรับเวอร์ชันที่ซ้ำซึ่งอาจเข้าใจได้ง่ายขึ้น) โพรซีเดอร์ : อินพุต : ชุดดิสก์จำนวน จำกัด ,โดยที่เป็นพื้นฐาน (ของ )MSW(L,B)MSW(L,B)MSW(L, B) LLLBBBBBBBBB ถ้ากลับBL=∅L=∅L=\varnothingBBB มิฉะนั้นเลือกโดยการสุ่มX∈LX∈LX\in L ให้B)B′←MSW(L−{X},B)B′←MSW(L−{X},B)B'\leftarrow …

1
การแก้โปรแกรม semidefinite ในเวลาพหุนาม
เรารู้ว่าโปรแกรมเชิงเส้น (LP) สามารถแก้ไขได้อย่างแน่นอนในเวลาพหุนามโดยใช้วิธี ellipsoid หรือวิธีการจุดภายในเช่นอัลกอริทึมของ Karmarkar LPs บางตัวที่มีจำนวนตัวแปร / ข้อ จำกัด จำนวนมากสามารถอธิบายได้ในเวลาพหุนามหากเราสามารถออกแบบ oracle time แยกพหุนามสำหรับพวกเขา โปรแกรม semidefinite (SDP) คืออะไร? SDPs ประเภทใดที่สามารถแก้ไขได้อย่างแน่นอนในเวลาพหุนาม เมื่อ SDP ไม่สามารถแก้ไขได้อย่างแม่นยำเราสามารถออกแบบ FPTAS / PTAS เพื่อแก้ไขได้หรือไม่ เงื่อนไขทางเทคนิคที่สามารถทำได้มีอะไรบ้าง เราสามารถแก้ SDP ที่มีจำนวนตัวแปร / ข้อ จำกัด ในเวลาพหุนามถ้าเราสามารถออกแบบพยากรณ์การแยกเวลาแบบพหุนามกับมันได้หรือไม่? เราสามารถแก้ปัญหา SDP ที่เกิดขึ้นจากปัญหาการปรับแต่งแบบ Combinatorial (MAX-CUT, การระบายสีด้วยกราฟ) ได้อย่างมีประสิทธิภาพหรือไม่? หากเราสามารถแก้ไขได้เฉพาะภายใน factor จะไม่ส่งผลต่ออัลกอริทึมการประมาณค่าปัจจัยคงที่ (เช่น 0.878 สำหรับอัลกอริทึม Goemans-Williamson …

1
โครงสร้างของอินสแตนซ์พยาธิวิทยาสำหรับอัลกอริธึมเริม
เท่าที่ฉันเข้าใจทุกคนรู้กฎ pivot ที่กำหนดขึ้นสำหรับอัลกอริธึม simplex มีอินพุตเฉพาะซึ่งอัลกอริทึมต้องใช้เวลาเอ็กซ์โพเนนเชียล (หรืออย่างน้อยไม่ใช่พหุนาม) เพื่อค้นหาสิ่งที่ดี ให้เราเรียกว่า 'พยาธิวิทยา' อินสแตนซ์เหล่านี้เนื่องจากโดยทั่วไป (เช่นในอินพุตส่วนใหญ่) อัลกอริทึมแบบซิมเพล็กซ์จะสิ้นสุดลงอย่างรวดเร็ว ฉันจำได้จากหลักสูตรการเขียนโปรแกรมคณิตศาสตร์ของฉันว่าตัวอย่างมาตรฐานของตัวอย่างทางพยาธิวิทยาสำหรับกฎเฉพาะนั้นมีโครงสร้างสูง คำถามทั่วไปของฉันคือถ้านี่เป็นสิ่งประดิษฐ์ของตัวอย่างที่เฉพาะเจาะจงหรือคุณลักษณะของอินสแตนซ์ทางพยาธิวิทยาโดยทั่วไป? ผลลัพธ์เช่นการวิเคราะห์ที่ราบรื่นและอัลกอริธึมเวลาแบบพหุนามขยายได้โดยอาศัยการรบกวนอินพุต - แนะนำว่าตัวอย่างทางพยาธิวิทยานั้นพิเศษมาก ดังนั้นสัญชาตญาณว่าอินสแตนซ์ทางพยาธิวิทยาที่มีโครงสร้างสูงดูเหมือนจะไม่ได้เรียกที่ไกล ใครมีความเข้าใจที่เฉพาะเจาะจงเกี่ยวกับเรื่องนี้? หรือการอ้างอิงถึงงานที่มีอยู่? ฉันมีความคลุมเครือเป็นพิเศษเกี่ยวกับสิ่งที่ฉันหมายถึงโดย 'โครงสร้าง' เพื่อพยายามที่จะห้อมล้อมที่สุดเท่าที่จะทำได้ คำแนะนำหรือการอ้างอิงใด ๆ ที่ชื่นชมอย่างมาก!

1
ความเท่าเทียมกันของการตรวจสอบความเป็นไปได้และการเพิ่มประสิทธิภาพสำหรับระบบเชิงเส้น
วิธีหนึ่งที่จะแสดงให้เห็นว่าการตรวจสอบความเป็นไปได้ของระบบเชิงเส้นของความไม่เท่าเทียมนั้นเป็นเรื่องยากเท่ากับการเขียนโปรแกรมเชิงเส้นผ่านการลดขนาดที่กำหนดโดยวิธีรูปไข่ วิธีที่ง่ายยิ่งขึ้นคือการคาดเดาทางออกที่ดีที่สุดและแนะนำให้เป็นข้อ จำกัด ผ่านการค้นหาแบบไบนารี การลดลงทั้งสองนี้เป็นพหุนาม แต่ไม่ใช่พหุนามอย่างยิ่ง (กล่าวคือขึ้นอยู่กับจำนวนของบิตในค่าสัมประสิทธิ์ของความไม่เท่าเทียมกัน) มีการลดพหุนามอย่างมากจากการปรับ LP ให้เป็นไปได้ที่ LP เป็นไปได้หรือไม่

1
เราสามารถสุ่มตัวอย่างเพื่อนบ้านของจุดยอดได้อย่างมีประสิทธิภาพในกราฟของ polytope หรือไม่?
ฉันมี polytope PPPกำหนดโดย{ x : A x ≤ b , x ≥ 0 }{x:Ax≤b,x≥0}\{ x : Ax \leq b, x \geq 0\} } คำถาม:เมื่อพิจารณาจุดยอดโวลต์vvของPPPมีวิธีคิดเวลาแบบพหุนามที่จะสุ่มตัวอย่างจากเพื่อนบ้านของโวลต์vvในกราฟของPPPหรือไม่ (พหุนามในมิติจำนวนของสมการและการเป็นตัวแทนของขbb . ฉันสามารถสรุปได้ว่าจำนวนของสมการนั้นคือพหุนามในมิติ) อัปเดต:ฉันคิดว่าฉันสามารถแสดงให้เห็นว่านี่คือ NP-hard ดูคำตอบของฉันที่อธิบายการโต้แย้ง (และโดยยังไม่มีข้อความPNPNPฮาร์ดฉันหมายความว่าอัลกอริทึมเวลาพหุนามจะพิสูจน์R P= NPRP=NPRP = NP ... ไม่แน่ใจว่าคำศัพท์ที่ถูกต้องอยู่ที่นี่) อัปเดต 2:มีการพิสูจน์ 2 บรรทัดของยังไม่มีข้อความPNPNPแข็ง (ที่ระบุ polytope combinatorial ที่ถูกต้อง) และฉันก็สามารถค้นหาบทความโดย Khachiyan ดูคำตอบสำหรับคำอธิบายและลิงค์ :-D ปัญหาที่เทียบเท่า …

2
การตรวจสอบความเท่าเทียมกันของ polytopes สองรายการ
พิจารณาเวกเตอร์ของตัวแปรและชุดของเส้นตรงข้อ จำกัด ที่ระบุโดย→ x ≤ขx⃗ x→\vec{x}Ax⃗ ≤bAx→≤bA\vec{x}\leq b นอกจากนี้ให้พิจารณา polytopes สองรายการ P1P2={(f1(x⃗ ),⋯,fm(x⃗ ))∣Ax⃗ ≤b}={(g1(x⃗ ),⋯,gm(x⃗ ))∣Ax⃗ ≤b}P1={(f1(x→),⋯,fm(x→))∣Ax→≤b}P2={(g1(x→),⋯,gm(x→))∣Ax→≤b}\begin{align*} P_1&=\{(f_1(\vec{x}), \cdots, f_m(\vec{x}))\mid A\vec{x}\leq b\}\\ P_2&=\{(g_1(\vec{x}), \cdots, g_m(\vec{x}))\mid A\vec{x}\leq b\} \end{align*} ที่ 's และg ' s เป็นเลียนแบบแมป กล่าวคือพวกเขามีรูปแบบ→ ค ⋅ → x + d (เราทราบว่าP 1และP 2เป็น polytopes เพราะเป็น "affine mappings" ของ …

1
มันเพียงพอหรือไม่ที่ข้อ จำกัด เชิงเส้นของโปรแกรมจะทำให้พอใจในความคาดหมาย?
ในการวิเคราะห์การสุ่มอันดับสองแบบสุ่มของการจัดอันดับสำหรับการจับคู่สองฝ่ายออนไลน์ในขณะที่พิสูจน์ว่าอัลกอริทึมการจัดอันดับคือ- การแข่งขันผู้เขียนแสดงให้เห็นว่าทั้งคู่มีความเป็นไปได้ในความคาดหมาย (ดูเลมม่า 3 ในหน้า 5) คำถามของฉันคือ:(1−1e)(1−1e)\left(1 - \frac{1}{e}\right) มันเพียงพอหรือไม่ที่ข้อ จำกัด เชิงเส้นของโปรแกรมจะทำให้พอใจในความคาดหมาย? มันเป็นสิ่งหนึ่งที่แสดงให้เห็นว่ามูลค่าที่คาดหวังของฟังก์ชันวัตถุประสงค์คืออะไร แต่ถ้าข้อ จำกัด ของความเป็นไปได้มีความพึงพอใจในการคาดหวังไม่มีการรับประกันว่าจะเป็นที่พอใจในการวิ่ง นอกจากนี้ยังมีข้อ จำกัด ดังกล่าวจำนวนมาก ดังนั้นสิ่งที่รับประกันว่าพวกเขาทั้งหมดจะพอใจในการทำงานที่กำหนด?

2
0-1 การเขียนโปรแกรมเชิงเส้น: การคำนวณสูตรที่เหมาะสมที่สุด
พิจารณามิติ{ 0 , 1 } nและให้cเป็นข้อ จำกัด เชิงเส้นของรูปแบบ1 x 1 + 2 x 2 + 3 x 3 + . . + n - 1 x n - 1 + n x n ≥ kที่ฉัน ∈ R , x ฉัน ∈nnn{0,1}n{0,1}n\{0,1\}^nccca1x1+a2x2+a3x3+ ... +an−1xn−1+anxn≥ka1x1+a2x2+a3x3+ ... +an−1xn−1+anxn≥ka_1x_1 + a_2x_2 + a_3x_3 +\ …

1
การรวมศูนย์เป็นศูนย์หมายความว่าศูนย์คู่มีช่องว่างสำหรับปัญหาบางอย่างหรือไม่?
เรารู้ว่าหากช่องว่างระหว่างค่าของโปรแกรมเลขจำนวนเต็มและคู่ ("ช่องว่างคู่") เป็นศูนย์ดังนั้นการเขียนโปรแกรมเชิงเส้นของโปรแกรมจำนวนเต็มและการผ่อนคลายแบบคู่ทั้งคู่ยอมรับวิธีแก้ปัญหาแบบอินทิกรัล ช่องว่าง ") ฉันต้องการที่จะทราบว่าการสนทนาถืออย่างน้อยในบางกรณี สมมติว่าฉันมีโปรแกรมจำนวนเต็ม 0-1โดยที่เมทริกซ์เป็นเมทริกซ์สมมติว่าการโปรแกรมเชิงเส้นผ่อนคลายของมีวิธีแก้ปัญหาที่เหมาะสมที่สุด การโปรแกรมเชิงเส้นคู่ของยังยอมรับการแก้ปัญหาที่สำคัญหรือไม่?P:max{1Tx:Ax≤1,x∈{0,1}n}P:max{1Tx:Ax≤1,x∈{0,1}n}P: \max\{1^Tx: Ax \leq 1, x\in \{0,1\}^n\}AAA0−10−10-1P′P′P'PPPP′P′P' ฉันขอขอบคุณตัวอย่างเคาน์เตอร์หรือพอยน์เตอร์ใด ๆ ..

5
หนังสือที่ดีที่สุดเกี่ยวกับวิธีการใช้งาน Simplex?
ฉันสนใจที่จะใช้งาน SM สำหรับงาน LP แต่ฉันเคยได้ยินเกี่ยวกับข้อผิดพลาดที่เป็นไปได้: หนังสือของ Cormen บอกว่าเป็นไปได้ที่จะมีข้อมูลป้อนเข้า ฉันเคยได้ยินด้วยว่าการใช้งานแบบไร้เดียงสาสามารถวนซ้ำสำหรับข้อมูลบางประเภท มีหนังสือ / กระดาษ / แหล่งซึ่งอธิบายความแตกต่างของการนำ SM มาใช้ในทางปฏิบัติหรือไม่? ขอบคุณล่วงหน้า.

2
การวางหลักเกณฑ์ทั่วไปของอัลกอริธึมฮังการีเป็นกราฟทั่วไป
อัลกอริทึมฮังการีเป็นขั้นตอนวิธีการเพิ่มประสิทธิภาพ combinatorial ซึ่งจะช่วยแก้น้ำหนักสูงสุดที่ฝ่ายปัญหาที่ตรงกันในเวลาพหุนามและคาดว่าจะมีการพัฒนาต่อมาที่สำคัญวิธีการปฐม-คู่ อัลกอริทึมได้รับการพัฒนาและเผยแพร่โดย Harold Kuhn ในปี 1955 ซึ่งให้ชื่อ "อัลกอริธึมฮังการี" เนื่องจากอัลกอริทึมนั้นมาจากผลงานก่อนหน้าของนักคณิตศาสตร์ชาวฮังการีสองคน: DénesKőnigและJenőEgerváry Munkres ตรวจสอบอัลกอริทึมในปี 1957 และสังเกตว่ามันเป็น polytime แน่นอน ตั้งแต่นั้นมาอัลกอริทึมที่รู้จักกันว่าอัลกอริทึม Kuhn-Munkres แม้ว่าฮังการีจะมีแนวคิดพื้นฐานของวิธีการแบบสองเท่า แต่ก็แก้ปัญหาการจับคู่แบบสองฝ่ายที่มีน้ำหนักสูงสุดโดยตรงโดยไม่ต้องใช้เครื่องจักรเชิงเส้น (LP) ใด ๆ ดังนั้นในการตอบคำถามต่อไปนี้Jukka Suomela ให้ความเห็น แน่นอนว่าคุณสามารถแก้ไข LP ใด ๆ ได้โดยใช้ตัวแก้จุดประสงค์ทั่วไปของ LP แต่โดยทั่วไปอัลกอริทึมพิเศษจะมีประสิทธิภาพที่ดีกว่ามาก [... ] นอกจากนี้คุณยังสามารถหลีกเลี่ยงปัญหาเช่นการใช้ตัวเลขที่มีเหตุผลและจำนวนจุดลอยตัว; ทุกสิ่งสามารถทำได้อย่างง่ายดายด้วยจำนวนเต็ม กล่าวอีกนัยหนึ่งคุณไม่ต้องกังวลเกี่ยวกับวิธีการปัดเศษเหตุผล / วิธีแก้ปัญหาจุดลอยตัวจากตัวแก้ LP เพื่อให้ได้น้ำหนักสูงสุดกลับมาซึ่งการจับคู่ที่สมบูรณ์แบบที่สุดของกราฟสองส่วนที่กำหนด คำถามของฉันมีดังต่อไปนี้: มีอัลกอริธึมทั่วไปของฮังการีที่ใช้กับกราฟที่ไม่มีการบอกทิศทางทั่วไปโดยไม่ใช้เครื่องจักร LP คล้ายกับจิตวิญญาณของอัลกอริทึมดั้งเดิมของฮังการีหรือไม่? ฉันชอบงานนิทรรศการที่ทันสมัยและอ่านง่ายแทนที่จะเป็นกระดาษที่ซับซ้อนบางฉบับ แต่ตัวชี้ใด …

2
เหตุผลสำหรับวิธีฮังการี (Kuhn-Munkres)
ฉันเขียนการใช้งานอัลกอริทึมของ Kuhn-Munkres สำหรับปัญหาการจับคู่ที่สมบูรณ์แบบที่มีน้ำหนักน้อยที่สุดอย่างน้อยสองฝ่ายจากบันทึกการบรรยายที่ฉันพบที่นี่และที่นั่นบนเว็บ มันใช้งานได้ดีจริงๆแม้กระทั่งบนยอดเขานับพัน และฉันเห็นด้วยว่าทฤษฎีที่อยู่เบื้องหลังมันมีความสวยงามอย่างแท้จริง แต่ถึงกระนั้นฉันก็ยังสงสัยว่าทำไมฉันต้องไปให้ไกลขนาดนี้ ฉันพบว่าบันทึกการบรรยายเหล่านี้ไม่ได้อธิบายว่าทำไมเราไม่สามารถใช้โปรแกรมเชิงเส้นปฐมภูมิและส่งผ่านไปยังวิธีการแบบง่าย ๆ ได้ แน่นอนฉันสงสัยว่ามันเป็นคำถามของประสิทธิภาพที่คาดเดาได้ แต่เนื่องจากฉันไม่ได้เห็นมันระบุไว้อย่างชัดเจนฉันไม่แน่ใจเกินไป จุดเริ่มต้นที่มากของโพลีท็อปได้รับการพิสูจน์แล้วว่าอยู่ในช่วง 0-1 ดังนั้นดูเหมือนว่าเราสามารถป้อนเข้าสู่การใช้งาน simplex ได้โดยตรงโดยไม่ต้องกำหนดคู่ หรือว่าฉันเป็นคนง่ายๆ

4
การหาคำตอบที่กระจัดกระจายไปยังระบบของสมการเชิงเส้น
การหาคำตอบที่กระจัดกระจายไปหาระบบสมการเชิงเส้นเป็นเรื่องยากแค่ไหน? พิจารณาปัญหาการตัดสินใจต่อไปนี้อย่างเป็นทางการมากขึ้น: : เช่นระบบสมการเชิงเส้นที่มีสัมประสิทธิ์จำนวนเต็มและตัวเลขคccc คำถาม:มีวิธีแก้ปัญหาสำหรับระบบที่มีตัวแปรอย่างน้อยที่cccกำหนดให้เป็นศูนย์หรือไม่? ฉันยังพยายามหาสิ่งที่พึ่งพาอาศัยกันอยู่บนคcccนั่นคืออาจจะเป็นปัญหากับเอฟพีทีพารามิเตอร์คccc ความคิดหรือการอ้างอิงใด ๆ ที่ชื่นชมจริง ๆ

4
LP การผ่อนคลายของชุดอิสระ
ฉันได้ลองการผ่อนคลาย LP ต่อไปนี้ของชุดอิสระสูงสุดแล้ว max∑iximax∑ixi\max \sum_i x_i s.t. xi+xj≤1 ∀(i,j)∈Es.t. xi+xj≤1 ∀(i,j)∈E\text{s.t.}\ x_i+x_j\le 1\ \forall (i,j)\in E xi≥0xi≥0x_i\ge 0 ฉันได้1/21/21/2สำหรับตัวแปรทุกตัวสำหรับกราฟลูกบาศก์สองส่วนที่ฉันได้ลอง เป็นจริงสำหรับกราฟลูกบาศก์สองขั้วที่ไม่เชื่อมต่อทั้งหมดหรือไม่ มีการผ่อนคลาย LP ซึ่งทำงานได้ดีกว่าสำหรับกราฟดังกล่าวหรือไม่ อัปเดต 03/05 : นี่คือผลลัพธ์ของการผ่อนคลาย LP ตามคำแนะนำของนาธาน ฉันได้สรุปการทดลองที่นี่ น่าสนใจดูเหมือนว่าจะมีกราฟที่ไม่แยกสองส่วนซึ่งการผ่อนคลาย LP ที่ง่ายที่สุดนั้นค่อนข้างสมบูรณ์

3
โปรแกรมจำนวนเต็มเชิงเส้นใดที่ใช้งานง่าย
ในขณะที่พยายามที่จะแก้ปัญหาฉันลงเอยด้วยการแสดงส่วนของมันเป็นโปรแกรมเชิงเส้นจำนวนเต็มต่อไปนี้ ที่นี่เป็นจำนวนเต็มบวกทั้งหมดที่ได้รับ ส่วนหนึ่งของอินพุต เซ็ตย่อยที่ระบุของตัวแปรถูกตั้งค่าเป็นศูนย์และส่วนที่เหลือสามารถรับค่าอินทิกรัลค่าบวก:x i jℓ , m , n1, n2, … , nℓ, ค1, ค2, … , cม., wℓ,m,n1,n2,…,nℓ,c1,c2,…,cm,w\ell,m,n_{1},n_{2},\ldots,n_{\ell},c_{1},c_{2},\ldots,c_{m},wxฉันเจxijx_{ij} ลด Σม.j = 1คJΣℓi = 1xฉันเจ∑j=1mcj∑i=1ℓxij\sum_{j=1}^{m}c_{j}\sum_{i=1}^{\ell}x_{ij} ภายใต้: Σม.j = 1xฉันเจ= nผม∀ ฉัน∑j=1mxij=ni∀i\sum_{j=1}^{m}x_{ij}=n_{i}\,\,\forall i Σℓi = 1xฉันเจ≥ w∀ j∑i=1ℓxij≥w∀j\sum_{i=1}^{\ell}x_{ij}\ge w\,\,\forall j ฉันต้องการทราบว่าโปรแกรมจำนวนเต็มนี้สามารถแก้ไขได้ในเวลาพหุนามหรือไม่ ปัญหาเดิมของฉันจะได้รับการแก้ไขถ้าเป็นและฉันต้องลองวิธีอื่นถ้าไม่ใช่ ดังนั้นคำถามของฉันคือ: ฉันจะทราบได้อย่างไรว่าโปรแกรมเชิงเส้นจำนวนเต็มจำนวนหนึ่งสามารถแก้ไขได้ในเวลาพหุนาม โปรแกรมเชิงเส้นจำนวนเต็มใดที่รู้ว่าง่าย? โดยเฉพาะโปรแกรมข้างต้นสามารถแก้ไขได้ในเวลาพหุนาม คุณช่วยชี้ให้ฉันดูข้อมูลอ้างอิงบางอย่างเกี่ยวกับเรื่องนี้ได้ไหม

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.