你好。 你好， 每个人。
这 是 Cheng Ting 这里，
和 这 其他 主持人 今天 将要 是 Cui Yue.
今天， 我们 是 去 到 分享 和 你 我们的 经验
的 探索 跳转实验 设计
和 这 造型 函数 到 提升 这 溅射工艺。
首先 全部，
让我们 有 a 简短的 背景 和 介绍 关于 这 项目。
这 是 这 黑色的 六西格玛DMAIC项目
关于 到 这 溅射 过程。
这 项目 目标 是 到 优化 一些 电影 特性。
在 这 定义 阶段， 我们 有 已识别 这 三 复合型量子
和 这 三 相关 成功 标准。
复合型量子 1 是 这 最多 重要的 和 a 具有挑战性的 一。
这 成功 标准
是 这 测量 结果 是 更大 比 0.5。
CTQ2 和 CTQ3 是 同样 重要的。
这 成功 标准 为了 两个都 的 他们
是 这 可衡量 结果 应该 是 较少的 比 0.05。
不同的 JMP工具 有 到过 应用 大规模地 自始至终 这 措施 阶段，
分析 阶段， 和 提升 阶段。
我们 将要 分享 我们的 经验 的 使用 这 JMP工具 这里。
在 这 措施 阶段， 我们 做过 MSA， 和 我们 已完成 这 数据 收藏
为了 这 基线 硬件。
三 调音 旋钮， 即 X ₁, X ₂，以及 X₃ 参与其中。
后 数据 收藏，
我们 使用 a 蒙特卡洛 模拟 在 跳转 到 分析 这 基线 能力。
这 是 这 第一个工具 我们 介绍 今天 也。
在 命令 到 建立 你的 基线 模型，
我们 使用 增强 美国能源部， RSM， 预言 轮廓，
作为 出色地 作为 相互作用 轮廓， 查看 函数 在 跳转。
后 进入 这 分析 空间，
在 命令 到 做 a 根- 原因 分析 和 能力 分析，
我们 使用 这 目标 阴谋，
可取性 功能， 多变量 方法，
和 这 形象的 分析 工具。
在 这 改进 阶段， 我们 做过 硬件 修改，
在哪里 其他 调音 节点 X₄ 曾是 介绍。
交互的 图形， 增强 DOE，
RSM， 可取性 功能， 和 相互作用 轮廓 是 用过的
在 这 部分 到 更远 提升 这 过程。
这 戈斯 逐步 合身 和 可取性 功能 是 用过的
在 这 稳健的 DOE 造型 到 更远 提升 这 过程。
一些 的 这些 工具 将要 是 证明 经过 Cui Yue later.
这 控制 阶段 将要 不是 是 覆盖 在 今天的 推介会。
作为 我们 提及， 在 这 措施 阶段，
所以 后 这 基线 收藏， 我们 实际上 使用 这 蒙特卡罗模拟
到 理解 这 基线 过程 能力。
这些 是 这 基线 能力 为了 三 关键质量指标。
我们 能 看 那 全部 的 他们 是 普通的 分配，
指示 a 强的 线性 相关性 和 这 输入 参数。
为了 CTQ1， 这 样本 意思是 是 出去 的 规格 限制。
因此， 我们 有 a 非常 消极的 峰面积 价值。
这 99 % 的 这 基线 过程 结果 不能 见面 CTQ1 规格 在 全部。
CTQ2 是 关闭 到 这 规格 之中 这 三 CTQS。
样本 意思是 是 降低 比 向上 规格限制。
因此， 我们 有 a 积极的 峰面积 .
这 四十八 % 的 这 基线 过程 结果， 他们 做 不是 见面 这 规格 为了 CTQ2。
样本 意思是 为了 这 CTQ3 是 出去 的 规格 限制 作为 出色地。
因此， 它 有 消极的 人均。
64 % 的 这 基线 过程 结果 做过 不是 见面 这 规格。
这 基线 能力 确认的
那 这 最大 长寿 为了 这 项目 是 C TQ1。
显然， 这 基线 过程 健康）状况，
哪个 出色地 称呼 过程 有条件的 1 这里，
不能 见面 我们的 复合型量子 成功 标准， 尤其 为了 CTQ1。
我们 将要 需要 到 调 这 过程 健康）状况。
然而， 前 那， 我们 将要 需要 知道
如果 这 当前的 硬件 能 见面 这 要求 或不。
这 主题 事情 专家们， 这 我们， 有 建议 我们，
有 建议的 这 二 假设， 和 建议 我们 到 转移 这 过程
到 状况 2 基于 在 这 第二 假设。
然而， 前 那， 我们 将要 需要 到 查看
如果 这 预言 模型 是 好的 为了 两个都 健康）状况。
因此， 我们 使用 这 分散 阴谋 到 查看 这 集 数据 结构。
作为 我们 看 这里， 这 数据 集 是 不是 在 a 正交 结构。
这 是 因为 我们 实际上 使用 a 二- 步 评估 设计，
和 扩大 这 过程 范围 到 见面 这 成功 标准 的 CTQ1。
我们 做过 有 弱者 预言 能力 在 这 较白的区域。
然而， 我们 仍然 有 好的 预言 为了 这 状况 1和 状况 2.
我们 还 做过 a 令人困惑 分析。
这 事实 那里 是 肯定 令人困惑 风险 在 这 解决 二 之间 X ₁ 和 X₃。
尽管如此， 我们 仍然 建造 a 预言 模型。
我们 使用 这 回复 服务 方法 为了 这 配件。
在 这 案件， 这 主要的 影响， 互动，
和 这 二次项 将要 是 配件 一起。
基于 这 回旋， S R 也是如此， RS- 已调整 正方形， 和 这 p值，
我们 能 看 它是 a 有效的 预言 模型。
从 影响 概括，
我们 能 看 那 仅有的 这 重要的 条款 是 包括 在 这 模型。
和 这 相互作用 轮廓， 我们 能 看 二 互动
哪个 是 相关 和 二 假设 我们 提及 前。
和 这 预言 轮廓， 我们 挑选 这 过程 状况 2.
在 这 过程 健康）状况，
什么 我们 能 看 这里 是 95 % 的 这 信心 间隔 的 CTQ1
是 之间 这 范围 的 0.5 和 0.6。
这 复合型量子 有 到过 调整 进入 规格
然而， 在 这 与此同时， 这 CTQ2 和 这 CTQ3 是 出去 的 堆。
因此， 我们 使用 这 目标 阴谋 到 比较 这 二 过程 状况，
和 关于 意识到 什么时候 我们 有 改进 复合型量子 1
从 过程 状况 1 至 过程 状况 2
经过 得到 更近 到 这 目标
和 a 缩小 向下 标准 偏差。
然而， 在 这 与此同时， C TQ2 和 3 是 补偿
和 更大 标准 偏差 和 这 更远 距离 到 这 目标。
因此， 那里 是 a 权衡 之间 三 关键质量指标。
在 这 案件， 我们 尝试 到 寻找 一个 优化 解决方案
和 这 可取性 功能 在 跳转。
对于 CTQ1 , 这 成功 标准 是 那 模式 0.5。
H 还， 我们 使用 这 最大限度 高原 方法 什么时候 放 这 可取性 功能。
方法 任何 价值 更多的 比 或者 平等的 到 这 目标
将要 是 同样 首选。
我们 还 强调 这 重要性 CTQ 1 经过 放置 1.5 作为 这 重要的 因素。
佛 r CTQ2 和 3， 这 成功 标准 是 较少的 比 0.05。
因此， 我们 使用 这 最低高原 什么时候 放 这 可取性。
任何 价值 较少的 比 或者 平等的 到 这 目标
将要 是 同样 首选。
然而， 后 最大化 这 可取性，
这 计算 优化 解决方案 是 仅有的 大约 0.02，
和 没有任何 的 这 三 关键品质因子 能 见面 这 成功 标准。
因此， 我们 能 结论 那 那里 是 a 硬件 局限性
在 这 案件。
后 讨论 和 这 我们，
我们 决定 到 介绍 钇 进入 我们的 数据 分析。
钇 是 不是 一个 CTQ 这里，
但 它 是 a 测量 那 能 反映 这 固有的 财产 的 这 过程。
这 固有的 财产 将要 影响 这 CTQ2 和 直接 CTQ3。
如果 钇 是 更多的 比 零， 然后 它是 a 积极的 过程，
和 当那 钇 是 较少的 比 零， 它是 一个 积极的 过程。
如果 Y₄是 更近 到 零， 然后 我们 称呼 是 a 中性的 过程，
哪个 引入 到 a 更小 数字 的 CTQ2 和 CTQ3 一起。
这里 是 这 分配 的 钇 的 这 基线 硬件。
作为 什么 我们 能 看 这里 和 这 基线 硬件，
这 Y₄是 总是 更多的 比 零。
那， 我们 将要 总是 有 为了 积极的 过程。
这 多 变量图在这里 实际上 节目 这 关系
之中 这 Y₄： CTQ2 和 CTQ3。
他们 是 强烈 相關。
如果 我们 有 更小 Y₄， 我们 将要 还 有 更小 CTQ2 和 CTQ3。
在 命令 到 有 a 更宽 范围 的 Y₄，
我们 决定 到 添加 在 其他 因子 X₄， 在 这 提升 这 硬件。
一起， 其他 二 科学 假设
有 到过 建议的 经过 这 我们是。
我们 有 集 数据 在 这 新的 硬件
和 比较 这 钇 分配 在 二 硬件。
在 这 基线 硬件， 没有 X₄ , 我们 有 集 数据 正交地
和 和 肯定 范围 为了 每个 因素。
这 是 这 分配 的 这 钇 在下面 这些 贡献。
和 这 改进 硬件， 和 这 X ₄ 介绍，
我们 有 集 数据 在 这 相同的 范围 的 X ₁, X ₂、 和 X ₃。
这 时间， 钇 a 不同 X ₄, 有 还 到过 集。
比较 这 二 分布， 我们 能 看 那 不含X₄ ,
我们 仅有的 看 一 簇 对于 Y ₄, 和 这 顶峰 价值 更多的 比 零。
然而， 和 这 X₄ 介绍，
我们 能 观察 双峰 分配 为了 Y₄，
和 一 顶峰 和 意思是 更多的 比 零， 和 其他 顶峰 和 意思是 较少的 比 零。
这 过程 状况 使 Y ₄ 较少的 比 零
实际上 抽签 我们的 注意力。
在下面 这些 过程 状况， 我们 将要 有 消极的 过程，
和 这 可能 帮助 我们 到 提升 CTQ2 和 CTQ3，
但选择 那 过程 如果 我们 不能 见面 全部 关键品质因子 在 一 过程 仅有的，
因为 神经 过程 好处 CTQ2 和 CTQ3。
我们 做过 a 简单的 屏幕 的 已处理 状况
什么时候 我们 有 负面 过程， 和 这 带领 我们 到 a 肯定 范围 的 X₄。
那是 为什么 我们 收集更多数据 a 在 这 范围，
因为 它是 我们的 状况 的 利益。
现在， 我们 结论 那 这 X₄ 做过 影响 在 Y ₄,
和 因此， 它 能 影响 在 CTQ2 和 CTQ3。
现在， 我们 能 更远 与 影响 的 X₄ 在 CTQ1，
和 建造 其他 模型 为了 这 改进 硬件。
事先的 这 数据 收藏，
我们 有 预筛选 这 状况 的 兴趣
使用 这 交互的 图形 在 跳转。
我们 将要 收集 更多的 数据 和 肯定 范围 的 X₄，
因为 这 X₄ 实际上 能 给 我们 这 消极的 钇 价值。
它 还 封面 最多 范围 的 Y ₄。
作为 我们 能 看 这里， 前 这 数据 收藏，
作为 什么 我们 能 看 这里，
这 是 不是 这 最多 正交 结构，
自从 我们 有 集 更多的 数据 在 这 状况 的 兴趣，
甚至 尽管 后 正在做 a 设计 评估，
我们 寻找 a 低的 和 创始 风险。
这 数据 结构 是 仍然 好的 为了 造型。
这 是 这 模型 我们 建。
作为 什么 我们 能 看 这里， 我们 有 一个 足够的 模型。
仅有的 因素 和 这 p 价值 较少的 比 0.05，
或者 什么 包括 在 这 模型。
这 遥感 这是为什么 更多的 比 0.8。
这 不同之处 之间 这 R 正方形 已调整
和 R 正方形 是 较少的 比 10 %。
这 p 价值 为了 这 所有的 模型 是 总是 较少的 比 0.0 01.
还， 通过 这 相互作用 轮廓， 这 假设 1 至 4 有 到过 已验证。
这 时间， 能 我们 寻找 任何 优化 解决方案？
再次， 我们 跑步 可取性 功能。
这 左边 边 是 这 优化 解决方案 假如 和 这 基线 硬件
前 这 X₄ 分期付款，
和 这 正确的 边 是 这 优化 解决方案
和 这 提升 d硬件 和 X₄ 分期付款。
作为 什么 我们 能 看 这里， 比较的 和 这 基线 硬件，
提升 d 硬件 做过 提供 一个 优化 解决方案
和 更高 可取性 和 提升 这 结果 为了 每个 C 谢谢。
然而， 这 可取性 是 仍然 低的， 哪个 是 仅有的 0.27。
不是 全部 CTQ 会议 这 成功 标准 在 一 步。
所以 我们 仍然 做过 不是 寻找 那 足够的 解决方案
在 一步到位 过程 为了 这 项目。
然而， 但 作为 什么 我们 提及 之前，
自从 我们 有 a 簇 的 这 过程 状况，
允许 我们 二 消极的 过程 和 这 Y ₄ 更少 比 零。
我们 能 提出 a 潜在的 解决方案 和 二- 步 过程。
这 解决方案 和 二- 步 过程 可能 不是 是 那 直截了当。
作为 我们 知道， 如果 我们 能 寻找 这 优化 解决方案 在 一 步，
全部 我们 需要 到 做 是 只是 到 圆形的 这 过程 在 这 状况，
给出 这 最大化 可取性。
这 结果 将要 是 可预测 自从 我们 有 a 已知 模型 为了 它。
现在 我们 想 到 有 a 二- 步 过程。
为了 每个 步， 我们 有 已知的 模型，
如果 这 过程 状况 是 决定。
然而， 到期的 到 这 不同的 过程 期间 为了 每个 步，
我们 将要 有 a 新的 模型 为了 这 最终的 结果。
在 这 新的 模型， 我们 将要 有 九 变量 在 全部的：
X ₁ 到 X₄ 为了 每个 步， 和 持续时间 为了 每个 步。
现在， 这 问题 是，
如何 是 我们 去 到 寻找 a 恰当的 解决方案 为了 这 二- 步 流程？
我们 得到 二 策略。
这 第一个 是 到 做 a 渠务署 造型 为了 这 九 变量。
在 这 案件， 我们 将要 需要 到 有 至少 二十五 运行 为了 这 第一次审判。
的 课程， 我们 将要 有 正交 数据 结构。
RS M 模型 能 是 建造， 但 这 成本 将要 是 非常 高的。
这 其他 战略 是 到 屏幕 设计
和 这 团体 正交 过饱和 设计 第一的，
哪个 是 这 戈斯 设计。
在 这 案件， 我们 能 屏幕 这 影响 的 七 变量 和 六 跑步。
这 是 为什么 它是 极好的- 饱和。
我们 有 更多的 变量 比 这 数据 點。
的 课程， 我们 将要 需要 到 屏幕 出去 二 变量
前 这 戈斯，
和 我们 使用 这 交互的 图形 再次 在 这 案件，
和 这 细节 将要 是 已审核 经过 这 下一个 幻灯片。
这 戈斯 设计 提供
二 独立的 块 为了 每个 工序步骤。
那里 是 不 互动 之间 这 因素 穿过 堵塞。
这 数据 结构 是 正交于每个 堵塞，
制作 它 可能的 到 屏幕 影响 和 这 过饱和 数据 收藏。
然而， 这 戈斯 将要 展示 这 影响 的 主要的 影响 仅有的，
和 不 相互作用 将要 是 经过考虑的。
这 是 a 低的- 成本 方法， 和 我们 管理 更远 美国能源部 设计。
这 后续 DOE 能 是 DSD，增强， 或 OFAT。
每个 的 这些 有 它是 自己的 优点和缺点，
和 它 将要 不是 是 覆盖 在 这 推介会。
无论如何， 到 节省 这 成本， 我们 决定 到 继续 和 战略 2.
我们 开始 和 一个GOSS 设计。
作为 我们 讨论 编辑 现在， 我们 有 九 不同的 变量。
然而， 在 这 戈斯， 我们 能 仅包括 七 变量。
在 命令 到 狭窄的 向下 这 参数 为了 这 戈斯 设计，
我们 做过 a 简单的 屏幕 和 这 交互的 图形。
为了 步 1、 我们 选择 这 过程 状况，
允许 我们 到 有 a 好的 CTQ2。
后 筛查，
我们 决定 到 使固定 X₂ 在 这 案件， 基于 在 这 以前的 学习。
作为 见过 这里， 什么时候 这 CTQ1 是 更多的 比 0.5，
全部 我们 有 是 a 积极的 过程 和 这 钇 为了 更多的 比 20 %。
因此 在 这 案件， 为了 步 2、 我们 选择流程 状况，
允许 我们 到 有 这 Y ₄ 较少的 比 -0.5 所以我们 能 有 a 消极的 过程。
在 这 案件， 添加 二 步骤 一起， 这 最终 Y ₄ 将 是 更近 到 零。
这 方式 能 提升 在 CTQ2 和 CTQ3。
后 筛查， 我们 决定 到 使固定 X₁ 为了 这 步，
基于 在 这 以前的 学习。
后 数据 收藏，
我们 做过 a 步 明智之选 和 主要的 影响 仅有的，
自从 在 这 戈斯， 作为 我们 提及 之前，
仅有的 主要的 影响 是 经过考虑的。
全部 三 关键品质因子 已验证 这 模型 和 这 p 值 较少的 比 0.05，
和 这 遥感 为什么 已调整 大约 0.8， 和 价格变动因子 较少的 比 5.
后 最大化 这 可取性，
这 模型 提供 我们 和 一个 优化 解决方案
和 可取性 更多的 比 0.96， 哪个 是 方式 更高 比 0.27，
和 不是 到 提到 0.02。
因此， 我们 能 实际上 锁 这 过程 参数
和 更远 经过 优化的 解决方案 在 下一个 步，
哪个 是 我们 选择 到 使用 这 灾难。
但 这 将要 不是 是 覆盖 这里。
这里， I 喜欢 到 总结
什么 我们 有 讨论 在 这 推介会。
在 这 推介会， 我们 有 和 分享 和 你 这 经验。
我们 使用 不同的 跳转 工具 涉及 在 这 数据 分析
自始至终 这 二甲基异氰酸酯 项目 在 不同的 阶段。
为了 这 根据 生产线能力 分析， 我们 有 用过的 蒙特卡罗模拟。
我们 还 用过的 a 目标 阴谋。
对于 根- 原因 分析， 我们 用过的 多元方法。
我们 还 用过的 a 形象的 分析。
在 命令 到 帮助 和 这 美国能源部，
我们 用过的 这 增强 美国能源部， GOSS 和设计诊断。
在 条款 到 有 a 好的 模型 和 预言，
我们 用过的 不同的 拟合函数， 和 我们 还 用过的 这 预言 轮廓。
我们 还 用过的 这 相互作用 轮廓。
它 还 曾是 提及 那 这些 个人资料 是 不是 仅有的 用过的
为了 这 模型 和 这 预言，
但 它 还 帮助 我们 到 有 a 更深 理解
的 这 过程 本身。
在 命令 到 屏幕 出去 这 状况 的 兴趣，
我们 实际上 使用 这 交互的 图形，
哪个 是 简单的， 但 非常 有用 和 强大的。
在 命令 到 做 d 决定 制作，
我们 实际上 使用 这 可取性 函数 帮助 我们 到 制作 a 决定。
直到 现在， 我们 分享 和 你 我们的 经验
的 如何 这 跳转 能 帮助 我们 到 做 这 分析。
这 最后的 但 不是 至少，
我们 会 喜欢 到 感谢 查尔斯 为了 他的 导师制 沿着 这 进步。
感谢 你。
我的 partner Cui Yue,
她会 分享 和 你 一些 示范 和 这 跳转 边。
她 将要 帮助 我们 到 证明
如何 能 我们 使用 这 交互的 形象的 分析
作为 出色地 这 逐步 配件 在 这 戈斯 模型。
好的， 感谢 你。
谢谢你，程婷。
I 思考 你 能 看 我的 屏幕 现在， 正确的？
这 首先， I 会 喜欢 到 介绍 你
这 交互的 阴谋 程婷 只是 提及。
这 是 实际上 一 的 我的 个人的 最喜欢的 功能 在 跳转。
它是 简单的， 但 它是 非常 强大的。
这里， 我们的 目的 是 到 屏幕 什么是 这 最多 相对的 功能，
一个因素 相对于 Y₄。
哪个 一 贡献 这 最多 到 Y₄， 从 X₁ 到 X ₄？
我们 能 简单地 选择 全部 这 因素 的 兴趣 我们 想 这里，
和 单击“确定”。
现在， 我们 是 拥有 这 分配 的 全部 这 因素。
现在， 作为 Cheng Ting 有 提及， 我们 想 到 知道 什么 贡献 这 最多
到 这 Y₄和 消极的 边。
为了 例子， 这里。
然后 现在， 我们 能 看 仅有的 X₄ 从 13- 14， X₃ 从 0- 1、
和 X₂ 在 这 范围， 2.5 -5。
还， X ₁ 在 19-20， 能 制作 这 发生。
因此， 它是 更轻松 到 给 我们 a 范围 的 不同的 因素，
如何 它 将要 贡献 到 Y₄， 和 如何 是 去 到 选择 这 因素
如果 我们 想 这 钇 达到 肯定 等级。
相似地， 如果 我们 想 它 到 是 轻微地 更高 比 0 %,
我们 能 还 简单地 点击 这 区域。
实际上， 到 是 相当 直截了当， 到 解决 这 问题 在 一 射击，
我们 只是 选择这些 二 一起。
然后， 我们 能 看， 好的， X ₄ 应该 是 在 这 范围，
或许 10- 14.
X₃， 确实 应该 集中 在 0-1。
X₂ 是 a 轻微地 更宽 分配。
X ₁, 有o 仅 两个c 候选人 为了 这 方向。
从 这 一， 我们 能 容易地 和 直观地 寻找
这 贡献 因素 我们 想。
这 是 这 第一个函数 I 会 喜欢 到 证明 到 你，
这 分配 功能。
那里 是 许多 其他 事物 这 分配 功能 能 做，
包括 看 这 数据 分配 和 测试 a 很多 的 事物，
[听不清 00:24:49] 测试 , 等等。
所以 I 惯于 来 在 这里。
这 第二 事物 I 想 到 分享 和 你 是 这 高斯。
这是 实际上 这 GOSS 合身 逐步地。
现在， 我们 是 拥有 三 关键质量指标。
全部 这 CTQ， 这 分析 对话 是 打开 这里。
为了 全部 这 三， 他们 有 分离 分析 对话。
到 做 a 非常 直截了当 方式， 我们 只是 这 控制 和 点击 去。
它 将要 选择 这 因素 为了 全部 三 C TQ 和 一次。
非常 直截了当。
这些 三 将要 使用 这 相同的 停止 规则，
哪个 是 这 最低BI C.
然后， 让我们 单击“运行 M” 模型。
这 合身 模型 将要 给 我们 我们的 配件 分别地 为了 C TQ1、2、3。
然后， 我们 需要 到 调整 这 模型 或者 减少 这 模型 一 经过 一。
这里， 我们的 标准 是 到 选择 这 p 价值 降低 比 0. 05.
我们 定义 那 价值。
什么时候 这 p 值 降低 比 5 %, 这 因素 是 重要的。
这里， 我们 能 消除 X₄ .
下一个 一， 为了 C TQ2...
为了 CTQ1， 我们 是 向下 这里。
为了 CTQ2， 我们 能 消除 X ₁ 和 X2 .
好的， 现在 我们 是 拥有 两个都 降低 大于 0.05。
对于 X₃，w e 还 能 做 这 相同的 事物 因此。
让我们 移动 X₄第一 .
全部 这 三 因素， p 价值较低 大于 0.05。
我们 有 得到 这 减少 模型。
这里 在 这 底部， 我们 将要 有 a 预言 分析器。
如果 你 不 有 它， 我们 能 添加 它 从 这 分析器 功能。
然后， 我们 会 喜欢 到 寻找 这 最佳 健康）状况。
如何 我们 是 去 到 做 那？
我们 是 去 到 使用 这 可取性函数。
第一步， 我们 将要 总是 是 放 这 可取性，
哪个 是 已经 放 这里。
我们 有 一 我 塔门 最小化。
然后， 让我们 使用 这 最大限度 可取性 功能。
H 还， 我们 能 寻找 我们的 最佳 健康）状况。
如果 我们 使用 最大化和 记住， 这里 是 我们的 最佳的 健康）状况。
然后， 我们 能 使用 这 状况 到 跑步 这 过程
和 有效的 吃了 顺序 再次。
这些 是 二 函数 ID 喜欢 到 介绍 你。
好的， 感谢 你。
谢谢。
