你好。 你好， 每個人。
這 是 Cheng Ting 這裡，
和 這 其他 主持人 今天 將要 是 Cui Yue.
今天， 我們 是 去 到 分享 和 你 我們的 經驗
的 探索 跳轉實驗 設計
和 這 造型 函數 到 提升 這 濺鍍製程。
首先 全部，
讓我們 有 a 簡短的 背景 和 介紹 關於 這 專案.
這 是 這 黑色的 帶式六西格瑪DMAIC項目
關於 到 這 濺射 過程。
這 專案 目標 是 到 最佳化 一些 電影 特性。
在 這 定義 階段， 我們 有 已識別 這 三 複合型量子
和 這 三 相關 成功 標準。
複合型量子 1 是 這 最多 重要的 和 a 具有挑戰性的 一。
這 成功 標準
是 這 測量 結果 是 更大 比 0.5。
CTQ2 和 CTQ3 是 同樣 重要的。
這 成功 標準 為了 兩個都 的 他們
是 這 可衡量 結果 應該 是 較少的 比 0.05。
不同的 JMP工具 有 到過 應用 大規模地 自始至終 這 措施 階段，
分析 階段， 和 提升 階段。
我們 將要 分享 我們的 經驗 的 使用 這 JMP工具 這裡。
在 這 措施 階段， 我們 做過 MSA， 和 我們 已完成 這 數據 收藏
為了 這 基線 硬體.
三 調音 旋鈕， 即 X ₁, X ₂，以及 X₃ 參與其中。
後 數據 收藏，
我們 使用 a 蒙地卡羅 模擬 在 跳轉 到 分析 這 基線 能力。
這 是 這 第一個工具 我們 介紹 今天 也。
在 命令 到 建立 你的 基線 模型，
我們 使用 增強 美國能源部， RSM， 預言 輪廓，
作為 出色地 作為 交互作用 輪廓， 查看 函數 在 跳轉。
後 進入 這 分析 空間，
在 命令 到 做 a 根- 原因 分析 和 能力 分析，
我們 使用 這 目標 陰謀，
可取性 功能， 多變數 方法，
和 這 形象的 分析 工具。
在 這 改進 階段， 我們 做過 硬體 修改，
在哪裡 其他 調音 節點 X₄ 曾是 介紹。
互動的 圖形， 增強 DOE，
RSM， 可取性 功能， 和 交互作用 輪廓 是 用過的
在 這 部分 到 更遠 提升 這 過程。
這 戈斯 逐步 合身 和 可取性 功能 是 用過的
在 這 穩健的 DOE 造型 到 更遠 提升 這 過程。
一些 的 這些 工具 將要 是 證明 經過 Cui Yue later.
這 控制 階段 將要 不是 是 覆蓋 在 今天的 推介會。
作為 我們 提及， 在 這 措施 階段，
所以 後 這 基線 收藏， 我們 實際上 使用 這 蒙特卡羅模擬
到 理解 這 基線 過程 能力。
這些 是 這 基線 能力 為了 三 關鍵品質指標。
我們 能 看 那 全部 的 他們 是 普通的 分配，
指示 a 強的 線性 相關性 和 這 輸入 參數。
為了 CTQ1， 這 樣本 意思是 是 出去 的 規格 限制。
因此， 我們 有 a 非常 消極的 峰面積 價值。
這 99 % 的 這 基線 過程 結果 不能 見面 CTQ1 規格 在 全部。
CTQ2 是 關閉 到 這 規格 之中 這 三 CTQS。
樣本 意思是 是 降低 比 向上 規格限制。
因此， 我們 有 a 積極的 峰面積 .
這 四十八 % 的 這 基線 過程 結果， 他們 做 不是 見面 這 規格 為了 CTQ2。
樣本 意思是 為了 這 CTQ3 是 出去 的 規格 限制 作為 出色地。
因此， 它 有 消極的 人均。
64 % 的 這 基線 過程 結果 做過 不是 見面 這 規格。
這 基線 能力 確認的
那 這 最大 長壽 為了 這 專案 是 C TQ1。
顯然， 這 基線 過程 狀態,
哪個 出色地 稱呼 過程 有條件的 1 這裡，
不能 見面 我們的 複合型量子 成功 標準， 尤其 為了 CTQ1。
我們 將要 需要 到 調 這 過程 狀態.
然而， 前 那， 我們 將要 需要 知道
如果 這 目前的 硬體 能 見面 這 要求 或不。
這 主題 事 專家們， 這 我們， 有 建議 我們，
有 建議的 這 二 假設， 和 建議 我們 到 轉移 這 過程
到 狀態 2 基於 在 這 第二 假設。
然而， 前 那， 我們 將要 需要 到 查看
如果 這 預言 模型 是 好的 為了 兩個都 狀態.
因此， 我們 使用 這 分散 陰謀 到 查看 這 集 數據 結構。
作為 我們 看 這裡， 這 數據 集 是 不是 在 a 正交 結構。
這 是 因為 我們 實際上 使用 a 二- 步 評估 設計，
和 擴大 這 過程 範圍 到 見面 這 成功 標準 的 CTQ1。
我們 做過 有 弱者 預言 能力 在 這 較白的區域。
然而， 我們 仍然 有 好的 預言 為了 這 狀態 1和 狀態 2.
我們 也 做過 a 令人困惑 分析。
這 事實 那裡 是 肯定 令人困惑 風險 在 這 解決 二 之間 X ₁ 和 X₃。
儘管如此， 我們 仍然 建造 a 預言 模型。
我們 使用 這 回覆 服務 方法 為了 這 配件。
在 這 案件， 這 主要的 影響， 互動，
和 這 二次項 將要 是 配件 一起。
基於 這 迴旋， S R 也是如此， RS- 已調整 正方形， 和 這 p值，
我們 能 看 它是 a 有效的 預言 模型。
從 影響 概括，
我們 能 看 那 僅有的 這 重要的 條款 是 包括 在 這 模型。
和 這 交互作用 輪廓， 我們 能 看 二 交互作用
哪個 是 相關 和 二 假設 我們 提及 前。
和 這 預言 輪廓， 我們 挑選 這 過程 狀態 2.
在 這 過程 狀態,
什麼 我們 能 看 這裡 是 95 % 的 這 信心 間隔 的 CTQ1
是 之間 這 範圍 的 0.5 和 0.6。
這 複合型量子 有 到過 調整 進入 規格。
然而， 在 這 同時， 這 CTQ2 和 這 CTQ3 是 出去 的 堆。
因此， 我們 使用 這 目標 陰謀 到 比較 這 二 過程 狀況，
和 關於 意識到 什麼時候 我們 有 改進 複合型量子 1
從 過程 狀態 1 至 過程 狀態 2
經過 得到 更近 到 這 目標
和 a 縮小 向下 標準 偏差。
然而， 在 這 同時， C TQ2 和 3 是 補償
和 更大 標準 偏差 和 這 更遠 距離 到 這 目標。
因此， 那裡 是 a 權衡 之間 三 關鍵品質指標。
在 這 案件， 我們 嘗試 到 尋找 一個 最佳化 解決方案
和 這 可取性 功能 在 跳轉。
對於 CTQ1 , 這 成功 標準 是 那 模式 0.5。
H 還， 我們 使用 這 最大限度 高原 方法 什麼時候 放 這 可取性 功能。
方法 任何 價值 更多的 比 或者 平等的 到 這 目標
將要 是 同樣 首選。
我們 也 強調 這 重要性 CTQ 1 經過 放置 1.5 作為 這 重要的 因素。
佛 r CTQ2 和 3， 這 成功 標準 是 較少的 比 0.05。
因此， 我們 使用 這 最低高原 什麼時候 放 這 可取性。
任何 價值 較少的 比 或者 平等的 到 這 目標
將要 是 同樣 首選。
然而， 後 最大化 這 可取性，
這 計算 最佳化 解決方案 是 僅有的 大約 0.02，
和 沒有任何 的 這 三 關鍵品質因子 能 見面 這 成功 標準。
因此， 我們 能 結論 那 那裡 是 a 硬體 限制
在 這 案件。
後 討論 和 這 我們，
我們 決定 到 介紹 釔 進入 我們的 數據 分析。
釔 是 不是 一個 CTQ 這裡，
但 它 是 a 測量 那 能 反映 這 固有的 財產 的 這 過程。
這 固有的 財產 將要 影響 這 CTQ2 和 直接 CTQ3。
如果 釔 是 更多的 比 零， 然後 它是 a 積極的 過程，
和 當那 釔 是 較少的 比 零， 它是 一個 積極的 過程。
如果 Y₄是 更近 到 零， 然後 我們 稱呼 是 a 中性的 過程，
哪個 引入 到 a 更小 數位 的 CTQ2 和 CTQ3 一起。
這裡 是 這 分配 的 釔 的 這 基線 硬體.
作為 什麼 我們 能 看 這裡 和 這 基線 硬體,
這 Y₄是 總是 更多的 比 零。
那， 我們 將要 總是 有 為了 積極的 過程。
這 多 變數圖在這裡 實際上 節目 這 關係
之中 這 Y₄： CTQ2 和 CTQ3。
他們 是 強烈 相關。
如果 我們 有 更小 Y₄， 我們 將要 也 有 更小 CTQ2 和 CTQ3。
在 命令 到 有 a 更寬 範圍 的 Y₄，
我們 決定 到 添加 在 其他 因子 X₄， 在 這 提升 這 硬體.
一起， 其他 二 科學 假設
有 到過 建議的 經過 這 我們是。
我們 有 集 數據 在 這 新的 硬體
和 比較 這 釔 分配 在 二 硬體.
在 這 基線 硬體, 沒有 X₄ , 我們 有 集 數據 正交地
和 和 肯定 範圍 為了 每個 因素。
這 是 這 分配 的 這 釔 在下面 這些 貢獻。
和 這 改進 硬體, 和 這 X ₄ 介紹，
我們 有 集 數據 在 這 相同的 範圍 的 X ₁, X ₂、 和 X ₃。
這 時間， 釔 a 不同 X ₄, 有 也 到過 集。
比較 這 二 分佈， 我們 能 看 那 不含X₄ ,
我們 僅有的 看 一 簇 對於 Y ₄, 和 這 頂峰 價值 更多的 比 零。
然而， 和 這 X₄ 介紹，
我們 能 觀察 雙峰 分配 為了 Y₄，
和 一 頂峰 和 意思是 更多的 比 零， 和 其他 頂峰 和 意思是 較少的 比 零。
這 過程 狀態 使 Y ₄ 較少的 比 零
實際上 抽籤 我們的 注意力。
在下面 這些 過程 狀況， 我們 將要 有 消極的 過程，
和 這 可能 幫助 我們 到 提升 CTQ2 和 CTQ3，
但選擇 那 過程 如果 我們 不能 見面 全部 關鍵品質因子 在 一 過程 僅有的，
因為 神經 過程 好處 CTQ2 和 CTQ3。
我們 做過 a 簡單的 螢幕 的 已處理 狀況
什麼時候 我們 有 負面 過程， 和 這 帶領 我們 到 a 肯定 範圍 的 X₄。
那是 為什麼 我們 收集更多數據 a 在 這 範圍，
因為 它是 我們的 狀態 的 利益。
現在， 我們 結論 那 這 X₄ 做過 影響 在 Y ₄,
和 因此， 它 能 影響 在 CTQ2 和 CTQ3。
現在， 我們 能 更遠 與 影響 的 X₄ 在 CTQ1，
和 建造 其他 模型 為了 這 改進 硬體.
事先的 這 數據 收藏，
我們 有 預篩選 這 狀況 的 興趣
使用 這 互動的 圖形 在 跳轉。
我們 將要 收集 更多的 數據 和 肯定 範圍 的 X₄，
因為 這 X₄ 實際上 能 給 我們 這 消極的 釔 價值。
它 也 封面 最多 範圍 的 Y ₄。
作為 我們 能 看 這裡， 前 這 數據 收藏，
作為 什麼 我們 能 看 這裡，
這 是 不是 這 最多 正交 結構，
自從 我們 有 集 更多的 數據 在 這 狀況 的 興趣，
甚至 儘管 後 正在做 a 設計 評估，
我們 尋找 a 低的 和 創始 風險。
這 數據 結構 是 仍然 好的 為了 造型。
這 是 這 模型 我們 建。
作為 什麼 我們 能 看 這裡， 我們 有 一個 足夠的 模型。
僅有的 因素 和 這 p 價值 較少的 比 0.05，
或者 什麼 包括 在 這 模型。
這 遙感 這是為什麼 更多的 比 0.8。
這 不同之處 之間 這 R 方塊 已調整
和 R 方塊 是 較少的 比 10 %。
這 p 價值 為了 這 所有的 模型 是 總是 較少的 比 0.0 01.
也, 透過 這 交互作用 輪廓， 這 假設 1 至 4 有 到過 已驗證。
這 時間， 能 我們 尋找 任何 最佳化 解決方案？
再次， 我們 跑步 可取性 功能。
這 左邊 邊 是 這 最佳化 解決方案 假如 和 這 基線 硬體
前 這 X₄ 分期付款，
和 這 正確的 邊 是 這 最佳化 解決方案
和 這 提升 d硬體 和 X₄ 分期付款。
作為 什麼 我們 能 看 這裡， 比較的 和 這 基線 硬體,
提升 d 硬體 做過 提供 一個 最佳化 解決方案
和 更高 可取性 和 提升 這 結果 為了 每個 C 謝謝。
然而， 這 可取性 是 仍然 低的， 哪個 是 僅有的 0.27。
不是 全部 CTQ 會議 這 成功 標準 在 一 步。
所以 我們 仍然 做過 不是 尋找 那 足夠的 解決方案
在 一步到位 過程 為了 這 專案.
然而， 但 作為 什麼 我們 提及 之前，
自從 我們 有 a 簇 的 這 過程 狀況，
允許 我們 二 消極的 過程 和 這 Y ₄ 更少 比 零。
我們 能 提出 a 潛在的 解決方案 和 二- 步 過程。
這 解決方案 和 二- 步 過程 可能 不是 是 那 直截了當。
作為 我們 知道， 如果 我們 能 尋找 這 最佳化 解決方案 在 一 步，
全部 我們 需要 到 做 是 只是 到 圓形的 這 過程 在 這 狀況，
給出 這 最大化 可取性。
這 結果 將要 是 可預測 自從 我們 有 a 已知 模型 為了 它。
現在 我們 想 到 有 a 二- 步 過程。
為了 每個 步， 我們 有 已知的 模型，
如果 這 過程 狀態 是 決定。
然而， 到期的 到 這 不同的 過程 期間 為了 每個 步，
我們 將要 有 a 新的 模型 為了 這 最終的 結果。
在 這 新的 模型， 我們 將要 有 九 變數 在 全部的：
X ₁ 到 X₄ 為了 每個 步， 和 持續時間 為了 每個 步。
現在， 這 問題 是，
如何 是 我們 去 到 尋找 a 恰當的 解決方案 為了 這 二- 步 流程？
我們 得到 二 策略。
這 第一個 是 到 做 a 渠務署 造型 為了 這 九 變數。
在 這 案件， 我們 將要 需要 到 有 至少 二十五 運行 為了 這 第一次審判。
的 課程， 我們 將要 有 正交 數據 結構。
RS M 模型 能 是 建造， 但 這 成本 將要 是 非常 高的。
這 其他 策略 是 到 螢幕 設計
和 這 團體 正交 過飽和 設計 第一的，
哪個 是 這 戈斯 設計。
在 這 案件， 我們 能 螢幕 這 影響 的 七 變數 和 六 跑步。
這 是 為什麼 它是 極好的- 飽和。
我們 有 更多的 變數 比 這 數據 點。
的 課程， 我們 將要 需要 到 螢幕 出去 二 變數
前 這 戈斯，
和 我們 使用 這 互動的 圖形 再次 在 這 案件，
和 這 細節 將要 是 已審核 經過 這 下一個 幻燈片。
這 戈斯 設計 提供
二 獨立的 區塊 為了 每個 工序步驟。
那裡 是 不 互動 之間 這 因素 穿過 堵塞。
這 數據 結構 是 正交於每個 堵塞，
製作 它 可能的 到 螢幕 影響 和 這 過飽和 數據 收藏。
然而， 這 戈斯 將要 展示 這 影響 的 主要的 影響 僅有的，
和 不 交互作用 將要 是 經過考慮的。
這 是 a 低的- 成本 方法， 和 我們 管理 更遠 美國能源部 設計。
這 後續 DOE 能 是 DSD，增強， 或 OFAT。
每個 的 這些 有 它是 自己的 優點和缺點，
和 它 將要 不是 是 覆蓋 在 這 推介會。
無論如何， 到 節省 這 成本， 我們 決定 到 繼續 和 策略 2.
我們 開始 和 一個GOSS 設計。
作為 我們 討論 編輯 現在， 我們 有 九 不同的 變數。
然而， 在 這 戈斯， 我們 能 僅包括 七 變數。
在 命令 到 狹窄的 向下 這 參數 為了 這 戈斯 設計，
我們 做過 a 簡單的 螢幕 和 這 互動的 圖形。
為了 步 1、 我們 選擇 這 過程 狀況，
允許 我們 到 有 a 好的 CTQ2。
後 篩檢，
我們 決定 到 使固定 X₂ 在 這 案件， 基於 在 這 以前的 學習。
作為 見過 這裡， 什麼時候 這 CTQ1 是 更多的 比 0.5，
全部 我們 有 是 a 積極的 過程 和 這 釔 為了 更多的 比 20 %。
因此 在 這 案件， 為了 步 2、 我們 選擇流程 狀況，
允許 我們 到 有 這 Y ₄ 較少的 比 -0.5 所以我們 能 有 a 消極的 過程。
在 這 案件， 添加 二 步驟 一起， 這 最終 Y ₄ 將 是 更近 到 零。
這 方式 能 提升 在 CTQ2 和 CTQ3。
後 篩檢， 我們 決定 到 使固定 X₁ 為了 這 步，
基於 在 這 以前的 學習。
後 數據 收藏，
我們 做過 a 步 明智之選 和 主要的 影響 僅有的，
自從 在 這 戈斯， 作為 我們 提及 之前，
僅有的 主要的 影響 是 經過考慮的。
全部 三 關鍵品質因子 已驗證 這 模型 和 這 p 值 較少的 比 0.05，
和 這 遙感 為什麼 已調整 大約 0.8， 和 價格變動因子 較少的 比 5.
後 最大化 這 可取性，
這 模型 提供 我們 和 一個 最佳化 解決方案
和 可取性 更多的 比 0.96， 哪個 是 方式 更高 比 0.27，
和 不是 到 提到 0.02。
因此， 我們 能 實際上 鎖 這 過程 參數
和 更遠 經過 最佳化的 解決方案 在 下一個 步，
哪個 是 我們 選擇 到 使用 這 災難。
但 這 將要 不是 是 覆蓋 這裡。
這裡， I 喜歡 到 總結
什麼 我們 有 討論 在 這 推介會。
在 這 推介會， 我們 有 和 分享 和 你 這 經驗。
我們 使用 不同的 跳轉 工具 涉及 在 這 數據 分析
自始至終 這 二甲基異氰酸酯 專案 在 不同的 階段。
為了 這 根據 生產線能力 分析， 我們 有 用過的 蒙特卡羅模擬。
我們 也 用過的 a 目標 陰謀。
對於 根- 原因 分析， 我們 用過的 多元方法。
我們 也 用過的 a 形象的 分析。
在 命令 到 幫助 和 這 美國能源部，
我們 用過的 這 增強 美國能源部， GOSS 和設計診斷。
在 條款 到 有 a 好的 模型 和 預言，
我們 用過的 不同的 擬合函數， 和 我們 也 用過的 這 預言 輪廓。
我們 也 用過的 這 交互作用 輪廓。
它 也 曾是 提及 那 這些 個人資料 是 不是 僅有的 用過的
為了 這 模型 和 這 預言，
但 它 也 幫助 我們 到 有 a 更深 理解
的 這 過程 本身。
在 命令 到 螢幕 出去 這 狀況 的 興趣，
我們 實際上 使用 這 互動的 圖形，
哪個 是 簡單的， 但 非常 有用 和 強大的。
在 命令 到 做 d 決定 製作，
我們 實際上 使用 這 可取性 函數 幫助 我們 到 製作 a 決定。
直到 現在， 我們 分享 和 你 我們的 經驗
的 如何 這 跳轉 能 幫助 我們 到 做 這 分析。
這 最後的 但 不是 至少，
我們 會 喜歡 到 感謝 查爾斯 為了 他的 導師制 沿著 這 進步。
感謝 你。
我的 partner Cui Yue,
她會 分享 和 你 一些 示範 和 這 跳轉 邊。
她 將要 幫助 我們 到 證明
如何 能 我們 使用 這 互動的 形象的 分析
作為 出色地 這 逐步 配件 在 這 戈斯 模型。
好的， 感謝 你。
謝謝你，程婷。
I 思考 你 能 看 我的 螢幕 現在， 正確的？
這 首先， I 會 喜歡 到 介紹 你
這 互動的 陰謀 程婷 只是 提及。
這 是 實際上 一 的 我的 個人的 最喜歡的 功能 在 跳轉。
它是 簡單的， 但 它是 非常 強大的。
這裡， 我們的 目的 是 到 螢幕 什麼是 這 最多 相對的 功能，
一個因素 相對於 Y₄。
哪個 一 貢獻 這 最多 到 Y₄， 從 X₁ 到 X ₄？
我們 能 簡單地 選擇 全部 這 因素 的 興趣 我們 想 這裡，
和 按一下“確定”。
現在， 我們 是 擁有 這 分配 的 全部 這 因素。
現在， 作為 Cheng Ting 有 提及， 我們 想 到 知道 什麼 貢獻 這 最多
到 這 Y₄和 消極的 邊。
為了 例子， 這裡。
然後 現在， 我們 能 看 僅有的 X₄ 從 13- 14， X₃ 從 0- 1、
和 X₂ 在 這 範圍， 2.5 -5。
也, X ₁ 在 19-20， 能 製作 這 發生。
因此， 它是 更輕鬆 到 給 我們 a 範圍 的 不同的 因素，
如何 它 將要 貢獻 到 Y₄， 和 如何 是 去 到 選擇 這 因素
如果 我們 想 這 釔 達到 肯定 等級。
相似地， 如果 我們 想 它 到 是 輕微地 更高 比 0 %,
我們 能 也 簡單地 點選 這 區域。
實際上， 到 是 相當 直截了當， 到 解決 這 問題 在 一 射擊，
我們 只是 選擇這些 二 一起。
然後， 我們 能 看， 好的， X ₄ 應該 是 在 這 範圍，
或許 10- 14.
X₃， 確實 應該 集中 在 0-1。
X₂ 是 a 輕微地 更寬 分配。
X ₁, 有o 僅 兩個c 候選人 為了 這 方向。
從 這 一， 我們 能 容易地 和 直覺地 尋找
這 貢獻 因素 我們 想。
這 是 這 第一個函數 I 會 喜歡 到 證明 到 你，
這 分配 功能。
那裡 是 許多 其他 事物 這 分配 功能 能 做，
包括 看 這 數據 分配 和 測試 a 很多 的 事物，
[聽不清楚 00:24:49] 測試 , 等等。
所以 I 慣於 來 在 這裡。
這 第二 事物 I 想 到 分享 和 你 是 這 高斯。
這是 實際上 這 GOSS 合身 逐步地。
現在， 我們 是 擁有 三 關鍵品質指標。
全部 這 CTQ， 這 分析 對話 是 打開 這裡。
為了 全部 這 三， 他們 有 分離 分析 對話。
到 做 a 非常 直截了當 方式， 我們 只是 這 控制 和 點選 去。
它 將要 選擇 這 因素 為了 全部 三 C TQ 和 一次。
非常 直截了當。
這些 三 將要 使用 這 相同的 停止 規則，
哪個 是 這 最低BI C.
然後， 讓我們 點擊“運行 M” 模型。
這 合身 模型 將要 給 我們 我們的 配件 分別地 為了 C TQ1、2、3。
然後， 我們 需要 到 調整 這 模型 或者 減少 這 模型 一 經過 一。
這裡， 我們的 標準 是 到 選擇 這 p 價值 降低 比 0. 05.
我們 定義 那 價值。
什麼時候 這 p 值 降低 比 5 %, 這 因素 是 重要的。
這裡， 我們 能 消除 X₄ .
下一個 一， 為了 C TQ2...
為了 CTQ1， 我們 是 向下 這裡。
為了 CTQ2， 我們 能 消除 X ₁ 和 X2 .
好的， 現在 我們 是 擁有 兩個都 降低 大於 0.05。
對於 X₃，w e 也 能 做 這 相同的 事物 因此。
讓我們 移動 X₄第一 .
全部 這 三 因素， p 價值較低 大於 0.05。
我們 有 得到 這 減少 模型。
這裡 在 這 底部， 我們 將要 有 a 預言 分析器。
如果 你 不 有 它， 我們 能 添加 它 從 這 分析器 功能。
然後， 我們 會 喜歡 到 尋找 這 最佳 狀態.
如何 我們 是 去 到 做 那？
我們 是 去 到 使用 這 可取性函數。
第一步， 我們 將要 總是 是 放 這 可取性，
哪個 是 已經 放 這裡。
我們 有 一 我 塔門 最小化。
然後， 讓我們 使用 這 最大限度 可取性 功能。
H 還， 我們 能 尋找 我們的 最佳 狀態.
如果 我們 使用 最大化和 記住， 這裡 是 我們的 最佳的 狀態.
然後， 我們 能 使用 這 狀態 到 跑步 這 過程
和 有效的 吃了 順序 再次。
這些 是 二 函數 ID 喜歡 到 介紹 你。
好的， 感謝 你。
謝謝。
