【導(dǎo)讀】連桿承受的是沖擊動(dòng)載荷，因此要求連桿質(zhì)量小，強(qiáng)度高。藝過(guò)程時(shí)，按照“先基準(zhǔn)后一般”的加工原則。較重要的加工表面為連桿體和蓋的結(jié)合面及螺栓孔定位面。在夾具設(shè)計(jì)方面也要針對(duì)連桿。的工程技術(shù)問(wèn)題而進(jìn)行的一次基本訓(xùn)練。我們?cè)谕瓿僧厴I(yè)設(shè)計(jì)的同時(shí)，也培養(yǎng)了我們正。這次綜合能力運(yùn)用的機(jī)會(huì)！Keywords：connecting；deformation；Processing；Fixturedesign

　　

【正文】 puting patterndatabases。我們將這個(gè) 想法選擇 subgoals 動(dòng)態(tài)和評(píng)估效率這些擴(kuò)展的領(lǐng)域里的路徑。我們回顧相關(guān)研究 ,得出的結(jié)論是 ,這個(gè)新方法的總體規(guī)劃 。 問(wèn)題 我們定義一個(gè)啟發(fā)式搜索問(wèn)題作為一個(gè)有向圖 ,包含一個(gè)有限狀態(tài)和邊緣 ,有一個(gè)單一的特指狀態(tài)作為正式的目標(biāo)。在每一次的時(shí)間長(zhǎng)中，一個(gè)搜索代理有一個(gè)單一的現(xiàn)狀、頂點(diǎn)在搜索圖，并有一個(gè)穿越外邊緣的當(dāng)前狀態(tài)。 比如一個(gè)地圖中，對(duì)象允許向四個(gè)方向移動(dòng)，那么，就將地點(diǎn)處，對(duì)象向上下左右各移動(dòng)一步，將四個(gè)狀態(tài)都保存在內(nèi)存中，然后再?gòu)倪@四個(gè)出發(fā)點(diǎn)向各自的四個(gè)方向再移動(dòng)一步 ... (當(dāng)然這里可以剔除不合理的 移動(dòng)方法，比如不準(zhǔn)向回移動(dòng) )實(shí)際上，整個(gè)搜索好似一個(gè)圓形向外展開，直到到達(dá)目的地。很明顯這樣求解一定能找到最優(yōu)解，但節(jié)點(diǎn)展開的數(shù)量是和距離成級(jí)數(shù)增加的，真的用在游戲中，玩家會(huì)抱怨內(nèi)存 128M 也不夠用了， 而且伴隨待處理節(jié)點(diǎn)數(shù)的增加，處理速度也會(huì)迅速減慢 ... 可以說(shuō)這個(gè)算法并不實(shí)用。 所謂路徑規(guī)劃，就是在路網(wǎng)中找到任意給定兩點(diǎn)之間的最優(yōu)路徑。最優(yōu)的標(biāo)準(zhǔn)是旅行費(fèi)用最小或最大。旅行費(fèi)用可以是距離、時(shí)間或速度等因素。路徑規(guī)劃主要算法有：迪杰斯特拉（ Dijkstra）算法及其改進(jìn)算法、啟發(fā)式搜索算法、雙向搜索算法和 雙向啟發(fā)式搜索算法等。 迪杰斯特拉算法是解決兩點(diǎn)之間最短距離的有效算法。算法的思想是：從原節(jié)點(diǎn)開始，算法每前進(jìn)一步，都找到一個(gè)與原節(jié)點(diǎn)之間費(fèi)用（距離）最小的節(jié)點(diǎn)，直至找到所有節(jié)點(diǎn)離原節(jié)點(diǎn)的最小費(fèi)用。該算法的特點(diǎn)是：只要各段路徑的費(fèi)用非負(fù)，一定可以找到眾原節(jié)點(diǎn)到各節(jié)點(diǎn)的最優(yōu)解。缺點(diǎn)是需遍歷所有節(jié)點(diǎn)。算法的運(yùn)行時(shí)間為 O（ slogn） [1]，其中 n、 s分別為路徑節(jié)點(diǎn)和路段的總線。單車導(dǎo)航?jīng)]有必要找有節(jié)點(diǎn)到原節(jié)點(diǎn)的最優(yōu)路徑。改進(jìn)的迪杰斯特拉算法在找到目標(biāo)節(jié)點(diǎn)的最優(yōu)路徑后，算法停止。其運(yùn)行時(shí)間為 O（ bd），其中 b 是各 節(jié)點(diǎn)的平均后繼節(jié)點(diǎn)數(shù)， d 為算法的搜索深度，即遍歷樹的層數(shù)。 啟發(fā)式搜索算法引入啟發(fā)式估價(jià)函數(shù) f39。(n)=g(n)+h39。(n)，其中 g(n)表示從原節(jié)點(diǎn)到當(dāng)前節(jié)點(diǎn) n 析實(shí)際費(fèi)用 ,h39。(n)為當(dāng)前節(jié)點(diǎn) n 到目標(biāo)節(jié)點(diǎn)的估計(jì)費(fèi)用。啟發(fā)式搜索算法基本同于改進(jìn)的迪杰斯特拉算法，唯一不同的是前者的費(fèi)用是 f39。(n)，而后者為 g(n)。估計(jì)費(fèi)用 h39。(n)能引導(dǎo)算法優(yōu)先搜索接近目標(biāo)節(jié)點(diǎn)的節(jié)點(diǎn)，因此比改進(jìn)的迪杰斯特拉算法有更快的速度。其運(yùn)行時(shí)間為 O(bd)。注意這里的d要比改進(jìn)的迪杰斯特拉算法中的 d要小。若路網(wǎng)中任意兩點(diǎn)之間存在最優(yōu) 路徑，而且估計(jì)費(fèi)用滿足可納性，即 h39。(n)小于從節(jié)點(diǎn) n到目標(biāo)節(jié)點(diǎn)之間的實(shí)際費(fèi)用，那么通過(guò)該算法一定可以找到一條最優(yōu)路徑。 前面兩種算法都是從原節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)沒(méi)單一方向進(jìn)行搜索的算法。雙向搜索算法的思想是：不僅進(jìn)行從原節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的前向搜索，而且進(jìn)行從目標(biāo)節(jié)點(diǎn)到原節(jié)點(diǎn)的后向搜索。在單 CPU 硬件平臺(tái)條件下，兩個(gè)方向的搜索交替進(jìn)行。成功實(shí)現(xiàn)雙向搜索有兩個(gè)條件，即合適的搜索停止條件和前向后向搜索切換標(biāo)準(zhǔn)。其算法時(shí)間為 O（ bd/2）。若雙向搜索算法中加入估計(jì)費(fèi)用函數(shù)，便是更快的雙向啟發(fā)式搜索算法 [1]。 動(dòng)態(tài)選擇搜索深度 現(xiàn)在我們將呈現(xiàn)兩種不同的方法來(lái)裝備 LRTA *動(dòng)態(tài)搜索深度的選擇 (即實(shí)現(xiàn)3 號(hào)線的第一部分在圖 1)。第一種方法使用一個(gè) decisiontree 分類器來(lái)選擇搜索深度基于代理人的特征現(xiàn)狀及其近期歷史。第二種方法使用一個(gè)模仿的數(shù)據(jù)庫(kù)。 DecisionTree 分類方法 LRTA *可以在每個(gè)執(zhí)行步驟分類選擇搜索深度。代理人最近的搜索記錄搜索空間的動(dòng)力學(xué)特性到分類器。分類器的作用是 :返回當(dāng)前狀態(tài)的搜索深度。一個(gè)有效的分類器需要輸入功能 ,不僅是有用的理想的搜索深度預(yù)測(cè) ,但也是有效的計(jì)算代理的實(shí)時(shí) 性。以下是兩方面考慮的折中辦法： (1)最初的啟發(fā)式評(píng)估 h(s,sgoal)距離的當(dāng)前狀態(tài)的目標(biāo)；（ 2）評(píng)估當(dāng)前狀態(tài)與州代理之間的距離； (3)總數(shù)的啟發(fā)式的更新在過(guò)去的 n 步驟。特點(diǎn) 1 提供粗略估計(jì)一下這個(gè)地點(diǎn)的代理的相對(duì)的目標(biāo)。 (二 )、 (三 )特征的移動(dòng)性測(cè)量代理人的搜索空間，更深一層啟發(fā)式搜索搜索是在這種情況下 ,通常有利于。（四）是測(cè)量的特征和矛盾的錯(cuò)誤在代理的啟發(fā)式方法 。再次 ,頻繁的啟發(fā)式的更新可以保證一個(gè)更深的搜索。當(dāng)調(diào)用分類現(xiàn)狀、特征 (三 )、 (四 )是基于統(tǒng)計(jì)收集 n 以前的步驟執(zhí)行代理人 ,也就是說(shuō) ,(3)看 美國(guó)代理人在過(guò)去 n 的步驟 ,并計(jì)算了數(shù)量的重復(fù)性的狀態(tài)。分類器的最優(yōu)搜索深度預(yù)測(cè)的目前的狀態(tài)。為了避免進(jìn)行真實(shí)的最佳的行動(dòng) ,我們假設(shè)更深的搜索通常產(chǎn)生一個(gè)更好的作用。在訓(xùn)練階段 ,受托人先進(jìn)行dmaxply 搜索的“最佳”的作用。 然后一系列 ofprogressively 淺的文件來(lái)確定的 ,還是返回“優(yōu)”的作用。在這個(gè)過(guò)程中 ,如果在任何給定的深度、不同作用返回的最佳行動(dòng) ,這是停止。該執(zhí)行所有的深處 ,dmax 同意從 ds 上最好的行動(dòng)。這是很重要的 ,為提高整個(gè)系統(tǒng)的魯棒性的分類 ,概括了分類器必須在大的州。這個(gè)深度 ds 設(shè)為 類標(biāo)簽的特征向量的描述了目前的狀態(tài)。 一旦 decisiontree 分類建成 ,上面的使用這是微不足道的。確保數(shù)據(jù)的實(shí)時(shí)響應(yīng)固定的最大長(zhǎng)度 ,decisiontree 分支生長(zhǎng) ,以及近期歷史水平的長(zhǎng)度我們收集的輸入功能。這個(gè)最大的獨(dú)立對(duì)這個(gè)問(wèn)題 (map)的尺寸。的確 ,這四個(gè)輸入功能對(duì)分類器都是有效的計(jì)算常量時(shí)間、量詞本身只是少數(shù)淺嵌套的條件語(yǔ)句。因此 ,執(zhí)行時(shí)間是 LRTA 為主的前瞻步數(shù)搜索。這個(gè)對(duì)訓(xùn)練數(shù)據(jù)采集過(guò)程 ,建立分類器執(zhí)行線下。雖然選粉機(jī)顯得太簡(jiǎn)單了 ,用最少的知識(shí)領(lǐng)域 ,如圖所示后來(lái)它表現(xiàn)好得令人驚訝。 模式的途徑 數(shù)據(jù)庫(kù) 我們首先從簡(jiǎn)單的開始、如下：為每組 配對(duì) ， 最好的作用在于最優(yōu)路徑從 到 。一旦 是已知的，我們可以漸漸深入的探索 。當(dāng)搜索深度產(chǎn)生 為最佳搜索深度。 有兩個(gè)問(wèn)題和簡(jiǎn)單的解決途徑，首先， 不是先驗(yàn) upperbounded,從而沒(méi)收 LRTA *的實(shí)時(shí)性能。第二 ,進(jìn)行 d* 或 a*(sstart,sgoal)所有成對(duì)的 。美國(guó)甚至 512 512 細(xì)胞視頻游戲地圖望而卻步時(shí)間和空間復(fù)雜度。我們解決首先考慮的問(wèn)題通過(guò)限制 d* 在一個(gè)固定的常數(shù) c≥ 1 (從今以后 ,稱為 cap)的。我們解決的第二個(gè) 問(wèn)題一個(gè)自動(dòng)建立提取原搜索空間。整個(gè)地圖被分成許多地區(qū) (或抽象的 )和一個(gè)搜索深度值是 preputed 摘要當(dāng)前 ,每個(gè)目標(biāo)狀態(tài)。結(jié)果數(shù)據(jù)的數(shù)據(jù)庫(kù) (Culberson 模式及如何 1998 年 )。 該方法加快 ,減少開銷預(yù)先記憶 (兩個(gè)重要因素為商業(yè)游戲 )。例如 ,在典型電網(wǎng)世界地圖 ,單一應(yīng)用視頻游戲的小團(tuán)體的抽象 (Sturtevant amp。證交所于 2020 年 )的數(shù)量減少了采用因子 2 至 3 次。在抽象層次的 5 個(gè) ,每個(gè)區(qū)域包含了大約一百地面的狀態(tài)。因此 ,一個(gè)單一的搜索深度值大約十 thousandstate 共享集合。作為一個(gè)結(jié) 果 ,五個(gè)級(jí)別的小團(tuán)體抽象產(chǎn)量減少了 4 個(gè)數(shù)量級(jí)的記憶和兩個(gè)數(shù)量級(jí)降低了時(shí)間 (如在預(yù)先之后的部分 )。 圖 2:目的是顯示為 G,代理 ,代表 A 菱形的指示 左 :最佳的動(dòng)作都顯示了每一個(gè)最具代表性的抽象的瓷磚 ,運(yùn)用的動(dòng)作 代理人的瓷磚在代理目前的位置引入一堵墻。 右 :虛線代表的最優(yōu)路徑。 兩個(gè)選擇最優(yōu)搜索深度存儲(chǔ)商店最理想的行為或優(yōu)化啟發(fā)式的價(jià)值。這個(gè)使用抽象排斥他們。事實(shí)上 ,共享 優(yōu)化計(jì)算 ,為一個(gè)單一的地面行動(dòng)的代表在所有的抽象的地區(qū)的國(guó)家在該地區(qū)可能導(dǎo)致代理碰到墻 (圖 2,左 )。同樣地 ,共享一個(gè)啟發(fā)式的價(jià)值在所有國(guó)家中葉子的代理區(qū)域沒(méi)有方向感的一切美國(guó)在它附近看起來(lái)同樣接近目標(biāo)。這種代理人不一定能達(dá)成目標(biāo) ,更別提最小化旅行。相反 ,在任何搜索深度美國(guó)的地面是安全 LRTA *是完整的對(duì)于任何搜索深度。此外 ,最優(yōu)搜索深度具有更強(qiáng)的魯棒性和尊重來(lái)圖變化 (例如 ,一座橋毀滅在一個(gè)視頻游戲 )。 所謂路徑規(guī)劃，就是在路網(wǎng)中找到任意給定兩點(diǎn)之間的最優(yōu)路徑。最優(yōu)的標(biāo)準(zhǔn)是旅行費(fèi)用最小或最大。旅行費(fèi)用可以是 距離、時(shí)間或速度等因素。路徑規(guī)劃主要算法有：迪杰斯特拉（ Dijkstra）算法及其改進(jìn)算法、啟發(fā)式搜索算法、雙向搜索算法和雙向啟發(fā)式搜索算法等。 迪杰斯特拉算法是解決兩點(diǎn)之間最短距離的有效算法。算法的思想是：從原節(jié)點(diǎn)開始，算法每前進(jìn)一步，都找到一個(gè)與原節(jié)點(diǎn)之間費(fèi)用（距離）最小的節(jié)點(diǎn)，直至找到所有節(jié)點(diǎn)離原節(jié)點(diǎn)的最小費(fèi)用。單車導(dǎo)航?jīng)]有必要找有節(jié)點(diǎn)到原節(jié)點(diǎn)的最優(yōu)路徑。 啟發(fā)式搜索算法引入啟發(fā)式估價(jià)函數(shù) f39。(n)=g(n)+h39。(n)，其中 g(n)表示從原節(jié)點(diǎn)到當(dāng)前節(jié)點(diǎn) n 析實(shí)際費(fèi)用 ,h39。(n)為當(dāng)前節(jié)點(diǎn) n到目標(biāo)節(jié)點(diǎn) 的估計(jì)費(fèi)用。啟發(fā)式搜索算法基本同于改進(jìn)的迪杰斯特拉算法，唯一不同的是前者的費(fèi)用是 f39。(n)，而后者為 g(n)。 因此比改進(jìn)的迪杰斯特拉算法有更快的速度。其運(yùn)行時(shí)間為 O(bd)。注意這里的 d 要比改進(jìn)的迪杰斯特拉算法中的 d 要小。若路網(wǎng)中任意兩點(diǎn)之間存在最優(yōu)路徑，而且估計(jì)費(fèi)用滿足可納性，即 h39。(n)小于從節(jié)點(diǎn) n到目標(biāo)節(jié)點(diǎn)之間的實(shí)際費(fèi)用，那么通過(guò)該算法一定可以找到一條最優(yōu)路徑。 前面兩種算法都是從原節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)沒(méi)單一方向進(jìn)行搜索的算法。雙向搜索算法的思想是：不僅進(jìn)行從原節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的前向搜索，而且進(jìn)行從目標(biāo)節(jié)點(diǎn) 到原節(jié)點(diǎn)的后向搜索。在單CPU 硬件平臺(tái)條件下，兩個(gè)方向的搜索交替進(jìn)行。成功實(shí)現(xiàn)雙向搜索有兩個(gè)條件，即合適的搜索停止條件和前向后向搜索切換標(biāo)準(zhǔn)。其算法時(shí)間為 O（ bd/2）。若雙向搜索算法中加入估計(jì)費(fèi)用函數(shù)，便是更快的雙向啟發(fā)式搜索算法 [1]。 圖 3:Patterndatabase 建設(shè) 兩種方法的討論 選擇搜索深度與模式中有兩個(gè)優(yōu)勢(shì)。首先 ,搜索深度數(shù)據(jù)存儲(chǔ)對(duì)美國(guó)的抽象為他們的 nonabstract 代表最佳 ,除非要 么值上限或狀態(tài)在當(dāng)?shù)氐乃阉骺臻g ,他們已經(jīng)去過(guò)啟發(fā)式的價(jià)值已經(jīng)被修改了。這 (條件 )最優(yōu)與分類方法在更深的嗎搜索被認(rèn)為導(dǎo)致了更好的作用。這個(gè)假設(shè)并不總是持有 ,這種現(xiàn)象稱為嗎 Bulitko 病理學(xué) (控制繆群。 2020 年 )。第二個(gè)好處我們不需要特點(diǎn)的當(dāng)前狀態(tài)和近期歷史水平。搜索深度為抬頭的根據(jù)目前的狀態(tài)的標(biāo)識(shí)符 ,例如它的坐標(biāo)。 decisiontree 分類的方法有兩個(gè)優(yōu)勢(shì)在 patterndatabase 方法。首先 ,分類培訓(xùn) 不需要發(fā)生在同一搜索空間的代理商嗎操作。只要培訓(xùn)地圖用來(lái)收集特點(diǎn)及建立決策樹是最具代表性的 運(yùn)行時(shí)間地圖 ,這種方法可以運(yùn)行在森林的地圖 (例如 :使用地圖在一個(gè)電腦游戲 )。其次 ,記憶是一個(gè)較小的開銷以這種方法嗎指定是否決定和分類模式的數(shù)據(jù)庫(kù)需要加載到內(nèi)存中。 動(dòng)態(tài)選擇的目標(biāo) 這兩種方法所允許的代理人來(lái)選擇一個(gè)每個(gè)州單個(gè)搜索深度。然而 ,就像在原 LRTA *、啟發(fā)式仍然是計(jì)算的尊重 sgoal 全球目標(biāo)?；氐綀D 2 中 ,考慮了網(wǎng)格上的例子。地圖是劃分美國(guó)為代表的國(guó)家四抽象表現(xiàn)為鉆石 (1 4)。一條直線距離啟發(fā)式可以忽略墻上的代理人之間 (A)和 (G),將領(lǐng)先代理人向墻壁。要角及其他啟發(fā)式的侵?jǐn)_是主要的缺點(diǎn)的實(shí)時(shí) 啟發(fā)式搜索代理 ,在這個(gè)例子中 ,而不是通過(guò)動(dòng)態(tài)搜索深度的選擇 (cap)。 解決辦法是切換到中級(jí)的目標(biāo)時(shí)啟發(fā)式與全球的目標(biāo)是非常準(zhǔn)確 ,結(jié)果是他們最優(yōu)搜索深度太高了。在例子 ,一個(gè)非常淺的搜索深度是需要的最佳的動(dòng)作 ,抽象的狀態(tài) (注明鉆石 (2)。該方法實(shí)現(xiàn)取代線 5 6圖 3和圖 4。 圖四 :從全球的目標(biāo) sgoal中級(jí)目標(biāo) 5 6的替代線路圖 3。 只要是沒(méi)有達(dá)到 ,新算法如前面所提到的。當(dāng)帽達(dá)到 5a,排隊(duì)。全球的目標(biāo) sgoal是 中級(jí)的目標(biāo) sg排隊(duì) 5b。中間的目標(biāo)是在地面的恥辱摘要國(guó)家的代表 ,下的最優(yōu)路徑從 sstart到 sgoal將進(jìn)入。在正確的地圖在圖 2中 ,最優(yōu)路徑 (線 )將會(huì)進(jìn)入厚儀表板上的權(quán)利四分之一。其代表人、鉆石 2,也因此被被選為得分后衛(wèi)。它將被保存在一起 ,5c相應(yīng)的搜索深度。 圖五 :為提高利潤(rùn)率超過(guò) fixeddepth LRTA *。 換句話說(shuō) ,除了選擇搜索深度狀態(tài)時(shí) ,目標(biāo)是動(dòng)態(tài)的 ,也是每個(gè)動(dòng)作。最后 ,我們可以想象 ,總是用中期目標(biāo)直到劑 (含 sgoal進(jìn)入抽象的狀態(tài) )。這給了我們?nèi)齻€(gè) 途徑的選擇目標(biāo)狀態(tài) LRTA *:全球的目標(biāo) (G)。中級(jí)目標(biāo)的全球目標(biāo)需要過(guò)量搜索深度(G+I)。始終如一中級(jí)目標(biāo)除非代理人在目標(biāo)地區(qū) (I)。 分析 這部分提供了實(shí)證評(píng)價(jià)的結(jié)果 LRTA *代理商與動(dòng)態(tài)控制搜索深度和目標(biāo)的選擇。所有的 LRTA除了 Koenig算法。廣度優(yōu)先搜索計(jì)劃和避免 reexpanding 國(guó)家通過(guò)換位表。我們報(bào)