救命啊~谁帮我英文翻译

The Genetic Algorithm

The genetic algorithm object determines which individuals should survive, which should reproduce, and which should die It also records statistics and decides how long the evolution should continue Typically a genetic algorithm has no obvious stopping criterion You must tell the algorithm when to stop Often the number-of-generations is used as a stopping measure, but you can use goodness-of-best-solution, convergence-of-population, or any problem-specific criterion if you prefer

The library contains four flavors of genetic algorithms The first is the standard simple genetic algorithm described by Goldberg his book This algorithm a uses non- overlapping populations and optional elitism Each generation the algorithm creates an entirely new population of individuals The second is a steady-state genetic algorithm that uses overlapping populations In this variation, you can specify how much of the population should be replaced in each generation The third variation is the incremental genetic algorithm, in which each generation consists of only one or two children The incremental genetic algorithms allow custom replacement methods to define how the new generation should be integrated into the population So, for example, a newly generated child could replace its parent, replace a random individual in the population, or replace an individual that is most like it The fourth type is the 'deme' genetic algorithm This algorithm evolves multiple populations in parallel using a steady-state algorithm Each generation the algorithm migrates some of the individuals from each population to one of the other populations

In addition to the basic built-in types, GA lib defines the components you'll need to derive your own genetic algorithm classes The examples include a few of these derivations including (1) a genetic algorithm that uses multiple populations and 'migration' between populations on multiple CPUs, and (2) a genetic algorithm that does 'deterministic crowding' to maintain different species of individuals during the evolution

The base genetic algorithm class contains operators and data common to most flavors of genetic algorithms When you derive your own genetic algorithm you can use these member data and functions to keep track of statistics and monitor performance

The genetic algorithm contains the statistics, replacement strategy, and parameters for running the algorithm the population object, a container for genomes, also contains some statistics as well as selection and scaling operators A typical genetic algorithm will run forever The library has built in functions for specifying when the algorithm should terminate These include terminate-upon- generation, in which you specify a certain number of generations for which the algorithm should run, and terminate-upon-convergence, in which you specify a value to which the best-of-generation score should converge You can customize the termination function to use your own stopping criterion

The number of function evaluations is a good way to compare different genetic algorithms with various other search methods The GA lib genetic algorithms keep track of both the number of genome evaluations and population evaluations

Defining a Representation

Use a data structure that is appropriate for your problem If you are optimizing a function of numbers, use real numbers in your genome If a solution to your problem can be represented with some imaginary numbers and some integer values, define a genome with these characteristics

Defining an appropriate representation is part of the art of using genetic algorithms (and at this point, it is still an art, not a science) Use a representation that is minimal but completely expressive Your representation should be able to represent any solution to your problem，but if at all possible you should design it so that it cannot represent infeasible solutions to your problem Remember that if the genome can represent infeasible solutions then the objective function must be designed to give partial credit to infeasibles

The representation should not contain information beyond that needed to represent a solution to the problem Although there may be merit in using a representation that contains 'extra' genetic material, unless properly implemented (in concert with the objective function and in full consideration of the type and characteristics of the search space), this tends to increase the size of the search space and thus hinder the performance of the genetic algorithm

The number of possible representations is endless You may choose a purely numeric representation such as an array of real numbers These could be implemented as real numbers, or, in the Goldberg-style of a string of bits that map to real numbers (beware that using real numbers directly far out-performs the binary-to-decimal representation for most problems, especially when you use reasonable crossover operators) Your problem may depend on a sequence of items, in which case an order-based representation (either list or array) may be more appropriate In many of these cases, you must choose operators that maintain the integrity of the sequence; crossover must generate reordered lists without duplicating any element in the list Other problems lend themselves to a tree structure Here you may want to represent solutions explicitly as trees and perform the genetic operations on the trees directly Alternatively, many people encode trees into an array or parsable string, and then operate on the string Some problems include a mix of continuous and discrete elements, in which case you may need to create a new structure to hold the mix of information In these cases you must define genetic operators that respect the structure of the solution For example, a solution with both integer and floating parts might use a crossover that crosses integer parts with integer parts and floating parts with floating parts, but never mixes floating parts with integer parts

Whichever representation you choose, be sure to pick operators that are appropriate for your rep representation

The Genome Operators

Each genome has three primary operators: initialization, mutation, and crossover With these operators you can bias an initial population, define a mutation or crossover specific to your problem's representation, or evolve parts of the genetic algorithm as your population evolves GA lib comes with these operators pre-defined for each genome type, but you can customize any of them

The initialization operator determines how the genome is initialized It is called when you initialize a population or the genetic algorithm This operator does not actually create new genomes, rather it 'stuffs' the genomes with the primordial genetic material from which all solutions will evolve The population object has its own initialization operator By default this simply calls the initialization operators of the genomes in the population, but you can customize it to do whatever you want

The mutation operator defines the procedure for mutating each genome Mutation means different things for different data types For example, a typical mutator for a binary string genome flips the bits in the string with a given probability A typical mutator for a tree, on the other hand, would swap subtrees with a given probability In general, you should define a mutation that can do both exploration and exploitation; mutation should be able to introduce new genetic material as well as modify existing material You may want to define multiple types of mutation for a single problem

The crossover operator defines the procedure for generating a child from two parent genomes Like the mutation operator, crossover is specific to the data type Unlike mutation, however, crossover involves multiple genomes In GA lib, each genome 'knows' its preferred method of mating (the default crossover method) but it is incapable of performing crossover itself Each genetic algorithm 'knows' how to get the default crossover method from its genomes then use that method to perform the mating With this model it is possible to derive new genetic algorithm classes that use mating methods other than the defaults defined for a genome

Each of these methods can be customized so that it is specific not only to the data type, but also to the problem type This is one way you can put some problem-specific 'intelligence' into the genetic algorithm (I won't go into a discussion about whether or not this is a good thing to do)

In addition to the three primary operators, each genome must also contain an objective function and may also contain a comparator The objective function is used to evaluate the genome The comparator (often referred to as a 'distance function') is a used to determine how different one genome is from another Every genetic algorithm requires that an objective function is defined-this is how the genetic algorithm determines which individuals are better than others Some genetic algorithms require a comparator

The library has some basic data types built in，but if you already have an array or list object, for example, then you can quickly build a genome from it by multiply inheriting from your object and the genome object You can then a se this new object directly in the GA lib genetic algorithm objects

In general, a genetic algorithm does not need to know about the contents of the data structures on which it is operating The library reflects this generality You can mix and match genome types with genetic algorithms The genetic algorithm knows how to clone genomes in order to create populations, initialize genomes to start a run, cross genomes to generate children, and mutate genomes All of these operations are performed via the genome member functions

The Population Object

The population object is a container for genomes Each population object has its own initializer (the default simply calls the initializer for each individual in the population) and evaluator (the default simply calls the evaluator for each individual in the population) It also keeps track of the best, average, deviation, etc for the population Diversity can be recorded as well, but since diversity calculations often require a great deal of additional computation, the default is to not record diversity

The selection method is also defined in the population object This method is used by the genetic algorithms to choose which individuals should mate

Each population object has a scaling scheme object associated with it The scaling scheme object converts the objective score of each genome to a fitness score that the genetic algorithm a uses for selection It also caches fitness information for use later on by the selection schemes

Objective Functions and Fitness Scaling

Genetic algorithms are often more attractive than gradient search methods because they do not require complicated differential equations or a smooth search space The genetic algorithm needs only a single measure of how good a single individual is compared to the other individuals The objective function provides this measure; given a single solution to a problem, how good is it

It is important to note the distinction between fitness and objective scores The objective score is the value returned by your objective function; it is the raw performance evaluation of a genome The fitness score, on the other hand, is a possibly-transformed rating used by the genetic algorithm to determine the fitness of individuals for mating The fitness score is typically obtained by a linear scaling of the raw objective scores (but you can define any mapping you want or no transformation at all) For example, if you a se linear scaling then the fitness scores are derived from the objective scores a sing the fitness proportional scaling technique described in Goldberg's book The genetic algorithm uses the fitness scores, not the objective scores, to do selection

You can evaluate the individuals in a population using an individual-based evaluation function (which you define), or a population-based evaluator (also which you define) If you use an individual-based objective, then the function is assigned to each genome A population-based objective function can make use of individual objective functions, or it can set the individual scores itself

怎样才是保健

　怎样才是保健。保健的内容非常宽泛，中国从古至今对养生保健也在不断的探索发展。养生保健大致包括四季中的生活起居、饮食调养、身体锻炼、精神养护等方方面面。来看看怎样才是保健吧。

怎样才是保健1

　 保健是指保持和增进人们的心身健康而采取的有效措施。

　包括预防由工作、生活、环境等引起的各种精神病或由精神因素引起的各种躯体疾病的发生。虽不能直接提高个体的心理健康水平、但能预防个体不健康心理和行为的发生。

　美国心理学家赫兹伯格双因素理论中的一个因素。该理论认为、个体的工作受两类因素的影响、一是能使人感到满意的因素、它能影响人的工作积极性、并能激发个体作出最好成绩。二是保健因素、亦称“维护因素”、指只能防止人产生不满的因素、它不起激励作用、是维护人的心理健全和不受挫折的必要条件、具有预防性、能保持人的积极性和维持工作现状。

怎样才是保健2

　 按摩特定的'耳穴、不仅能预防和治疗一些疾病、起到保健和美容的作用。

　 第一式、

　1、双食指指端在两耳甲腔内沿顺时针方向按摩16次、再同样按摩两耳甲艇和两三角窝各16次。

　2、以双食指指端从两三角窝起沿逆时针方向按摩16次、再同样按摩两耳甲艇和两耳甲腔各16次。

　此式有温补气血、脏腑及健身的效果。

　 第二式、

　以食指桡侧和拇指罗纹面分别置于耳轮上部的前、后侧、沿耳轮由上而下揉捏8次、再由下而上揉捏8次。

　此式有防治耳壳冻疮、增强听力的功效。

　 第三式、

　以两手的中指和食指分别置于两耳根之前、后侧上下来回地擦耳根16次。

　此式有聪耳、消除面部皱纹、美容等作用。

　 第四式、

　闭紧两眼、以两食指罗纹面按双耳屏、盖紧5秘钟后、突然松开双食指、重复3次。

　此式有增进听力、防治耳鸣之效。

　 第五式、

　两手紧盖双耳、双中指同置于枕部、双食指骑于双中指上、再以双食指同时滑下、有节奏地弹敲枕部16次。然后、置于枕印的手指不动、两手掌快速而有节奏地一松一盖两耳、操作16次。

　此式可益脑清神、消除疲劳、有增强记忆力和听力、防治耳鸣和耳聋的作用。

　 第六式、

　闭紧嘴、以两食指置于双外耳道口内、轻轻转动两食指3次、边转边紧闭双外耳道。3～5秒后、突然松开两食指。重复3次。

　此式有防治耳鸣、耳聋、增进听力的功效。

　 第七式、

　两手掌轻贴于两耳上、沿顺时针、逆时针方向、缓缓摩揉两耳壳各16次。

　此式有助听防聋、促进面部血液循环作用。

　 第八式、

　以两食指桡侧及拇指罗纹面、分捏住两耳轮中部、上部及耳垂部、向外、向上、向下提拉耳朵各16次。

　此式有健身、消皱、保颜的作用、对小孩受惊吓有镇静疗效。

怎样才是保健3

　 如何科学保健

　 第一、有规律的生活节奏才能长寿、尤其睡眠要规律。

　拥抱退休生活最好的一件事就是不用再做闹钟的奴隶了、再也不用含恨离开舒服的床铺、硬着头皮一大早去上班。但是退休后的生活一定要保证睡眠规律、维持生物钟的良好运转、这是老年人长寿的秘诀。随着年龄的增长、夜晚睡眠质量会下降、倘若用早上的时间来补充晚上的睡眠、只会让夜晚的睡眠质量愈发糟糕。白天不工作可以锻炼身体、种花、做家务、培养退休爱好、切勿无事总打瞌睡。

　 第二、外出旅游要量力而为、提倡“慢”游。

　退休后时间和金钱都充裕、非常适合四处旅游。但是、健康专家建议老年人在异乡旅游的时间最好在2个礼拜之内、不要超过身体的负荷、避开高峰期和拥挤的时段。旅行时也要注意营养和规律的睡眠、尽量和平时的生物钟保持同步、要“慢”游、不要赶行程。

　 养生保健、保护肝脏请多吃12种蔬菜

　大蒜、属百合科植物、性辛、温、味辣。肝病病人宜熟用、含维生素A、维生素B1、维生素C等、其提取物具有抗菌、抗病毒、软化血管等作用。

　空心菜、又名蕹菜、性甘、平、含蛋白、脂肪、无机盐、烟酸、胡萝卜素等、具有解毒、清热凉血等作用。

　荠菜、为十字花科植物、性平、味甘、含维生素B、维生素C、胡萝卜素、烟酸及无机盐。动物实验表明、可缩短凝血时间、具有止血功效、适合于慢性肝病有鼻出血、齿龈出血等症。

　包菜、即圆白菜、卷心菜、甘蓝、性平、味甘、富含维生素C、维生素B1、维生素B2、还含有胡萝卜素、维生素E、生用对胃及十二指肠溃疡和疼痛有效。

　蘑菇、种类较多、现多为人工培植、包括菜蘑、口蘑、香菇等、同为蕈类。性平、味甘、含多糖类、维生素类、蛋白、脂肪和无机盐等。实验证明其多糖有调节免疫、抗肿瘤的作用、肝病病人宜常食用之。

　木耳、有黑色与白色之分、性平而味甘、含脂肪、蛋白质、多糖。可益胃养血、具有滋养作用。

　海藻、性寒、味咸、含大量碘、藻酸、维生素、蛋白和脂肪等。具有化痰散结之功效。据研究其提取物能较好地抑制血小板凝集和脂质氧化以及抗溃疡。

　百合、性平、味甘、含蛋白质、脂肪、脱甲秋水仙碱。具有益气补中、益肺止咳的作用、并可软坚安神。秋水仙碱具有抗肝纤维化和肝硬化作用、常食百合可防治肝硬化。

　胡萝卜、性微温、味甘、辛、富含维生素A原（胡萝卜素）、亦含挥发油。本品富有营养、健胃消食、生熟均可食、对于提高肝病病人维生素A水平、间接预防癌变的发生具有较好作用。

　西红柿、茄科植物、性平、味酸微甘、富含蛋白质、脂肪、无机盐、烟酸、维生素C、维生素B1、维生素B2及胡萝卜素。具有清热解毒、凉血平肝之功效、生熟食用均可。

　冬瓜、性微寒、味甘、含蛋白质、维生素、腺嘌呤、烟酸、瓜皮可利水消肿；瓜子可消痈肿、化痰止咳；瓜肉可清热止渴、并可解鱼蟹毒。

　黄瓜、性寒、味甘、含戊糖、维生素B1、维生素B2、烟酸、蛋白质。其细纤维具有促进肠道毒素排泄和降胆固醇作用、其所含丙醇二酸可以抑制糖类物质转化为脂肪、尤其适合脂肪肝的防治。

、《变形金刚》(Transformers)

影片导演：迈克尔•贝

影片主演：乔什•杜哈明、乔恩•沃特、希亚•拉伯夫、摩根•福克斯、伯尼•迈克

发行公司：派拉蒙梦工厂

开画日期：2007年7月4日

首映预测：8000万美元

票房预测：2亿1000万美元

期待指数：★★★★★★★★★★ 10

优劣分析：

↑变形金刚真人版！

↑基本压制独立日档期

↑预告片帅得令人窒息！

↑斯蒂文•斯皮尔伯格制片

↑美国军方出动大批武器协助拍摄

↑迈克尔•贝导演吹嘘“特效史无前例”

↑TV版拥趸如今已成长为观客的中流砥柱

↓萨克巨人和红蜘蛛同时出现？……请尊重原著！

↓机器设计无懈可击，人类角色星光黯淡

↓迈克尔•贝执导，品位何在……？

↓今夏最大的票房未知数……

影片评介：

关注度高到不能忍的暑期大作，“进驻”我国的送审工作亦会在近期公布结果。擎天柱、威震天、大黄蜂、红蜘蛛、爵士、萨克巨人、守护神、推土机……，博派狂派的众位“英雄”，将被**这门“人类历史上最伟大的魔术”栩栩如生地幻化于银幕——仅凭这一点，全球票房至少买到了5亿＄的保险。

当今业界巧夺天工的CG技术与《变形金刚》天马行空的世界观，终于在异形遍地、魔幻普及、变种人一撮一簸箕的情况下，水到渠成地融会贯通。无怪制片方自夸，完成了迄今为止最浩大的改编工程；迈克尔•贝放言，MPAA的书呆子惊愕到无法为影片定级；连斯皮尔伯格巨匠也豁出老脸，抱定“到处逢人说项斯”的敬业精神，马不停蹄地广而告之。

尽管好莱坞的宣传伎俩在影片的实绩品质面前形同虚设，但五角大楼钦点大批战争机器赶赴片场增援的头条新闻毕竟有目共睹。《逃出克隆岛》砸锅的迈克尔•贝，虽有“焰火导演”、“炸弹专家”等恶名，但毕竟是6部执导作品北美票房平均13亿＄的商业片怪杰。希望此番狂轰滥炸能有一两笔独具匠心的佳句，也便不枉亿万粉丝的炽烈期许。

、《哈利•波特与凤凰社》(Harry Potter and the Order of the Phoenix)

影片导演：大卫•耶茨

影片主演：丹尼尔•雷德克里夫、艾玛•沃特森、鲁伯特•格林特、梁凯蒂、迈克尔•甘本、拉尔夫•范恩斯、麦琪•史密斯、艾美达•斯丹顿、加里•奥德曼、阿兰•雷克曼

发行公司：华纳兄弟

开画日期：2007年7月13日

首映预测：9500万美元

票房预测：2亿7000万美元

期待指数：★★★★★★★★★★ 10

优劣分析：

↑魔法！魔法！魔法！

↑哈利与张秋NG30次的吻戏

↑公认影史首席“印钞机”系列

↑邓布利多VS伏地魔的终极对决

↑最后一部小说于同期发售的话题性！

↑丹尼尔裸体出演舞台剧的争议噱头……

↓丹尼尔裸体出演舞台剧的争议噱头……

↓伏地魔在飞机上睡了一个空姐……

↓系列票房最低点诞生于暑期档

影片评介：

《哈利波特与凤凰社》是“后三巨头”亮相最晚的一位，只因没赶上去年感恩节的末班车，只好移师于今岁起航——景况与当年创造该系列北美票房低谷的《哈利•波特与阿兹卡班的囚徒》别无二致。由于《哈利•波特》和感恩节档期无比契合，故本作颇有再犯“夏季水土不服综合症”的危险。

惯长于谈情说爱的迈克尔•纽厄尔导演精心烹饪第四集，无疑是迄今为止最秀逸、最惊险、最锋芒毕露的《哈利•波特》。不仅诡谲莫测的故事线与略带神经质的紧张感余韵绕梁，力挽狂澜终结票房收入一蟹不如一蟹的尴尬局面，更使其成为系列的大功臣。既然新掌门“英国TV才人”大卫•耶茨有幸站在前代巨人的肩膀上，又坐拥“哈利VS斯内普”、“哈利VS张秋”、“乌姆里奇VS邓布利多”、“乌姆里奇VS赫敏”、“邓布利多VS伏地魔”等若干大戏，《哈5》自然“有责任”成为金牌系列的新科状元。

四部《哈利•波特》平均北美票房28亿＄、全球票房88亿＄。好容易成功网罗了麦琪•史密斯、爱美达•斯丹顿、艾玛•汤普森、拉尔夫•范恩斯等多位奥斯卡级名优，“**剧集”却堪堪走完大半。华纳老总春风得意地数钱之余，想必也会忍不住为当初与JK罗琳女士协议“必须写满7部才能终结”——仅仅7部——而追悔莫及吧……？

我盛大的同志婚礼》(I Now Pronounce You Chuck and Larry)

影片导演：丹尼斯•杜根

影片主演：亚当•桑德勒、凯文•詹姆斯、杰西卡•贝尔

发行公司：环球

开画日期：2007年7月20日

首映预测：3500万美元

票房预测：1亿3000万美元

期待指数：★★★★★★★★ 8

优劣分析：

↑婚礼！婚礼！婚礼！

↑断臂！断臂！断臂！

↑亚当•桑德勒一年一度的喜剧！

↓《一夜大肚》、《冒牌天神2》、《结婚证书》，暑期喜剧过剩

↓内部试映被贬为“有望包揽金酸梅奖”的大失败作……

↓前后左右强敌环伺

影片评介：

因吉姆•凯利的《灵数23》票房败绩而心中暗爽（笔者胡说）的亚当•桑德勒（横看竖看总觉得他像机器猫……），邀回当年破格擢拔自己主演《冒牌老爹》的“伯乐恩公”丹尼斯•杜根，并顺手提携《魔术师》里古装惊艳的“前打女”杰西卡•贝尔（《刀锋战士》、《绝密飞行》），欲与威胁自己“喜剧天王”宝座的“新晋衰男”斯蒂夫•卡雷尔的《冒牌天神2》一决雌雄。

先遣两位同门喜剧师妹《乔治亚法则》、《一夜大肚》前仆后继，而亲授《我盛大的同志婚礼》以“镇帮大将”级的宣传礼遇，环球对本片的重视程度不言而喻。近来一年一部喜剧、每次必过1亿＄关卡的亚当•桑德勒，此次将伙同凯文•詹姆斯“见利忘性”地伪装同志情侣，却在从天而降的贝尔**面前不慎现出原形。尽管沾边婚礼的喜剧大卖者居多，但本作究竟是《婚礼傲客》、还是《同居三人行》？犹未可知。不妨拭目以待。

、《变发》(Hairspray)

影片导演：亚当•山克曼

影片主演：约翰•特拉沃尔塔、奎因•拉蒂法、米切尔•菲佛、詹姆斯•玛斯登、克里斯托弗•沃肯、阿曼达•柏尼斯

发行公司：新线

开画日期：2007年7月20日

首映预测：2000万美元

票房预测：7500万美元

期待指数：★★★★★★★ 7

优劣分析：

↑原版音乐剧席卷8项托尼奖

↑屡试不爽的“反串＋增肥化妆”

↑《追梦女郎》再次炒热歌舞片！

↑“奎因＋约翰”的巨波组合颁奖奥斯卡，记忆犹新～

↓特拉沃尔塔、菲佛、沃肯，票房毒药派对！？

↓与《制片人》的区别在于……？

↓暑期档的歌舞片，异端……

↓新线持续发行不振

影片评介：

成就舞台版《变发》于4年前在托尼奖上风卷残云、横扫千军的杰克•奥布雷恩导演明确表示无意参与映像工作，无疑令新线方面当头挨了一闷棍。但回想起苏珊•斯特罗曼亲自打点《制片人》重返银幕仍沦为“改编噩梦”的往事，制片方旋即大义凛然地表示剧场与影院本存天壤之别，于是顺水推舟委托《爱到房倒屋塌》、《超级奶爸》的山克曼导演全面打理——醉翁之意不在品质在乎票房的狼子野心昭然若揭。

个人以为本片的发行前景虽不容乐观、但仍未糟到惨不忍睹的程度。首先，凭借《荒野大飚客》极大程度回复人气的约翰•特拉沃尔塔再次咸鱼翻身；其次，导演山克曼与奎因•拉蒂法曾有《爱到房倒屋塌》的愉快合作经历（本土大卖13亿＄）；再次，当年在《蝙蝠侠归来》中亲密接触过的“猫女”菲佛与“奸商”沃肯15年后破镜重圆……。各种猛料频传之下，《变发》的表现至少应差强人意。

、《辛普森一家》(The Simpsons Movie)

影片导演：大卫•西尔维曼

影片配音：特雷斯•迈克尼尔、明妮•德雷尼、丹•卡斯泰兰尼塔、南希•卡特怀特

发行公司：20世纪福克斯

开画日期：2007年7月27日

首映预测：4500万美元

票房预测：1亿6000万美元

期待指数：★★★★★★★★★ 9

优劣分析：

↑TV版无人不晓

↑美利坚吉祥物！

↑久违的2D动画！

↑原班人马献声大银幕

↑远离劲敌《料理鼠王》

↑《怪物公司》的西尔维曼导演率队

↓风闻“为适应银幕将改动角色形象”！

↓如今鸡犬皆CG，何况辛普森乎……？

↓在家就能看，干嘛花钱去影院！？

影片评介：

《辛普森一家》又译《辛普森大**》，改编自累计17季356集的“美国电视史上播放时间最长的动画”。该系列以美国中部的中产阶级生活为原形，辛辣嘲讽了美国佬“麻木不仁”的生存状态，被《时代》周刊提名为“20世纪最伟大的电视节目”，社会影响深远。尽管旗下新贵蓝天工作室垂涎久矣，但东家福克斯还是从迪斯尼公司重金挖来经验更为丰富的大卫•西尔维曼坐镇指挥，大有“一旦开张红火，立即着手续集”的架势。

今夏的三大种子毫无疑问即：《蜘蛛侠3》、《怪物史莱克3》、《加勒比海盗3：世界尽头》；第二集团则基本“内定”为：《料理鼠王》、《变形金刚》、《哈利•波特与凤凰社》；由是本片与《神奇四侠2》、《波恩的最后通牒》大致位于金字塔的第三层。个人感觉其“上下流动性”颇高：既不乏生擒《料理鼠王》、智取《变形金刚》的潜力；又存在遭遇“3D迷”全面抵制的不安因素——动画影史票房Top 20内仅剩《狮子王》、《阿拉丁》、《美女与野兽》、《人猿泰山》四部2D，均为迪斯尼出品且最近一次辉煌也是8年前的陈年往事，故而悬念不小……。

、《美味关系》(No Reservations)

影片导演：斯科特•希克斯

影片主演：凯萨琳•泽塔琼斯、阿伦•艾克哈特、艾比盖尔•布蕾斯琳、帕特蕾西娅•克拉克森

发行公司：华纳兄弟

开画日期：2007年7月27日

首映预测：1800万美元

票房预测：5000万美元

期待指数：★★★★★★★ 7

优劣分析：

↑绯闻！绯闻！绯闻！

↑久违的“美食＋爱情”组合

↑“阳光小美女”艾比盖尔•布蕾斯琳

↓导演希克斯自《闪亮的风采》以来寡有佳作

↓男女主角的票房号召力……

↓绯闻！绯闻！绯闻！

影片评介：

带着一个拖油瓶的小孩谈恋爱（往往还不是主角亲生的，《一日钟情》算是为数不多的异数），在好莱坞的浪漫爱情片里早已司空见惯。不过，《美味关系》预先圈定最终凭《阳光小美女》提名奥斯卡的布蕾斯琳，着实是一桩有远见的投资。反观去年无新作的泽塔琼斯、才凭《感谢你吸烟》上位明星行列的艾克哈特，两位大人倒似沦为配角一般。

于是，二位联手逆袭，一举爆出婚外情的巨大花边新闻，博得点击率的同时，也令影片的关注度顷刻飙升！害得不明造势手腕的道格拉斯老爹亲自出马，谈笑风生的“杀妻”言论听来不像打趣、倒像警告，泽塔琼斯则在羞愤交加之下更加大张旗鼓地与帅哥调情。众所周知，虽比夫君年轻25岁，但又是婚前协议、又是生儿育女的泽塔琼斯显然是这桩婚姻的受害者；自从娇妻收获最佳女配角的小金人后，风流成性的道格拉斯竟变本加厉地在外花天酒地、通宵达旦。昔日“小后妈”泽塔琼斯有化解继子与老公不和的贤内助佳话，而今迈步从头越——与其说是忘年婚姻的七岁之痒，不如归类深闺寂寞的女权觉醒。

、《波恩的最后通牒》(The Bourne Ultimatum)

影片导演：保罗•格林格拉斯

影片主演：马特•达蒙、琼•艾伦、大卫•斯特雷泽恩、朱利亚•斯黛尔斯

发行公司：环球

开画日期：2007年8月3日

首映预测：5000万美元

票房预测：1亿7000万美元

期待指数：★★★★★★★★★★ 10

优劣分析：

↑前两部一集胜似一集

↑原著铁杆势必蜂拥而至

↑今夏唯一的“间谍**”！

↑格林格拉斯导演继续保驾护航

↑格林格拉斯导演新近提名奥斯卡！

↑《无间道风云》进一步巩固达蒙的人气

↓背后站着成龙的《尖峰时刻3》……

↓亮相过晚，市场购买力所剩无多

↓环球持续发行不振

影片评介：

《波恩的最后通牒》又译《谍影憧憧3》，该系列改编自同名特工小说，迥异于布鲁斯南时代的《007》，始终洋溢着老式欧洲动作片的硬朗风情。在“始作俑者”道格•利曼转投《史密斯夫妇》怀抱后，接班的英伦逸才保罗•格林格拉斯（去年的《93号航班》振翅高飞杀入奥斯卡）更使第二部胜利跨入间谍**的经典殿堂。

尽管CIA谍报活动的真相无人知晓，但格林格拉斯无视娱乐大作的续集法则、围绕着“写实”苦心经营：混用多国语、贯彻“一击中的”的质感与快节奏、不自然的爆破和追逐戏一概清零、将缜密严整的故事线梳织得极具说服力。其自信的态度与练达的手法，丝毫不带“异邦人士好莱坞处女秀”的青涩之感——若量化评估，格林格拉斯至少展示出了10倍于迈克尔•贝的才华（《变形金刚》的导演）。

再看该片的演员阵容。本集特聘的大卫•斯特雷泽恩与上代加盟的琼•艾伦分别贵为奥斯卡帝后提名者，演技火花交错迸溅的好戏想必不一而足；贯穿三部曲的朱利亚•斯黛尔斯，经第二集女一号香消玉殒之后苦熬多年，终于在本篇上位；从《忠于职守》到《无间道风云》誓将特工事业进行到底的“奥斯卡最佳原创剧本奖得主”马特•达蒙（《心灵捕手》），咬牙结束了初为人父的短暂休养生息，再度健身塑形、整装待发。

、《超狗》(Underdog)

影片导演：弗雷德里克•杜周

影片主演：亚历克斯•尼奥伯格、迪兹•怀特二世、皮特•丁克雷奇

发行公司：迪斯尼

开画日期：2007年8月3日

首映预测：1200万美元

票房预测：6000万美元

期待指数：★★★★★★ 6

优劣分析：

↑小狗！小狗！小狗！

↑迪斯尼拿手的动物**

↑恶搞超人、蜘蛛侠、X战警！

↓明星狗无懈可击，人类角色星光黯淡

↓亮相过晚，市场购买力所剩无多

↓与《波恩的最后通牒》撞车

影片评介：

几款海报分别把守望城市的内裤汉、趴在墙头的蜘蛛侠、划破长空的天使（《X战警3》）整蛊一遍，憨态可掬程度让冲浪的企鹅、做菜的老鼠也敬畏三分。尽管这只活生生的小家伙依然是CG技术的尖端产品，但与迪斯尼公司沾亲带故的狗儿毕竟曾令无数观客心驰神往、流连忘返（《101斑点狗》）。

由是观之，这条“大人物”可谓“对动物**的怀旧复古”与“对漫画英雄的顶礼膜拜”的巧妙结合；更令人发指的是，本片居然还有根红苗正的TV动画出处。因此，尽管亮相时已进入夏季的相对沉静期，但浓缩“《南极大冒险》＋《猫狗大战》＋《史酷比》”的《超狗》仍不乏“票房黑狗”（马）的面相。

、《尖峰时刻3》(Rush Hour 3)

影片导演：布瑞特•莱特纳

影片主演：成龙、克里斯•塔克、真田广之、罗曼•波兰斯基、工藤夕贵、张静初

发行公司：新线

开画日期：2007年8月10日

首映预测：4000万美元

票房预测：1亿2000万美元

期待指数：★★★★★★★ 7

优劣分析：

↑暑期档最后的大作！

↑久违的“成龙真功夫”～

↑新线公司斥资15亿＄放手一搏！

↑“系列生父”布瑞特•莱特纳导演回归

↓布瑞特•莱特纳刚刚糟蹋完《X战警3》

↓与《环游世界80天》的区别在于……？

↓亮相过晚，市场购买力所剩无多

↓新线持续发行不振

影片评介：

看似国际化的演出阵容里，除了铁打的成龙大哥和克里斯•塔克，几乎再无镇得住场子的一线明星（实际上，即便二位主角业已处于一线里疲于自保的边缘位置……）。但作为一名中国人，今年夏天理所应当要声援《加勒比海盗3：世界尽头》、《虎胆龙威4》、《尖峰时刻3》——周润发、成龙、张静初、Maggie Q，无论谁都是华语**的标签（我这个“华”绝对广义！^_^）。

书归正传，纵然日薄西山、气息奄奄，《尖峰时刻3》依旧是前两集平均18亿＄的豪强出身，即便最终因上述负面原因而未能如愿在北美收回成本，全球票房亦应能顺利维持总体入超。而“动作喜剧花园里的最后一株常青树”成龙大哥，也有望一雪《环游世界80天》的前耻，找回在大洋彼岸的昔日风光。

奶爸别动队2》(Daddy Day Camp)

影片导演：弗雷德•塞维奇

影片主演：小古巴•古丁、洛克林•门罗

发行公司：索尼革命

开画日期：2007年8月10日

首映预测：1800万美元

票房预测：6500万美元

期待指数：★★★★★★ 6

优劣分析：

↑又一部“倒霉老爹”**

↑发行部门一日千里的索尼出品！

↓亮相过晚，市场购买力所剩无多

↓首集制片人约翰•戴维斯退出

↓首集主演艾迪•莫菲退出

↓与《尖峰时刻3》撞车

影片评介：

首部《奶爸别动队》曾于4年前的暑期档大卖1亿＄，成为当时频频被指过气的主演艾迪•莫菲回光返照的热门作品。究其原因：一方面，一群孩子折腾一个爹深合美国观客流的欣赏口味；另一方面，号称“商业三好生”的制片天才约翰•戴维斯有着《怪异杜立德》、《我，机器人》、《异形大战掠食者》的“无差别点石成金”纪录。

光阴荏苒，“莫菲＆戴维斯”组合因联袂奉献《我老婆是巨无霸》而双双退出（该片已于今春大卖9500万＄），无奈的索尼革命影业只好以“启用新人”为名将原剧组的各位助理扶正，犯贱的任务也由小古巴•古丁代劳。这位黑人演技派虽有《征服情海》勇夺奥斯卡最佳男配角的光辉纪录，但商业履历毕竟稀松平常得紧，因此期望不宜过高。

星尘》(Stardust)

影片导演：马修•沃恩

影片主演：克莱尔•丹尼斯、米切尔•菲佛、罗伯特•德尼罗、西耶娜•米勒、伊安•迈克莱恩、彼德•奥图、查理•寇克斯

发行公司：派拉蒙

开画日期：2007年8月10日

首映预测：2000万美元

票房预测：7000万美元

期待指数：★★★★★★★ 7

优劣分析：

↑魔幻！魔幻！魔幻！

↑尼尔•盖曼的人气原著

↑主演阵容实力派名优荟萃！

↓主演阵容的票房号召力不高

↓亮相过晚，市场购买力所剩无多

↓与《尖峰时刻3》撞车

影片评介：

《星尘》改编自素有“美国蔡康永”之称的漫画家尼尔•盖曼的同名绘本小说，讲述各方势力围绕一颗坠落的流星而展开的纵横捭阖的争夺与冒险。独角兽、食人树、追求长生不老的女巫……，各种耳熟能详的童话元素在经典的中世纪世界观下交织——堪称充斥谋杀、情色、毒妇乱舞的当代魔幻文学代表之作。

再看片中聚会的各位表演大拿。且不说德尼罗、奥图、迈克莱恩、菲佛等人的奥斯卡提名之合轻松到达两位数，年轻有为的女主角丹尼斯的身手亦有目共睹（今年其另一主演作品《夜幕》的奥斯卡呼声甚高……）。不过演技不能当门票卖，鉴于派拉蒙的魔幻改编成绩在《雷蒙尼•斯尼奇的不幸经历》的118亿＄处止步，故不占天时、地利的《星尘》未必能贡献什么营销方面的惊喜，反倒是各路神明的怪味演技披露更吊人胃口。