一、科林麦克雷拉力4和科林麦克雷拉力2005有什么区别啊？
《科林•麦克雷拉力2005》由于启用了新图像引擎，其画面风格比起04来说，更趋向于“华丽”，而并不是真实。在利用大量DX特效之后，CMR2005中的车辆表面都“平滑如镜”（特别是在选择车辆的演示画面中），哪怕作为汽车广告都可以。车体建模顺滑而漂亮，比前作更接近真车（特别是Impreza WRC），但肯定比真车还要漂亮。 在实际游戏中，玩家首先会注意到CMR2005的色调要比前作鲜艳很多，不复有那种灰蒙蒙的感觉，很是亮眼。地面的质感也得到加强，红土、沙地混合路面清晰可辨；相比之下，前作的同段路面就显得很假了。雪地上的反光有所减弱，换来的是更多的贴图细节。而在跨越不同路面时所留下的车辙，也让人觉得制作方用心良苦。 玩过前作的朋友肯定会对CMR2005的阳光效果印象尤深。阳光透过树丛投射的效果简直是太棒了（注意，该效果是动态而非一张贴图）。这也是CMR2005画面上的亮点之一。 但CMR2005的游戏画面肯定还不至于“完美”。首先是景深效果，还显得很僵硬；在Replay中会发现是一层一层逐渐模糊的，而非自然模糊效果。其次，动态投影效果还是表现不佳，灰乎乎像一块泥巴。相比同期的《GT4》，那种利用大反差做出来的效果，CMR2005中的影子可谓是一败笔。其次图像引擎的进步带来了系统的压力。 音乐音效： 虽然还是那么一如既往的优秀，但CMR2005的音效显然进化到了某个瓶颈了，比起前作并无突破。我们强烈希望Codemasters在CMR的下一个版本中重视音乐的开发，现在对于赛车游戏而言，赛车以外的要素有时候甚至能起决定性的影响。 操作与设定： 这是一个纯粹的“赛车”游戏！它不是来教你怎么开车的，也不是来让你开“冰上滑车”的！游戏中并没有提供类似驾照考试之类的教程，对于一个第一次接触CMR的玩家来说，一开头的1个小时肯定是艰难的旅程。然而过了一个小时，也许他就可以“痛并快乐着”享受CMR的“折磨”了。虽然没有众多的模式，但CMR2005仍然很耐玩。这是一个需要钻研的游戏。 “纯粹”的赛车游戏，更在于你不能开着比对手高档的车来欺负别人。在CMR2005中，你所要挑战的对手就是你自己！这让人想起当年的《梦游美国》。你只能去适应路面，适应车辆，慢慢摸索如何进行适合的改装，却不能像《GT4》那样改出马力冲天的车。对于“车迷”来说，这是坏事，意味着他们不再能开着名车招摇过市；对于“赛车迷”来说，这是好事，挑战自己才是无尽的乐趣。 CMR2005的物理引擎比04来得更为真实，先不说改进后的车辆损毁系统；车辆在各种路面上的抓地差异，就能让同类许多游戏羞惭寻死！举例来说，碎石路与沙土路的分别，不仅在于前者路面上的碎石会让车辆弹跳不已，更会让车辆侧滑失事可能性增大；而在冰雪路面上，虽然与碎石路有着类似的侧滑幅度，却不会因为碎石而导致失速。 但CMR2005的物理引擎并没有过于严酷，老练的车手能够感觉出AI在驾驶中起了很多补正作用。这充分保证了游戏的真实性，而又不会像《Richard Burns Rally》那样疯狂。 车辆的数目比04大有提高，总数量约增加40%！收录的30多辆各种样式的的赛车都经过了汽车商的授权，包括：大众高尔夫MK5、丰田CelicaGT4、LanciaStratos、阿尔法罗密欧147GTA、Alfetta GTV、三菱Lancer Evo VIII、标致206、205 T16 Evo2以及独特的大众甲克虫Rsi等。 除了以上这些改进，CMR2005与04就没有多大区别了，没有增加新的模式，也没有增强Replay。 优点： 纯正血统的赛车游戏；虽然真实却节奏紧张；手感极佳；新增的赛车让人倍感新鲜 缺点： 图像有偏离“真实”的趋势；整体比起前作没有突破性改进
二、兔子要喝水吗
所谓喝水导致兔子死亡的说法是不完全正确的,兔子拉稀死亡的原因不是因为喝水。
三、深度优先搜索和广度优先搜索、A星算法三种算法的区别和联系?
1、何谓启发式搜索算法
在说它之前先提提状态空间搜索。状态空间搜索，如果按专业点的说法就是将问题求解过程表现为从初始状态到目标状态寻找这个路径的过程。通俗点说，就是 在解一个问题时，找到一条解题的过程可以从求解的开始到问题的结果（好象并不通俗哦）。由于求解问题的过程中分枝有很多，主要是求解过程中求解条件的不确 定性，不完备性造成的，使得求解的路径很多这就构成了一个图，我们说这个图就是状态空间。问题的求解实际上就是在这个图中找到一条路径可以从开始到结果。 这个寻找的过程就是状态空间搜索。
常用的状态空间搜索有深度优先和广度优先。广度优先是从初始状态一层一层向下找，直到找到目标为止。深度优先是按照一定的顺序前查找完一个分支，再查找另一个分支，以至找到目标为止。这两种算法在数据结构书中都有描述，可以参看这些书得到更详细的解释。
前面说的广度和深度优先搜索有一个很大的缺陷就是他们都是在一个给定的状态空间中穷举。这在状态空间不大的情况下是很合适的算法，可是当状态空间十分大，且不预测的情况下就不可取了。他的效率实在太低，甚至不可完成。在这里就要用到启发式搜索了。
启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无畏的搜索路径，提 到了效率。在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。我们先看看估价是如何表示的。
启发中的估价是用估价函数表示的，如：
f(n) = g(n) + h(n)
其中f(n) 是节点n的估价函数，g(n)实在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。在这里主要是h(n)体现了搜 索的启发信息，因为g(n)是已知的。如果说详细点，g(n)代表了搜索的广度的优先趋势。但是当h(n) >> g(n)时，可以省略g(n)，而提高效率。这些就深了，不懂也不影响啦！我们继续看看何谓A*算法。
2、初识A*算法
启发式搜索其实有很多的算法，比如：局部择优搜索法、最好优先搜索法等等。当然A*也是。这些算法都使用了启发函数，但在具体的选取最佳搜索节点时的 策略不同。象局部择优搜索法，就是在搜索的过程中选取“最佳节点”后舍弃其他的兄弟节点，父亲节点，而一直得搜索下去。这种搜索的结果很明显，由于舍弃了 其他的节点，可能也把最好的节点都舍弃了，因为求解的最佳节点只是在该阶段的最佳并不一定是全局的最佳。最好优先就聪明多了，他在搜索时，便没有舍弃节点 （除非该节点是死节点），在每一步的估价中都把当前的节点和以前的节点的估价值比较得到一个“最佳的节点”。这样可以有效的防止“最佳节点”的丢失。那么 A*算法又是一种什么样的算法呢？其实A*算法也是一种最好优先的算法。只不过要加上一些约束条件罢了。由于在一些问题求解时，我们希望能够求解出状态空 间搜索的最短路径，也就是用最快的方法求解问题，A*就是干这种事情的！我们先下个定义，如果一个估价函数可以找出最短的路径，我们称之为可采纳性。A* 算法是一个可采纳的最好优先算法。A*算法的估价函数可表示为：
f'(n) = g'(n) + h'(n)
这里，f'(n)是估价函数，g'(n)是起点到终点的最短路径值，h'(n)是n到目标的最断路经的启发值。由于这个f'(n)其实是无法预先知道 的，所以我们用前面的估价函数f(n)做近似。g(n)代替g'(n)，但 g(n)>=g'(n)才可（大多数情况下都是满足的，可以不用考虑），h(n)代替h'(n)，但h(n)<=h'(n)才可（这一点特别 的重要）。可以证明应用这样的估价函数是可以找到最短路径的，也就是可采纳的。我们说应用这种估价函数的最好优先算法就是A*算法。哈。你懂了吗？肯定没 懂。接着看。
举一个例子，其实广度优先算法就是A*算法的特例。其中g(n)是节点所在的层数，h(n)=0，这种h(n)肯定小于h'(n)，所以由前述可知广度优先算法是一种可采纳的。实际也是。当然它是一种最臭的A*算法。
再说一个问题，就是有关h(n)启发函数的信息性。h(n)的信息性通俗点说其实就是在估计一个节点的值时的约束条件，如果信息越多或约束条件越多则排除 的节点就越多，估价函数越好或说这个算法越好。这就是为什么广度优先算法的那么臭的原因了，谁叫它的h(n)=0，一点启发信息都没有。但在游戏开发中由 于实时性的问题，h(n)的信息越多，它的计算量就越大，耗费的时间就越多。就应该适当的减小h(n)的信息，即减小约束条件。但算法的准确性就差了，这 里就有一个平衡的问题。可难了，这就看你的了！
好了我的话也说得差不多了，我想你肯定是一头的雾水了，其实这是写给懂A*算法的同志看的。哈哈。你还是找一本人工智能的书仔细看看吧！我这几百字是不足以将A*算法讲清楚的。只是起到抛砖引玉的作用希望大家热情参与吗。