移动众包中基于假名的任务安全分发机制，贺玥，黄勤龙，移动众包作为一种新技术日益受到关注,它通过组织一组拥有移动设备的任务执行者,共同完成任务发布者的任务。但是,由于移动众包处于

约翰·吉汀斯（John Gittins）的第一版标志着一个时代的终结，在这个时代，一连串的研究人员为了解和“解决”多臂匪徒问题而奋斗。我在那一版的序言中庆祝了这种理解的获得，因此应该保留这种理解似乎是适当的。一个新时代的开始就像蚂蚁堆的搅动一样，狂热的群众突然涌现，并且匆匆忙忙地进行着各种活动。

topModel：来自Google的Github公共数据集的一些简短主题建模

设备到设备（D2D）通信可以提高现有蜂窝基础架构中的网络覆盖范围，频谱效率和能效，这使其成为未来网络的有希望的体系结构。 由于服务的多样化，本文考虑了异构统计服务质量（QoS）约束，其中蜂窝用户关注延迟约束，而D2D用户组则更加关注数据传输的中断概率。 蜂窝用户的功率分配问题可以通过优化容量支付功率损耗博弈模型来解决。 利用拉格朗日对偶分解和牛顿迭代法，将蜂窝用户的功率优化问题转化为参数优化问题。 由于D2D用户的能源资源有限，能源效率成为D2D用户群体关注的焦点。 利用分数规划和凸优化技术，提出了在断电概率约束下的D2D用户高效节能的最优功率分配算法。 结果，构思了基于分层博弈的功率分配算法以有效地解决功率优化问题。 仿真结果表明，与其他算法相比，该算法性能有所提高，并且收敛了一定的迭代次数。

期货交易 本文件中的代码包括我在哥伦比亚大学金融数学硕士课程的 MATH 4073:Quant Methods in Investment Management 课程中设计的期货交易策略。 它是一个学期的项目，并计入 100% 的成绩。 我为 26 份期货合约设计了交易跟踪策略和均值回归策略，提供了 52 个 pnl 系列。 我们的团队使用这些 pnls 系列插入我们的熵池方法来优化我们的投资组合。 给定熵池方法的权重，portfolio_performance.R 文件包含我们投资组合的最终结果。 如果您有任何改进建议，请随时通过与我联系。 感谢您的阅读！

解决码头泊位分配问题，码头优化调度问题。

Allocation & Reclaim

我们考虑优化分配连续矩形展示空间以最大化收入的问题。 在零售货架空间中的产品布置和特色广告展示或网页的设计中会遇到此类问题。 具体来说，我们允许 (i) 产品展示的形状具有垂直和水平组件，以及 (ii) 展示扩展到多个货架以进行店内展示。 由于展示产品的货架的垂直位置会影响其销售额，因此每个垂直位置在创收方面都有其自身的有效性。 最大化显示器的总加权收入的问题是非常 NP-hard 的。 因此，我们将其分解为两个子问题。 第一个包括将产品分配到不同的机柜。 在第二个中，在每个机柜内，每个产品的单元都排列在一个连续的矩形中并分配一个位置。 这些子问题使用一种创新方法来解决，该方法结合了整数规划和最大权重独立集问题的算法。 基于对现实世界和模拟数据的计算研究，我们证明了我们方法的效率和有效性。 具体来说，该方案产生的收益对于实际数据在最优值的 1% 以内，对于模拟数据的最优值在 5% 以内。

tomotopy：主题建模工具Tomoto的Python软件包

matlab代码lda 潜在狄利克雷分配 介绍 潜在狄利克雷分配 (LDA) 是文本文档的概率生成模型。 文档被建模为一组“主题”的混合体。 使用变分贝叶斯 (VB) 算法，可以学习与语料库中的文档对应的主题集。 然后可以将这些主题特征用于诸如文本分类之类的任务。 包含的文件 batchLDA.m - 在 MATLAB 中通过文档的批处理实现 LDA。 为语料库中的文档获取一组字数向量并输出一组主题特征。 classify.m - 使用 LDA 主题特征的简单文本分类示例。 需要 . 执照 此代码在 MIT 许可下可用。 请查阅包含的许可证文件以获取完整信息。 参考 [1] DM Blei、AY Ng 和 MI Jordan，“潜在狄利克雷分配” ，机器学习研究杂志，卷。 3，第 993-1022 页，2003 年。 [2] DM Blei、MD Hoffman 和 F. Bach，“潜在狄利克雷分配的在线学习”，神经信息处理系统 (NIPS) 2010 ，温哥华，2010。