Allocate power to sub-carrier for single user by greedy algorithm

提出了一种数据驱动的神经网络（NN）优化框架，以在确定缴款养老金计划的积累阶段确定最佳资产分配。 与通过偏微分方程方法计算的基于参数模型的解决方案相比，所提出的计算框架可以扩展到高维多资产问题。 更重要的是，所提出的方法可以直接从市场收益中确定最佳的NN控制，而无需为收益过程假设特定的参数模型。 我们通过将NN控制与由Hamilton-Jacobi-Bellman（HJB）方程的解决方案确定的最优控制进行比较，来验证所提出的NN学习解决方案。 HJB方程解基于已根据历史市场数据校准的双指数跳跃模型。 NN控制几乎达到最佳性能。 一种替代的数据驱动方法（不需要参数模型）是基于使用历史引导重采样数据集的。 通过使用不同于测试数据的块大小进行训练来检查鲁棒性。 在两种和三种资产情况下，我们都比较了从市场收益样本路径直接学习的NN控件的性能，并证明了它们始终明显优于固定比例策略。

noma_dl_sim noma_dl_sim用于集群和配对算法。

Dominant Resource Fairness: Fair Allocation of Multiple Resource

华侨城 OCTIS（优化和比较主题模型很简单）旨在训练，分析和比较主题模型，其最佳超参数通过贝叶斯优化方法进行估算。 安装 您可以使用以下命令安装OCTIS： pip install -e . 您可以在requirements.txt文件中找到需求。 特征 我们提供了一组最新的预处理文本数据集（或者您可以预处理自己的数据集） 我们提供了一组著名的主题模型（经典模型和神经模型），或者您可以集成自己的模型 您可以使用几种最新的评估指标来评估模型 您可以使用贝叶斯优化相对于给定指标优化模型的超参数 我们提供了一个简单的网络信息中心，用于启动和控制优化实验 获取预处理的数据集 要获取数据集，您可以使用内置源之一。 from octis . dataset . dataset import Dataset dataset = Dataset () dataset . load ( "oc

最优库存分配 使用Python中的现代投资组合理论自动优化投资组合的资产权重和分配。

这个是LDA的源代码，里面实现了中文分词，以及有实际的数据，我都已经写好了，可以把数据以文件夹的形式读入，方便使用

结合智能算法的放大转发（AF）多中继功率分配

给定任何一组外生提供的有效投资组合，我们开发了一种动态规划算法，该算法构建了一个最佳投资组合交易策略，以最大化在指定时间范围结束时实现投资者指定目标财富的可能性。 我们的算法还可以适应任何规模的定期注入或提取，而不会降低运行时性能。 我们探讨了终端财富分布如何对投资者可用的投资组合有效边界部分的限制敏感。 因为我们算法的最优策略是在有效边界上，允许取决于投资者的财富，并允许取决于投资者的个人目标和规格，我们表明它在实现投资者目标方面明显优于目标日期基金的表现。 这些基于最佳目标的财富管理策略对于顾问驱动或机器人驱动的现代金融科技产品非常有用。

flutter和c调用 allocation.dart文件