ISC2 CISSP认证 Domain 2 资产安全(( Asset Security ) cheat sheet.

UNity传送门-Portal Effect 1.1，一个传送门的插件，很好用，非URP，没有URP环境也可以跑起来

unity3d 粒子特效插件 Fish Pack 鱼群集 懒人专用 使场景更加生动。

Excel数据解析，自动创建对应C#类，自动创建ScriptableObject生成类，自动序列化Asset文件 功能介绍链接 https://z-c-s.blog.csdn.net/article/details/125608062

Asset Hunter PRO v2.2.9 Unity 资源 清理

Unity完整保存和加载资产的插件Easy Save - The Complete Save Load Asset v3.3.1 仅供学习，请勿商用。

Asset_Hunter_PRO

代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit unity3d asset代码 unity3d 完整项目源码 2D Endless Jumper Toolkit

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。

Unity 清理工具之AssetCleaner清理多余无用资源。