戲意思的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

再想一下：好決策的關鍵思考術

為了解決戲意思的問題，作者MichaelJ.Mauboussin 這樣論述：

你知不知道，你的直覺會騙你？在大賣場買東西（在股市中殺進殺出）時，你其實會受到背景音樂（股市名嘴、市場趨勢）的影響？ 　　★暢銷商業書作者、美盛首席投資策略師——麥可．莫布新最新力作！　　★美國《商業週刊》、《時代》雜誌、《富比士》雜誌、《紐約客》、《Fast Company》、《Strategy+Business》、《Risk Management Magazine》、《AOL Daily Finance》等各大媒體爭相報導 　　藉由三大步驟：準備、認知、運用　　讓你做對決策，投資穩紮穩打、職場上屢戰屢勝！ 　　沒有人會刻意做出壞決定。然而，我們卻總是做出壞決定。事實上，當代歷史中某些最

大的災難，比方說大型投資銀行的崩潰及全球金融危機，全都是由許多聰明人所做出、看似合理的決策結果。這究竟是怎麼一回事呢？ 　　原因在於，當面臨複雜情境時，我們的頭腦會轉到簡化的型式，因而無法看清更好的解決方案。即便我們認為正在運用邏輯與思辨的能力，事實上潛意識裡還是受到社會和情境的影響。幸運的是，我們能夠重新設定心智系統，也就是說我們可以透過學習「再想一下」，來逆轉我們的直覺。 　　在本書中，莫布新勾勒出一套嚴格的決策方法，能夠大幅降低昂貴的錯誤。這套方法包括：「準備」面對常見的心智陷阱，「認知」情境中的錯誤，以及「運用」正確的心智工具來形塑更好的決策。藉由取材自商業、運動、科學，以及日常生活中

的鮮活故事，莫布新將常見的心智錯誤加以分門別類，同時提供以下忠告，以避免犯錯： 　　☆內部 / 外部觀點：把他人的經驗納入考量　　☆隧道視野：強迫自己考慮讓人不舒服的替代方案　　☆整體比部分還聰明：別過度簡化複雜問題　　☆情境的力量：對於他人對你的影響有高度覺知　　☆專家限制：知道何時該信任所謂的專家，何時則否 　　透過強有力的研究以及敏銳高明的分析，本書提供你一套發現危險決策陷阱的心智工具組，同時也讓你在專業與個人生活中的決定更加明智。 作者簡介 麥可．莫布新　Michael J. Mauboussin 　　現為美盛資金管理（Legg Mason Capital Management）首席投

資策略師。曾任瑞士信貸銀行（Credit Suisse）總經理暨美國分行的首席投資策略師。 　　其工作主要是兼顧公司和投資人觀點的投資流程。分析領域橫跨金融、競爭策略、心理學，以及複雜系統理論。 　　著有《魔球投資學》（More than You Know）一書，榮獲美國《商業週刊》2006年十大商業好書之一；同時也是美國「1-800-CEO-READ」網站評選為「歷來百大最佳商業書籍」之一。 　　1993年起擔任哥倫比亞商學院兼任教授，並任職於葛拉漢投資研究中心（Heilbrunn Center for Graham and Dodd Investing）。《商業週刊》於2001年的年度美國

最佳商學院中，推崇他為「傑出教授」，此殊榮當年只有七位教授獲得；2009年，獲得教學卓越系主任獎（Dean’s Award for Teaching Excellence）。莫布新也是聖塔菲研究院（Santa Fe Institute）成員之一——該機構是複雜科學領域的創始先鋒，也是多學科研究的全球領導者。 譯者簡介 胡瑋珊 　　中興大學經濟學系畢業，曾任英商路透社財經新聞編譯、記者，目前為專業口筆譯人員。譯作四度榮獲經濟部金書獎殊榮。譯作散見財經、企管、科技、勵志等各領域。歷年譯作介紹請見julieintaipei.pixnet.net/blog。

戲意思進入發燒排行的影片

多通道蜂窩網絡中移動邊緣計算的計算卸載遊戲

為了解決戲意思的問題，作者胡恆誠 這樣論述：

在這篇論文中，為了要解決在行動邊際運算環境中有大量使用者同時要進行卸載時產生大量傳輸延遲和干擾的問題，我們提出了多使用者進行卸載決策時的優化問題，目的是期望能夠讓所有使用者都能在自己的最大延遲的允許下自己能有最小的能量消耗。為了解決這個問題，我們把計算卸載決策問題制定為一個計算卸載決策的遊戲，並且利用賽局理論來讓每個使用者都可以依據自己的偏好來進行決策的選擇。在賽局理論中，我們不只考慮了使用者的資料大小或是本身的計算能力來當作影響決策的依據，我們還考慮了每位使用者的接收信號強度指示器(Received Signal Strength Indicator)作為決策的考量之一，目的是為了讓無線通

道能夠被公平且平均的分配給需要的使用者。在演算法之後，我們也進一步的證明了我們提出的卸載遊戲是一個潛在遊戲，意思就是，在每次的遊戲中，我們一定找的到納許均衡的存在，以至於沒有一個使用者會改變自己的決策來達到演算法收斂的狀態。最後，我們以模擬的方式呈現我們提出的演算法的有效性以及收斂情況。