ဤလမ်းညွှန်ချက်က ဘာတွေကို သက်သေပြပေးသလဲ
F07 သည် ဤအချက်အလက် ပေးသည့် လွတ်လပ်သော လမ်းညွှန်ချက်၏ အမည်ဖြစ်သည်။ ၎င်း၏ ဘရောက်ဇာ ဒီမိုမှာ Leximin Assignment ဖြစ်သည်။ အသုံးပြုနိုင်သော ဒီမိုသည် ပြင်ပ ကုမ္ပဏီ၊ တရားဝင် ဆက်နွယ်မှု၊ လိုင်စင်၊ အက်ပ် ထုတ်လုပ်သူ သို့မဟုတ် ငွေရေးကြေးရေး ဝန်ဆောင်မှုတစ်ခုခုကို သက်သေပြပေးခြင်း မရှိပါ။ ဤလမ်းညွှန်ချက်သည် ၎င်း၏ ကိုယ်ပိုင် ဗီရ်ကျွန်း ငွေကြေး စည်းမျဉ်းများကို ဖော်ပြသည်; အခြား ထုတ်ကုန်တစ်ခုခုကို အတည်ပြုပေးခြင်း မရှိပါ။
တာဝန်ယူမှု ခြောက်ခု မည်သို့ အလုပ်လုပ်သလဲ
Leximin Assignment သည် 3 × 3 ဇယားပေါ်တွင် တန်ဖိုး သုံးဆယ်ကို ဆွဲယူသည်။ တန်ဖိုးတစ်ခုစီသည် 0၊ 1၊ 2 သို့မဟုတ် 3 ဖြစ်နိုင်ခြေ တူညီစွာ ရှိသည်။ တာဝန်ယူမှုတစ်ခုသည် အတန်းတစ်ခုစီမှ ဆဲလ်တစ်ခုကို ရွေးချယ်ပြီး တိုင်တစ်ခုစီကို တစ်ကြိမ်သာ အသုံးပြုသည်။ တာဝန်ယူမှု ခြောက်ခု ရှိသည်။ ရွေးချယ်ထားသော တန်ဖိုးသုံးခုကို အငယ်ဆုံးမှ အကြီးဆုံးသို့ စီစဉ်ပြီး၊ ထိုတန်ဖိုးသုံးခုကို နှိုင်းယှဉ်ပါ။ ပထမ တန်ဖိုး ပိုကြီးသော တန်ဖိုးသုံးခုကို ဦးစားပေးပါ။ ပထမ တန်ဖိုး တူညီပါက ဒုတိယ တန်ဖိုး ပိုကြီးသော တန်ဖိုးသုံးခုကို ဦးစားပေးပါ။ နှစ်ခုလုံး တူညီပါက တတိယ တန်ဖိုး ပိုကြီးသော တန်ဖိုးသုံးခုကို ဦးစားပေးပါ။ အနိုင်ရရှိသော တန်ဖိုးသုံးခု၏ အလယ်တန်ဖိုးသည် မူလ ဆုငွေ s ဖြစ်ပြီး၊ 0 မှ 3 အထိ ရှိသည်။ ဤနည်းသည် အတန်းတစ်ခုချင်းစီကို သီးသန့် စီစဉ်ခြင်းထက် အတန်းများကြား တာဝန်ယူမှုများကို နှိုင်းယှဉ်ပေးသည်။
ရမှတ် တွက်ချက်မှု နှစ်ခု ရိုးရှင်းသော ဥပမာများ
သုညများသာပါဝင်သော ဘုတ်အတုံးတွင် [0, 0, 0] ဟူသော တြိဂုဏ်ပုံစံ (triples) ခုခြောက်ခု ရှိသဖြင့် ကနဦးဆုငွေမှာ 0 ဖြစ်သည်။ သုံးများသာပါဝင်သော ဘုတ်အတုံးတွင် [3, 3, 3] ဟူသော တြိဂုဏ်ပုံစံ ခုခြောက်ခု ရှိသဖြင့် ဆုငွေမှာ 3 ဖြစ်သည်။ ရောစပ်ထားသော ဘုတ်အတုံးတစ်ခုအတွက်၊ စီစဉ်ထားသော တြိဂုဏ်ပုံစံများ၏ အငယ်ဆုံးတန်ဖိုးများကို ဦးစွာ နှိုင်းယှဉ်ပါ။ အလယ်တန်ဖိုး ပိုမြင့်သော တြိဂုဏ်ပုံစံသည် ၎င်း၏ အငယ်ဆုံးတန်ဖိုး ပိုနိမ့်နေပါက အလိုအလျောက် အနိုင်ရရှိမည် မဟုတ်ပါ။
အတန်းများ [0, 2, 1]၊ [2, 1, 0] နှင့် [1, 0, 0] ပါဝင်သော ဘုတ်အတုံးအတွက် အနိုင်ရရှိသော စီစဉ်ထားသည့် တြိဂုဏ်ပုံစံမှာ [1, 1, 1] ဖြစ်ပြီး ဆုငွေမှာ 1 ဖြစ်သည်။ ရရှိနိုင်သော တြိဂုဏ်ပုံစံ [0, 2, 2] တွင် အလယ်တန်ဖိုး 2 ရှိသော်လည်း ၎င်း၏ ပထမတန်ဖိုး ပိုငယ်သောကြောင့် အရှုံးပေးရသည်။
96% ဟူသော ကိန်းဂဏန်းက ဘာကို ပြသနိုင်သလဲ
မျှော်မှန်းအမြတ်ရရှိမှုနှုန်းသည် ဘုတ်အတုံးအားလုံး 4⁹ ခုအပေါ် တစ်ခုချင်းစီ၏ ပုံမှန်ပြုလုပ်ထားသော ဆုငွေများကို ပျမ်းမျှယူခြင်းမှ ရရှိသည်။ ခန့်မှန်းခြေနမူနာသည် ထိုပျမ်းမျှတန်ဖိုးနှင့် ကွဲပြားနိုင်ပြီး အနာဂတ်ရလဒ်များကို ယုံကြည်စိတ်ချစွာ ပြောဆိုနိုင်မည် မဟုတ်ပါ။ ဆုငွေဆိုင်ရာ ထပ်ကိန်း (reward power) ကို ပြောင်းလဲခြင်းသည် ဆုငွေဖြန့်ဖြူးမှုပုံစံကို ပြောင်းလဲစေသော်လည်း ၎င်း၏ သင်္ချာဆိုင်ရာ မျှော်မှန်းအမြတ်ရရှိမှုနှုန်းမှာ 96% အတိုင်း ဆက်လက်တည်ရှိနေမည်ဖြစ်သည်။ လေ့လာတွေ့ရှိရသော အနိုင်ရရှိမှုသည် လိုင်စင်ရရှိကြောင်း သက်သေပြချက် သို့မဟုတ် အပြင်ဘက်လုပ်ငန်းခွင်တစ်ခု၏ အာမခံချက် မဟုတ်ပါ။
သိမ်းဆည်းထားသော ဘဏ္ဏာရံုငွေနှင့် မပြီးဆုံးသေးသော ဆုရှာပွဲများ
ဘဏ္ဏာရံုငွေလက်ကျန် (သုညပါဝင်) နှင့် အပိုင်းကိန်းကျန်ရှိမှုတို့ကို ဘရောက်ဆာ localStorage တွင် သိမ်းဆည်းထားသည်။ ဆုရှာပွဲစတင်ချိန်တွင် ချထားသော စတုတ်ငွေ (stake) ကိုလည်း သိမ်းဆည်းထားသည်။ မပြီးဆုံးသေးသော ဆုရှာပွဲကို ပြန်လည်ဖွင့်လိုက်ပါက မကုန်ဆုံးသေးသော ရလဒ် ပျောက်ဆုံးသွားမည်ဖြစ်သည် - ပြန်အမ်းငွေ၊ ဆုငွေ သို့မဟုတ် ပြန်လည်ဆက်လက်ဆောင်ရွက်ခြင်း မရှိပါ။ သိမ်းဆည်းထားသော ဘဏ္ဏာရံုငွေနှင့် ယခင်အပိုင်းကိန်းကျန်ရှိမှုတို့မှာ ကျန်ရှိနေသော်လည်း စတုတ်နှင့် ထပ်ကိန်းတို့သည် 20 နှင့် 1 သို့ ပြန်လည်ရောက်ရှိသွားမည်ဖြစ်သည်။ သိမ်းဆည်းထားသော ဘဏ္ဏာရံုငွေတန်ဖိုးများသည် အကောင့် ပြန်လည်ရယူရေး ဝန်ဆောင်မှုကို မပေးပါ။
Local storage နှင့် အပြင်ဘက်တောင်းဆိုမှုများ
ဒီမိုနဲ့က ဘရောက်ဆာ localStorage ကို wallet balance နဲ့ fractional remainder အတွက် အသုံးပြုပါတယ်။ Cache ထဲက downloaded files တွေကို clear လုပ်လိုက်ရင်လည်း ထို storage ကို ထိန်းသိမ်းထားနိုင်ပါတယ်။ site-data controls တွေက သီးခြားဖြစ်ပါတယ်။ နေရာဒေသအလိုက် published site မှာ Google Fonts stylesheets နဲ့ Statinside counter 44 ပါဝင်ပါတယ်။ ဒီလို requests တွေနဲ့ local wallet storage တွေက anonymity ကို ဖြစ်ပေါ်စေတာမဟုတ်ပါဘူး၊ ဖြစ်နိုင်ခြေရှိတဲ့ processing အားလုံးကို ဖော်ပြတာမဟုတ်ပါဘူး၊ ဒါမှမဟုတ် outside services တွေက data တွေကို ဘယ်လောက်ကြာကြာ ထိန်းသိမ်းထားသလဲဆိုတာကို ဆုံးဖြတ်တာမဟုတ်ပါဘူး။
မကြာခဏ မေးလေ့ရှိသော မေးခွန်းများ
ဒီမိုက F07 က official operator ဖြစ်တာကို သက်သေပြနိုင်ပါသလား?
မဟုတ်ပါဘူး။ Browser demonstration တစ်ခုက outside operator, company, licence သို့မဟုတ် affiliation ကို ဖြစ်ပေါ်စေတာမဟုတ်ပါဘူး။
Raw reward ကို ဘယ်လိုရွေးချယ်တာလဲ?
Row တစ်ခုစီမှာ cell တစ်ခုစီနဲ့အတူ ရွေးချယ်မှု ခြောက်ခုကို စဉ်းစားပါ။ Triple တစ်ခုစီကို ascending အတိုင်း sort လုပ်ပါ၊ tie ကို ဖြေရှင်းဖို့ ပထမ entry တွေ၊ ဒုတိယ entry တွေနဲ့ တတိယ entry တွေကို နှိုင်းယှဉ်ပါ၊ ပြီးရင် largest triple ရဲ့ အလယ် entry ကို ယူပါ။ Raw reward က 0, 1, 2 သို့မဟုတ် 3 ဖြစ်ပါတယ်။
96% ဆိုတာက နှုတ်တိုင်း 96% ပြန်ရတာလား?
မဟုတ်ပါဘူး။ ဒါက separately normalized mode တစ်ခုစီမှာ ညီမျှတဲ့ board အားလုံးအတွက် mathematical expected gross return ဖြစ်ပါတယ်။ Individual boards နဲ့ sessions တွေက ပိုနည်းတဲ့ သို့မဟုတ် ပိုများတဲ့ return ကို ပြန်ပေးနိုင်ပါတယ်။
