我参加了这次的车牌拍卖，非常幸运的，我以相当低的价格拍到了车牌，但是，我还是有不少话想讲，就算是“得了便宜还卖乖”吧。
本意
这次的车牌拍卖，要算是政府最想弄好的一次。上个月的拍卖，就有很多的风声与政府言论出来，大概的意思是，车牌价格高得不正常，因为有“不良经销商恶意操纵”，简单的修改了一下规则，有一个高价提醒，然而，上个月的拍卖，还是价格高得惊人，平均中标价格更高达56042元。于是，政府决定痛下杀手，于是就改了规则，从他们制定的那几条规则，可以看出政府的本意：
1、博弈公开，不断的公布最低可中标价，以防止拍卖价格不断上涨。
2、时间缩短；修改范围限制在300元上下；每人只能投一次，改两次，以减少每个人所导致的价格上涨幅度。
3、只接受电脑与网络投标，以分散投标者，避免人群集中后导致的哄抬气氛。
真的，想得都挺好！详细的规则说明，请看常见问题与回答。
理想情况
在完全理想的情况下，这些规则，究竟会如何起作用呢？
1、第一次投标价，其实是毫无意义的，只是为了保证在后来的半小时里，能够有修改价格的权力。
2、做为一个完全理性的投标者，完全应该只投100元，假设人人都是完全理性的投标者，那么，在第一个小时结束后的最低中标价，依然会是100元。
3、修改出价，越晚越好，最好是在半小时的最后一秒钟，投一个价，这个价应该是多少呢？200元。为什么呢？因为所有的人，都在等最后一秒钟出价，在此之前的最低中标价，必然是一直维持在100元。而到了最后一秒，我只要比这再多100元，200元，这车牌就到手了。
4、服务器的负载会是怎么样的情况呢，假设人人都是完全理性者，人人都在最后一秒投标，人人都投200元，任凭你多好的系统、服务器、网络，都架不住这瞬间冲击，一定会爆掉！
5、假设人人都完全理性，自然能够估算到这个情况，那么就会调整自己的策略，依各人的乐观程度，做出不同程度的提前投标。
6、既然提前会吃亏，太迟了又拍挤不进去，那么，合理的办法就是，不断的拨打电话，或链接网络，以估算网络的、服务器的拥挤程度。
7、网络与电话区别在于（在理想情况下），网络的链接，可以是“瞬间提交”，因此，不能做到对于拥挤程度的准确估算。而电话，只要我拨打进去以后，不挂断电话，随便做做其他的操作，比如一直听使用需知之类的，以霸占这条线路，就能够安全的等到最后投标。
8、假设人人都了解，并尝试通过电话霸占线路，那么在第一小时结束后，会出现一个瞬间的高峰，有n个人会打进电话，假设为1000人，这一千人就会一直霸占线路，直到最后投下200元为止。
9、结论是，在完全理想的情况下，这样的投标，中标人数取决于电话开通的门数。而中标价格，将是200元。
系统的bug
当然，理想情况是不可能出现的，在讨论实际情况前，我们先聊聊这次拍卖过程中，出现的N多bug。
1、价格区间为最低中标价的上下300元。对于参与投标者来说，既然知道了最低中标价，怎么会有人把价格修改为低于最低中标价呢？这种事情，只要稍为用大脑想想，就能知道的呀？
2、语音电话，每分钟两元的语音电话，选1，可以听取使用需知，而这个使用需知的内容，就是印在发给我们的材料上的内容，读一遍大约是10分钟。有些用户，因为误解了操作的含义，好不容易打进了电话，就傻傻的去听使用须知。结果听到一半，线路断了。再打，就打不进去了。
3、发给我们的软件，是一个极为垃圾的软件，介绍网页。界面之难看，就不提了。由于缺乏排队系统，这个软件，只能不断的提示我重试，每次我都要点一次OK。都无法帮我自动重试。
4、由于价格优先与时间优先原则，以最低中标价投标，并不能保证中标，从系统来说，应该提示的，是“最低可中标价”，而不是“当前价格序列中的最低中标价”。
5、首次出价前，系统同样会提示用户最低中标价，但是，这样的提示，很有可能误导用户，因为前一万六千个用户，都肯定能中标，对于这些用户，他们听到的最低中标价，十有八九，是100元。在这个时候，应该不需要公开透明的提示最低中标价，而应该在第二阶段在公布。
实际情况
在实际的投标过程中，情况比我们的预测还要糟糕。因为有很多是网络链接失败，电话又打不通，这就导致了一系列的心理与策略变化。
1、最倒霉的，就是第一个小时无法成功投标的人，这些人极为冤枉。
2、因为阻塞和服务器瘫痪，导致绝大多数用户，逐步产生恐慌心理，原本系统通过“把大家赶回家”的办法，减少哄抬心理的努力，变得失去意义。
3、一旦拨通电话，大家都是在非常随意的出价，有的很低，有的很高。因为心理预期，认为这次的价格肯定不会超过上个月，所以也有些志在必得的用户，会选择3~4万的高价。他们现在悔之晚矣。
4、到了修改价格阶段，那些好不容易拨通电话的人，会尝试尽可能多的延长电话通话时间，以便延迟投标，这也使得网络更加拥堵，越到后来越不可能打进电话。
5、那些出价稍高的人，在了解到最低中标价之后，却又不敢修改价格，一是怕提交失败，一是拍修改了之后，只能比当前最低中标价高300块，一旦被人踢出来，就再也回不去了。
6、由于大多数人无法打进电话，又不愿意修改自己原来的出价，因此修改价格阶段，网络会非常拥堵，但是提交到服务器的数据却会非常少，最低中标价的上涨速度，会非常非常慢，这也算是“歪打正着”的实现了政府的目标。
7、在投标结束后，有很多倒霉的用户，会非常的愤怒，因为无法打进电话，连上网络，导致最后投标失败，实在是一场悲剧。因此有不少人，开始作阴谋论的怀疑，当然，我相信政府，还是不会玩阴谋的，不是他“不会”、“不敢”、“不屑”，而是出于我对政府的执行力的了解，不相信他们有玩阴谋、搞操纵的本事。
总结
我虽然拍到了车牌，但是还是觉得他们做事相当的垃圾，不值得感谢，更不能将这次的价格大跌，归功于他们领导有方。
分享到：
相关推荐
这种“得了便宜还卖乖”的行为，实际上是一种错误的抱怨。 《懂得选择 舍得放弃》一书也与《不抱怨的世界》相呼应，强调了选择和舍弃的重要性。通过简单的故事和名言，这本书教导读者如何以平和的心态看待生活中的...
C、假装窘迫却是经验丰富的杀价买家：这类买家要小心，通常会把你杀得血淋淋，赚不到利润不说，如果同时还是个挑剔的买家，你做得尽可能完美了，还会有可能得到中评或差评。 五、贪婪的买家 这种买家生性贪婪，...
卖乖了！） 程序已经添加本人站点的友情链接，如果可以请勿删除，或留适当链接。谢谢！ 功能及测试结论：asp+access环境。 1.每条信息都可设置为广告信息。 2.信息发布支持HTML全代码编写。 3.热点信息支持HTML伪...
光斑亚像素中心提取是图像处理领域中的一个重要技术，它涉及到光学成像、信号处理以及计算机视觉等多个子领域。在实际应用中，如激光扫描、光学显微镜、天文观测等，光斑通常是物体反射或散射光线在探测器上形成的...
机械原理课程设计 破碎机.doc
电子设计论文施密特触发器电子设计论文施密特触发器
电子设计论文往返式流动灯电子设计论文往返式流动灯
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
政策背景与动机： 签署法案：2021年11月15日，拜登总统签署了《基础设施投资和就业法案》（IIJA），旨在通过多项措施推动美国电动汽车充电基础设施的扩张。 市场增长：随着电动汽车市场的快速增长，对充电基础设施的需求也日益增加，政府政策成为推动这一发展的关键力量。 电动汽车充电基础： 充电技术：电动汽车充电技术通常分为三级，各级充电速度和功率不同，满足不同场景下的充电需求。 充电站类型：包括公共、私人及工作场所充电站，各自具有不同的访问限制和使用特点。 市场趋势与现状： 市场增长：EV市场增长依赖技术进步、成本降低及充电便利性的提高。 充电站数量：截至2022年10月，美国公共和私人充电站总数超过50,000个，其中93%为公共充电站。 区域差异：充电站分布存在地区差异，部分低收入社区充电基础设施不足。 政策与项目： NEVI公式计划：通过IIJA设立的国家电动汽车基础设施（NEVI）公式计划，为各州提供资金以建设EV充电站。 税收抵免：扩展了替代燃料汽车加油站的税收抵免政策，包括EV充电站，以激励投资者。 联合办公室：DOT和DOE成立联合办公室，负责NEVI计划的实施和监管，确保
电子设计论文照明过暗提醒电路电子设计论文照明过暗提醒电路
我选用的软件是：Visual Studio CODE，这个软件在前端开发中十分常用，且提供了很大的便利。 当然也可以用记事本开发，记得把后缀名改成.html 还有我的CSS使用的是内部样式表。 写在head标签下。用到的标签有 <h1></h1> <img src="lyf.jpg" class="god"> <p> </p> 就是这三个标签，构成了HTML的主体架构。 而CSS则是设置了以下形式。 font-size: 16px; line-height: 32px; font-family: "Microsoft Yahei"; text-align: left; text-indent：2em; text-decoration: none; color: #888888 width：66px
大名鼎鼎的MFC MAPI 源码和可执行文件，是开发OUTLOOK插件的好帮手。
机械原理课程设计插床机构机械设计.doc
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
《化工设备机械基础》课程设计 IB储罐设计.doc.doc
机械原理课程设计网球自动捡球机.doc
EKFUKFCKF录屏.mp4
仿新浪读书小程序源码学习
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分： 1. **神经网络（Neural Networks）**：深度学习的基础是人工神经网络，它是由多个层组成的网络结构，包括输入层、隐藏层和输出层。每个层由多个神经元组成，神经元之间通过权重连接。 2. **前馈神经网络（Feedforward Neural Networks）**：这是最常见的神经网络类型，信息从输入层流向隐藏层，最终到达输出层。 3. **卷积神经网络（Convolutional Neural Networks, CNNs）**：这种网络特别适合处理具有网格结构的数据，如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络（Recurrent Neural Networks, RNNs）**：这种网络能够处理序列数据，如时间序列或自然语言，因为它们具有记忆功能，能够捕捉数据中的时间依赖性。 5. **长短期记忆网络（Long Short-Term Memory, LSTM）**：LSTM 是一种特殊的 RNN，它能够学习长期依赖关系，非常适合复杂的序列预测任务。 6. **生成对抗网络（Generative Adversarial Networks, GANs）**：由两个网络组成，一个生成器和一个判别器，它们相互竞争，生成器生成数据，判别器评估数据的真实性。 7. **深度学习框架**：如 TensorFlow、Keras、PyTorch 等，这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数（Activation Functions）**：如 ReLU、Sigmoid、Tanh 等，它们在神经网络中用于添加非线性，使得网络能够学习复杂的函数。 9. **损失函数（Loss Functions）**：用于评估模型的预测与真实值之间的差异，常见的损失函数包括均方误差（MSE）、交叉熵（Cross-Entropy）等。 10. **优化算法（Optimization Algorithms）**：如梯度下降（Gradient Descent）、随机梯度下降（SGD）、Adam 等，用于更新网络权重，以最小化损失函数。 11. **正则化（Regularization）**：技术如 Dropout、L1/L2 正则化等，用于防止模型过拟合。 12. **迁移学习（Transfer Learning）**：利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就，但它也面临着一些挑战，如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。