XiaoMi-AI文件搜索系统
World File Search System决策问题
犹豫模糊隶属函数估计下生物质供应链网络设计的可能性规划方法
摘要：通过从专家那里获取知识来识别隶属函数是许多模糊数学规划模型的重要因素。同时，犹豫模糊集理论作为一种已知且流行的现代模糊集，通过在集合下分配一些离散隶属度，可以适当地处理决策问题中的不精确信息。因此，犹豫模糊隶属函数 (HFMF) 估计可以帮助数学规划方法的用户在连续空间问题中提供强大的解决方案。因此，本研究提出了一种基于贝塞尔曲线机制的可能性规划方法来估计 HFMF。在可能性规划方法的过程中，提出了一个优化模型来调整贝塞尔曲线的主要参数，目标是最小化经验数据和拟合 HFMF 之间的 SSE)。之后，通过提出一种新的生物质供应链网络设计问题数学模型来检查所提方法的效率和适用性。最后，提供了关于生物质供应链网络设计的计算实验和验证程序，以仔细检查所提出方法的验证和确认。
采用数字线程进行工程设计
数字线程是一种数据驱动的架构，它将整个产品生命周期中生成的信息链接在一起。尽管数字线程作为一种数字通信框架越来越受到关注，它简化了设计、制造和运营流程，从而更有效地设计、构建和维护工程产品，但描述数字线程如何用于关键设计决策的原则性数学公式仍然缺失。本文的贡献是从不确定条件下数据驱动的设计和决策问题的背景下提出这样的公式。这种公式解释了设计过程是高度迭代的，并不是所有信息都可以同时获得的事实。输出设计决策不仅取决于要收集哪些数据，还取决于收集这些数据的实验和传感器仪器所涉及的成本和收益。通过结构纤维转向复合材料组件的示例设计说明了数学公式。在此示例中，该方法强调了小规模实验在制造和部署方面的不同顺序如何导致不同的设计和不同的相关成本。
硬质势符合加强学习的进化策略
进化策略（ES）已成为一种竞争性的替代方法，用于无模型的强化学习，在Mujoco和Atari等任务中展示示例性能。值得注意的是，它们在场景 - 具有不完美奖励功能的情况下发光，这对于浓厚的奖励信号可能难以捉摸的现实应用程序非常宝贵。然而，ES中的一个固有假设（所有输入特征都是任务 - 相关的）都会挑战，尤其是在现实世界中常见的不相关特征时。这项工作仔细检查了这一限制，尤其是专注于自然进化策略（NES）变体。我们提出了Nesht，这是一种新颖的方法，该方法将坚硬的阈值（HT）与NES融为一体，以使其具有稀疏性，从而确保仅采用相关特征。在严格的分析和经验测试的支持下，Nesht证明了其在减轻无关的遗产和散发诸如嘈杂的Mujoco和Atari任务等复杂决策问题中的陷阱方面的希望。我们的代码可在https://github.com/cangcn/nes-ht上找到。
利用深度强化学习共同优化电池存储，实现实时市场的能源套利和频率调节
摘要：电池储能系统 (BESS) 在消除可再生能源发电相关的不确定性、维持电网稳定性和提高灵活性方面发挥着关键作用。本文使用 BESS 同时提供能源套利 (EA) 和频率调节 (FR) 服务，以在物理约束范围内最大化其总收益。EA 和 FR 操作在不同的时间尺度上进行。多时间尺度问题被表述为两个嵌套的马尔可夫决策过程 (MDP) 子模型。该问题是一个复杂的决策问题，具有大量高维数据和不确定性（例如电价）。因此，提出了一种新颖的协同优化方案来处理多时间尺度问题，并协调 EA 和 FR 服务。使用三重深度确定性策略梯度和探索噪声衰减 (TDD-ND) 方法在每个时间尺度上获得最佳策略。使用来自美国 PJM 监管市场的实时电价和监管信号数据进行模拟。模拟结果表明，所提出的方法比文献中研究的其他策略表现更好。
用最优最差法进行发射场评估与选择决策
发射场位置选择是航天工业中一个关键的管理和技术决策问题。从大量基本因素、考虑因素和预先请求中获得的标准为评估过程提供了输入。决策者在评估阶段考虑各个方面来评估许多候选发射场位置。最近开发的最佳最差方法是一种多标准决策过程，旨在评估这项工作中标准的权重。使用所提出的方法评估了技术、商业和安全（主要标准）的权重以及十二个子标准。使用 BWM 确定标准的权重以及技术、管理重点因素的重要性。结果有助于管理员选择最佳优先发射场。最佳最差方法提供可靠且可用的结果，这些结果也与其他评估一致。使用 Ben-Tal 最佳和最差方法分析了与输入参数相关的不确定性。以土耳其为例，锡诺普被选为土耳其各省最佳优先发射场，索马里是四个候选发射场中最佳的发射场位置。适当建立的发射场有助于成功进入太空。
随机优势约束下的电池储能套利：一种新的基准选择方法
摘要 —本文介绍了锂离子电池存储系统 (BSS) 在日前和日内 (DA+INT) 连续市场中的能源套利策略，并考虑了其周期老化成本 (CAC)。BSS 在此类问题中的关键问题之一是如何应对两个市场价格不确定的风险。为此，使用一种金融风险管理方法，即二阶随机优势约束 (SOSDC) 来控制不确定市场价格的风险。尽管 SOSDC 在广泛的决策问题上表现出色，但决策者利用这种方法面临的主要挑战是选择最低利润阈值。为了有效地克服这一障碍，本文提出了一种基于模糊决策方式的新型基准选择方法，用于样本内和样本外分析。考虑样本内和样本外研究背后的想法在于通过在 SOSDC 中设置各种基准来对结果进行不可预见的变化。在这方面，为了精确地表述这个问题，并着眼于电池CAC，建议采用线性两阶段随机框架。数值结果表明，所开发的方法在SOSDC基准选择中适用。
采用数字线程的工程设计
数字线程是一种数据驱动的架构，它将整个产品生命周期中生成的信息链接在一起。尽管数字线程作为一种数字通信框架越来越受到关注，它简化了设计、制造和运营流程，以便更有效地设计、构建和维护工程产品，但仍然缺乏一个原则性的数学公式来描述数字线程如何用于关键的设计决策。本文的贡献是从不确定条件下数据驱动的设计和决策问题的背景下提出这样的公式。这个公式解释了设计过程是高度迭代的，并不是所有信息都可以一次获得的事实。输出设计决策不仅取决于要收集哪些数据，还取决于实验和传感器仪器收集这些数据所涉及的成本和收益。数学公式通过结构纤维转向复合材料组件的示例设计来说明。在这个例子中，该方法强调了小规模实验与制造和部署的不同顺序如何导致不同的设计和不同的相关成本。
大型语言模型用于可验证的顺序决策...
摘要：基于自动机知识的基于自动机知识的表示在控制和计划的顺序决策问题中起着重要作用。但是，获得建立这种自动机所需的高级任务知识通常很困难。同时，大型语言模型（LLMS）可以自动生成相关的任务知识。但是，LLMS的文本输出不能被验证或用于顺序决策。我们开发了一个名为GLM2FSA的新颖算法，该算法构建了有限的态自动机（FSA），从简短的自然语言描述中编码高级任务知识的任务目标。因此，所提出的算法填补了自然语言任务描述和基于自动机的表示之间的差距，并且可以根据用户定义的任务规范对构造的FSA进行正式验证。我们相应地提出了一种基于结果的结果，从验证中提出了一种方法，以迭代地改进LLM的查询。我们演示了GLM2FSA构建和验证日常任务的基于自动机的表示以及需要高度专业知识的任务的能力。
2022-2024 年 PGDM 课程大纲和课程安排
使用数学方法和数据分析作为分析复杂问题并帮助做出明智决策的手段。微积分是数学的一个内在领域，尤其是在许多机器学习算法中，您不能跳过这门课程来学习数据科学的精髓。数据科学家几乎将微积分用于每个模型。本课程的主要目标是为学生提供解决定量管理决策问题的相关工具和技术，所有这些都通过实际场景和实际应用进行教学。本课程旨在教学生使用所学的数学工具掌握比较静态问题。每周将提供家庭作业。将定期进行测验以评估学生对学科内容的努力程度。本课程的目标是获得学生在数学领域的知识，并使他们准备好分析模拟和真实的经济状况。学生通过具体的例子和练习学习如何使用和应用数学。此外，本课程旨在展示什么是可靠的证明。提出证明的能力可以得到训练和提高，在这方面，本课程是有帮助的。它将展示数学概念的深厚知识如何有助于理解现实生活状况。
现代生物统计学中的强化学习-Iris
近年来，强化学习（RL）在与健康相关的顺序决策问题中取得了突出的立场，成为提供适应性干预措施（AIS）的宝贵工具。然而，部分由于方法论和应用社区之间的协同作用差，其现实生活中的应用仍然有限，并且其潜力仍有待实现。为了解决这一差距，我们的工作提供了有关RL方法的第一个统一技术调查，并与案例研究相辅相成，用于在医疗保健中构建各种AIS。特别是，使用RL的常见方法论伞，我们桥接了两个看似不同的AI领域，动态治疗方案以及在移动健康中的自适应干预措施，突出了它们之间的相似性和差异，并讨论了使用RL的含义。概述了未来研究方向的开放问题和考虑因素。最后，我们利用我们在两个领域设计案例研究方面的经验来展示统计，RL和医疗保健研究人员之间在进行AIS方面的重要协作机会。