XiaoMi-AI文件搜索系统
World File Search System多代
实用的协作感知：异步和多代理3D对象检测的框架
摘要 - 批判是基于激光雷达的对象检测方法的主要挑战，因为它使自我车辆无法观察到的感兴趣区域。提出的解决此问题的解决方案来自通过车辆到所有（V2X）通信的协作感知，这要归功于在多个位置存在连接的代理（Vehilect和智能路边单位）的存在，以形成完整的场景表示。V2X合作的主要挑战是绩效 - 带宽折衷方案，它提出了两个问题（i）应该在V2X网络上交换哪些信息，以及（ii）如何融合交换的信息。当前最新的最新方法可以解决中期方法，其中传达了点云的鸟眼视图（BEV）图像，以使连接剂之间的深层相互作用，同时减少带宽消耗。在达到强大的性能时，大多数中期方法的现实部署都受到过度复杂的体系结构和对代理间同步的不切实际的假设的阻碍。在这项工作中，我们设计了一种简单而有效的协作方法，基于从每个代理商中交换输出，从而实现更好的带宽性能折衷，同时最大程度地减少了单车检测模型所需的更改。此外，我们放宽了现有的有关代理间同步的最新方法中使用的假设，仅需要在连接的代理之间进行常用时间参考，这可以在实践中使用GPS时间实现。该代码将在https://github.com/quan-dao/practical-collab-ception中发布。在V2X-SIM数据集中进行的实验表明，我们的协作方法达到76.72平均平均精度，这是早期协作方法的性能99％，同时消耗了与晚期协作一样多的带宽（平均为0.01 MB）。
实时系统优化的多代理强化学习：从理论到工业应用
国际计算机工程技术杂志（IJCET）第16卷，第1期，Jan-Feb 2025，pp。2703-2714，文章ID：IJCET_16_01_190在线可在https://iaeme.com/home/issue/issue/ijcet?volume=16&issue = 1 ISSN印刷：0976-6367; ISSN在线：0976-6375;期刊ID：5751-5249影响因子（2025）：18.59（基于Google Scholar引用）doi：https：//doi.org/10.34218/ijcet_16_01_1_190
自动工业车队的多代理模拟
摘要。智能工厂导致工业流程的强大数字化以及集成到生产，存储和供应链中的系统之间的持续通信。行业4.0的研究领域之一是使用自动驾驶和/或智能工业车辆的可能性。以适应性行为分配给这些车辆的任务的管理以及各种通信的增加（V2X）使得为这些车辆开发集体和适应性智能成为可能，通常将这些智能分组为舰队。任务分配和调度通常是由集中管理的。灵活性，鲁棒性和可伸缩性的要求导致考虑分散机制，以应对意外情况。但是，在确定采用之前，必须首先对权力进行模拟然后模拟。因此，我们使用多代理模拟来测试提出的动态任务（RE）分配过程。一组有问题的情况，用于在智能仓库（障碍，崩溃等）等地区发行自动工业车辆。已确定。这些有问题的情况可能会破坏或损害任务的动态（重新）分配过程的成功完成。因此，我们已经定义了涉及它们的方案，以通过模拟证明该过程仍然可靠。新有问题情况的模拟还使我们能够扩展此过程的潜力，我们在本文结尾处进行了讨论。
多代理的深入强化学习，用于密集的MMWave网络中的分布式切换管理
毫米波小细胞与定向光束形成的密集部署是一种有前途的解决方案，可增强当前无线通信的净工作能力。但是，毫米波通信链路的可靠性可能会受到严重的路径，阻塞和耳聋的影响。作为一种款项，移动用户受到频繁的交接，这会限制用户吞吐量和移动终端的电池寿命。为了解决这个问题，我们的论文提出了一个深层的多代理控制学习框架，用于分布式移交管理，称为Rhando（增强移交）。我们将用户建模为代理商，他们在考虑相关成本的同时，学习如何执行移交以通过网络优化网络。所提出的SOUTIOT已完全分布，从而限制了信号传导和计算开销。数值结果表明，与传统方案相比，所提出的解决方案可以提供更高的吞吐量，同时大大限制了移交的频率。
多代理海事交通模拟器
此模拟器旨在支持有关海上交通管理的集中式游戏理论算法的研究。它支持任意数量的船舶和土地质量进口。容器被建模为运动的运动，其运动受运动方程式和土地质量为基础，是多个形状的文件。在模拟器中，每艘船都可以使用奖励Oracle，该奖励是通过考虑碰撞和接地的风险，遵守交通规则和运营效率的水平来评估代理商的策略。游戏理论模型预测控制，然后同时为每个流量参与者生成最佳轨迹。船只参与重复的竞争聚机游戏，其平衡解决方案是一系列航路点，旨在由船只交通服务服务作为导航决策支持。我们传达了在Netlogo中实施的代理和功能的建模原理，并介绍了整体模拟器结构和范围。
多代理增强 - 学习（MARL）
动机：➢在模拟的机器学习领域与几个代理商的模拟区域中进行了不同的工作。自主系统合作和竞争行为的算法以及改进模型的培训。➢不同主题的汇编，可以在初步讨论中进行精确选择。
colorgrid：目标推理和协助的多代理非机构环境
自主代理人与人的互动越来越集中于适应其不断变化的偏好，以改善现实世界任务中的援助。有效的代理必须学会准确地推断出通常隐藏的人类目标，才能很好地进行协作。但是，现有的多代理增强学习（MARL）环境缺乏严格评估这些代理人学习能力所需的必要属性。为此，我们介绍了Color G Rid，这是一种具有可定制的非平稳性，不对称性和奖励结构的新型MARL环境。我们调查了独立的近端政策选择（IPPO），一种最先进的（SOTA）MARL算法，在C olor G ride和通过广泛的消融中找到，尤其是在“人类和“人类较低”的“领导者”代理之间，尤其是在“领导者”中同时进行非平稳和不对称目标的助理代理人，由color color c olor is i i i i i i i i i i i i i i i i i i Is i i是。为了支持未来的MARL算法，我们在https://github.com/andreyrisukhin/colorgrid上发布了环境代码，模型检查点和轨迹可视化。
AI-PRESS：由大语言模型启动的多代理新闻生成和反馈模拟系统
和内容生产的效率（Simon，2024），包括新闻工作室和期刊出版商在内的越来越多的社论办公室正在利用LLM来提高其工作管道期间的效率和有效性（Whang，2024），通过发布应用指南或建议使用LLMS（Miller等。，2023; Victor等。，2023; Hamm等。，2024）。虽然LLM可以以秒为单位生成新闻稿，但生成内容的质量尚不满足记者。我们进行了进一步的研究，并揭示了三个主要的挑战，需要解决，以将LLM的完全集成到新闻业中。llms在起草新闻稿方面缺乏专业精神。它们具有与新闻规范和价值观冲突的重大局限性（Nishal and Diakopoulos，2024）。此外，LLM在产生长文本时可能会遇到“幻觉”问题。这在新闻界尤其有问题，这需要高准确性和可信赖性（Desrochers等人，2024），如图1（a）所示。llms在复杂的新闻环境中做出道德判断时表现出局限性。依赖 -
使用自主多代理系统的自我适应实时数据生态系统
在这些数据生态系统的复杂性方面，最近数字结构内数据的生成和处理的急剧增加是前所未有的。多年来一直是数据管理的主要控制系统的集中式控制系统在面对当前弥漫数据管理工作流程的挑战方面变得较少。他们经常使用预设呼叫控制策略以及固定或幼稚的优化，这不允许对当前的数据处理需求做出反应。社交网络，智能城市，多设备系统和一般物联网（IoT）已改变了大量数据的处理格局，必须实时处理。常规数据处理结构无法容纳或适应动态工作负载，就像实时处理和/或大型动态矩阵处理所隐含的那样。因此，在用例中，当今的应用程序比以往任何时候都需要实时数据处理，包括欺诈检测，自主系统和智能城市基础架构，在这些基础架构中，动作或决策延迟可能会花费很多。更重要的是，当前世界中数据生态系统的模块化伴随着各种数据源，数据质量和异质数据处理需求。有几个这样的数据流，组织必须与几个具有不同延迟，吞吐量和可靠性要求的数据管道抗衡。由于系统必须处理意外的量和过程负载，因此这种下降的复杂性更加复杂。
fleetio：使用多代理强化学习管理多租户云存储
云平台一直在虚拟化存储设备，例如基于Flash的固态驱动器（SSD），以有效利用存储资源。他们启用了软件隔离的实例或硬件分离的实例，以促进多租户应用程序之间的存储共享。然而，几十年来，他们必须与性能隔离和资源利用率之间的基本打击作斗争。他们遭受由较弱的隔离或由于强隔离而引起的储存较低的长尾潜伏期。在本文中，我们介绍了Fleetio，这是一个基于学习的存储虚拟化框架，该框架采用强化学习（RL）来管理虚拟化SSD。fleetio探索了RL的独特功能，以处理应用程序工作负载和存储状态的动态更改，并将存储计划集成到RL决策过程中。它通过在共处的应用程序实例中实现动态细粒度收获，同时可以实现性能隔离和改进的存储利用率，同时最大程度地减少其对服务级目标（SLO）的负面影响。Fleetio簇工作负载分为不同类型（例如，基于运行时收集的I/O痕迹的延迟敏感和带宽密集型），并为每种类型的工作负载进行微调RL奖励功能。我们在真实的可编程SSD板上实施机队，并通过不同的云应用程序对其进行评估。我们表明，与最先进的存储共享方法相比，Fleetio将共享SSD的总体存储利用提高了1.4倍，并将I/O请求的尾巴潜伏期平均降低1.5倍。