XiaoMi-AI文件搜索系统
World File Search System模糊集
可靠性分析具有不同开关的温暖待机系列平行系统和生命周期的寿命
已广泛研究了系统可靠性，以确保系统的安全和操作。保持高性能或可用性的性能通常是必不可少的，而冗余是一种有效的技术，它是方便的操作和短时间内的。冗余方法已在各种关键基础架构中用于提高系统可靠性[13，35，43，45]。转换开关在冗余系统中起重要作用。开关故障即使系统元素正在运行，也可以影响系统的可靠性。因此，已经在系统中考虑了不完善的转换开关，并且已经由许多学者研究[17,34,36]。温暖的待机是提高应用程序可靠性的实际冗余技术之一。基于概率理论的温暖待机系统的可靠性分析已被许多学者（例如她和Pecht [32]，Li等人）广泛研究。[19]，Yuan和Meng [40]，依此类推。尽管事实证明概率理论对系统可靠性分析有效，但我们需要长期累积频率才能近似实际值，以估算元素寿命的概率分布，这意味着统计数据需要大量观察数据。实际上，由于技术或经济的困难，我们通常无法准确获得完整的数据。使用概率理论处理系统可靠性存在局限性。在1965年，扎德[41]提出了模糊理论，并定义了一些模糊集的概念。在1975年，考夫曼[15]将模糊理论引入了可靠性工程。模糊理论在理论和工程学中都有一般应用。例如，模糊系统的可靠性[12,14,16,31]，图片模糊编号[2]，模糊软图[3]，模糊逻辑关系[20]等。尽管概率理论和模糊理论已广泛应用于可靠性分析中，但刘[22]声称某种不确定性既不是随机性也不是模糊性。为了处理人类的不确定性现象，不确定性理论于2007年建立[22]，并于2010年对其进行了重新构建[24]。如今，不确定性理论已应用于不同的领域，例如不确定的可靠性分析[8、11、28、37、42、44、46]，不确定的优化[38]，不确定图[21]，不确定的积分[39]，不确定的[39]，不确定的序列[5]等。
哪些结构的配置有助于供应链...
抽象目的 - 本研究探讨了供应链（SC）网络和复杂性引起的因素如何在供应链学习（SCL）行为中起作用。设计/方法/方法 - 模糊集定性比较分析（FSQCA）是一种新兴的配置分析方法，用于检查五个影响因素的复杂组合。使用两阶段的调查收集数据。首先，我们选择了七家具有SCL意识的典型公司。第二，问卷发送给了七家选定公司的合作伙伴，并从76家公司获得了156份有效的问卷。发现 - 利用主动权的新兴见解，我们发现SC网络和复杂性的多种配置导致了高SCL。具体来说，薄弱的领带是这种学习的必要条件，而牢固的联系也有利于这一点。此外，中等的SC复杂性有助于SCL。实践意义 - 这项研究丰富了我们对SCL的理解，并为SC管理从业人员采取措施改善它提供了新的见解。独创性/价值 - 这项研究解决了对文献中SCL先决条件的深入了解。它建立了基于偶然性理论的这种学习的综合和全面的理论框架。此外，本研究结合了Ambidextrous SCL（即创建能力和分散能力）。SC网络和复杂性理论提出了SCL能力的总体原型。纸质研究论文1.，2018a）。，2022）。关键字供应链学习，配置分析，模糊定性定性比较分析，供应链网络，供应链复杂性。引言当前动荡的商业气候意味着供应链（SC）需要具有强大的学习能力来应对危机，例如贸易战和大流行。这种学习能力对于SC的效率和有效性至关重要，例如提高敏捷性，解决复杂的问题以及采用新技术和商业模式（Ojha等人。但是，为了选择SC结构的配置以提高供应链学习（SCL）的能力，不同行业的重点公司采取了不同的行动。例如，可口可乐采用了当地采购策略来简化大流行期间的SC，而苹果，耐克和沃尔玛等公司则使其变得更加复杂（Xu等人。
社论：神经成像的计算方法
计算方法已被提出作为分析大脑活动的有用且有效的框架。鉴于处理从神经成像模式获得的大脑信号存在重大困难，在大脑和外部设备（脑机接口）之间建立直接通信通路是必要的。虽然人们对这些问题的兴趣越来越大，但模糊系统的贡献因应用领域而异。在解码大脑活动时，处理可能受非平稳性、不变量和泛化不良影响的极其嘈杂的信号是一项重大挑战。然而，处理不确定性的高级计算智能方法（如模糊集和系统）是克服这一挑战的绝佳工具。然而，在神经科学中，可能性和模糊性的概念已被类似地用于衡量神经元、突触和其他大脑区域之间的协调程度。拟议的研究主题旨在满足对专用平台的需求，计算智能领域的专家可以齐聚一堂，讨论如何建模和传达神经成像数据处理中固有的不确定性。神经科学包含许多子领域，包括但不限于：计算神经科学；脑机接口；神经科学；神经信息学；神经人体工程学；计算认知神经科学；情感神经科学；神经生物学；脑映射；神经工程；神经技术。神经成像中使用的计算方法是本研究主题的主题，它探讨了各个学科的最新发展、问题和未来观点。因此，我们鼓励研究人员为本研究主题做出新的原创性贡献，利用神经成像中计算和数学技术的最新方法，应对为各种临床应用开发专用系统的挑战，并提出未来发展的新想法和方向。在这个研究主题中，来自不同领域的专家讨论了计算方法在神经成像中的当前发展、困难和潜在方向。本部分共提交了 26 篇文章，但只有 5 篇被选中进行审查。每篇提交的文章至少有两位审稿人和两轮审查。下面，我们简要概述了这些出版物各自的贡献。
优化云资源分配：将复发性神经网络与模糊逻辑系统
收到的纸张日期：2024年11月15日纸张接受日期：2024年12月16日纸张出版日期：2024年12月22日摘要该研究重点是通过将经过的神经网络（RNN）与模糊逻辑相结合。该研究的主要目标是通过整合两种方法的最佳云资源预测模型的准确性和解释性。通过将RNN序列预测能力与模糊逻辑的多功能性相结合以更好地分类不确定性管理和持续输出的多功能性来实现目标。模糊成员资格功能，并将其分类为模糊集（低，中和高）。使用指标RMSE，MSE，MAE和R-Squared（R²）对经典RNN和LSTM模型进行了基准与经典的RNN和LSTM模型进行了基准测试。从获得的结果中可以清楚地看出，RNN模糊性能比其他两个模型RNN和LSTM更好，就预测的准确性。RNN模型模型的RMSE = 0.003377，MSE = 1.141，MAE = 0.0023，R²= 0.5308，而RNN模型的RMSE = 0.013437，MSE = 0.013437，MMSE = 1.941，MAE = 0.0123，和R²= 0.39908。RMSE为0.023897，MSE为2.843，MAE为0.0223，R²为0.4308，对于LSTM模型而言，所有这些相对较差。这表明使用RNN模型模型时，资源分配预测可显着改善，在减少误差指标并提高可解释性的同时更适合数据。这为云资源优化的模糊逻辑与RNN的集成增加了价值。这是可以得出结论，RNN中的模糊逻辑增强了其减轻歧义的能力，以获得更容易解释的输出，因此是在动态上下文中优化云资源的更好替代方法。关键字：复发性神经网络（RNN），模糊逻辑系统，RMSE，MAE，MSE。简介云计算技术已成为现代数字时代企业和组织的重要工具，以追求可扩展性，效率和灵活性（Khan等，2022）。随着云计算的日益增长，虚拟机的安装和维护在云环境中变得越来越困难。今天，云计算区域复杂环境中的主要问题包括虚拟机迁移优化和有效的资源提供。传统上，资源分配和VM迁移技术始终产生了资源浪费和性能降解的问题，因为它们主要使用静态规则或手动设置，而这些规则或手动设置实际上是根据云环境中不断变化的趋势（Lin等，2024）进行修改的。因此，涉及云计算的最具挑战性的问题之一是利用新颖的技术工具，因为机器学习优化了虚拟机器迁移和动态资源分配。虚拟机迁移是云计算中最重要的技术之一，遵循该领域的任何人都可以看到它的重要性。简而言之，虚拟机迁移促进了资源的动态变化，实现负载平衡并增强了云环境的一般使用和效率（Yousefi＆Babamir，2024）。虚拟机迁移的第二个优点是它可以在云环境中的缺陷中维护，成长或恢复而不会破坏用户服务。（Ghobaei -Arani等，2018）。这会改善系统的可用性。然而，虚拟机迁移并非没有挑战，包括在迁移过程中的绩效丧失，增加的迁移时间以及在迁移过程中引起的潜在数据一致性问题（Ruan等，2019）。传统的虚拟机迁移和资源分配优化通常取决于人类的设置或静态规则，这些规则和限制了许多缺点和限制。首先，静态规则通常无法对云环境中发生的动态变化做出反应。这意味着分配的资源要么不足或过多，影响