XiaoMi-AI文件搜索系统
World File Search System离散事件
模拟大型节能雾计算环境
摘要 — 尽管效率不断提高，但当今的数据中心和网络仍消耗大量能源，而且这种需求预计还会进一步上升。一个重要的研究问题是雾计算是否以及如何抑制这种趋势。由于实际部署的雾基础设施仍然很少，因此很大一部分研究依赖于模拟。然而，现有的功率模型通常只针对特定组件，如计算节点或电池受限的边缘设备。结合分析和离散事件建模，我们开发了一个整体但细粒度的能耗模型，可以确定计算节点以及网络流量和应用程序随时间变化的功耗。模拟可以包含在分布式、异构和资源受限的基础设施上执行复杂应用程序图的数千台设备。我们在智能城市交通场景中评估了我们公开可用的原型 LEAF，证明它可以用于研究节能雾计算架构，并可用于评估动态任务放置策略和其他节能机制。索引词——模拟、建模、雾计算、边缘计算、能源消耗
叶：模拟大型能量吸引的雾计算环境
摘要 - 尽管效率不断提高，但当今的数据中心和网络消耗了大量的能量，预计该需求将进一步上升。一个重要的研究问题是雾计算是否可以遏制这一趋势。作为雾基础设施的现实部署仍然很少见，研究的重要部分依赖于模拟。但是，现有的电源模型通常仅针对特定组件，例如计算节点或电池约束的边缘设备。结合了分析和离散事件建模，我们开发了一个整体但颗粒状的能量消耗模型，可以随着时间的推移确定计算节点的功率使用以及网络传播和应用程序。模拟可以合并数千个设备，这些设备在分布式，异质和资源受限的基础构造上执行复杂的应用程序图。我们在智能城市的情况下评估了我们公开可用的原型叶，表明它可以对持势雾的雾计算体系结构进行研究，并可用于评估动态任务放置策略和其他节能机制。索引项 - 仿真，建模，雾计算，边缘计算，能量消耗
收支平衡的分析考虑电池磨机的超快速充电站 - 电动原木卡车
范围是采用电池电动车辆的主要问题。换档充电可替代扩展范围，而无需更重，更昂贵的电池。本文认识到每日日志卡车生产率是少数离散事件（已输送到需求点的负载）的结果。延误（例如换档充电，如果它们导致负载损失，它们就会变得非常重要。如果n是卡车可以在一天内可以输送的负载数量而无需延迟档位充电，则卡车可以使用换档充电延迟提供的预期负载是N-1 +概率，其中概率是完成最后负载的可能性。能够全天操作的较大电池和需要换档充电的较小电池之间的选择是作为盈亏平衡问题的。解决较大电池卡车赚取的净收入等于较小的电池卡车所获得的净收入的问题的价值，提供了电池尺寸的决策点。进行敏感性分析，对电池尺寸选择产生最大影响的三个因素是拖运率（$/tonne），净负载差异以及大电池卡车之间的折旧成本差异。
将形式化验证应用于基于 FPGA 的航空航天应用的早期评估：方法和经验
摘要 — 基于 SRAM 的现场可编程门阵列 (FP-GA) 已在航空航天应用中使用了十多年。遗憾的是，这些设备的一个显著缺点是它们对辐射效应的敏感性，这会导致存储器元件中的位翻转和半导体中的电离诱发故障，通常称为单粒子翻转 (SEU)。对基于 SRAM FPGA 的安全关键应用进行早期可靠性分析将使设计人员能够开发出符合设计要求（例如 DO-254 标准）的更可靠、更强大的设计。我们提出了一种基于概率模型检查的方法来分析此类设计的可靠性和可执行性，以指导设计决策。概率模型检查是一种众所周知的形式验证技术，其主要优点是分析详尽，从而可以对时间逻辑查询给出数值精确的答案，这与离散事件模拟形成鲜明对比。在所提出的方法中，从系统的高级描述开始，从提取的控制数据流图 (CDFG) 构建马尔可夫 (奖励) 模型。然后使用 PRISM 模型检查器工具自动验证各种可靠性和可执行性相关属性。
![arXiv:2305.17886v2 [cs.AI] 2023 年 12 月 1 日](/simg/6\6173fbce9e78294b00441bf26f262e6aabf0474b.png)
arXiv:2305.17886v2 [cs.AI] 2023 年 12 月 1 日
摘要。对足球等侵入性运动的分析具有挑战性，因为比赛情况在时间和空间上不断变化，多个智能体单独识别比赛情况并做出决策。以前使用深度强化学习的研究通常将球队视为单个智能体，并评估每个离散事件中持球的球队和球员。那么，在时空连续的状态空间中评估多个球员（包括远离球的球员）的动作是一项挑战。在本文中，我们提出了一种基于多智能体深度强化学习的单一整体框架中评估有球和无球足球运动员可能采取的动作的方法。我们考虑连续状态空间中的离散动作空间，模仿谷歌研究足球，并利用监督学习进行强化学习中的动作。在实验中，我们分析了与常规指标、赛季进球和专家比赛评分的关系，并展示了所提方法的有效性。我们的方法可以评估多名球员在整个比赛过程中如何连续移动，这很难离散化或标记，但对于团队合作、球探和球迷参与至关重要。
解决不确定性以制定有效的决策...
摘要 — 由于空中交通需求的增长和缺乏能够满足这种需求的资源，机场容量已成为空中交通网络的制约因素。本文介绍了一种决策支持系统的算法实现，以更有效地利用空域和地面容量。该系统将能够为空中交通管制员处理大量航班提供支持，同时将潜在冲突降至最低。在这个框架中，空域和地面机场运营都被考虑在内。冲突被定义为飞机之间在空域和跑道方面的最小间隔违规，以及滑行道网络和航站楼的容量超载。本文提出的方法包括一种迭代方法，该方法将优化和模拟结合起来，以找到能够抵御由于到达和离开过程的不同阶段存在的不确定性而引起的扰动的解决方案。采用优化模型来寻找（次）最优解，而基于离散事件的模拟模型评估目标函数。通过将模拟与优化相结合，我们生成了更强大的解决方案，能够抵御运营的变化，巴黎戴高乐机场的案例研究支持了这一点。索引词——机场、空域、优化、模拟、不确定性。
1 费德里科·圣玛丽亚理工大学土木工程系，瓦尔帕莱索（智利），felipe.araya@usm.cl *通信地址：felipe.araya@u
摘要：尽管离散事件模拟 (DES) 一直是施工运营研究中首选的模拟技术，但它也存在一些局限性，例如只关注运营层面。为了最大限度地减少 DES 局限性的影响，研究人员提出了将 DES 与其他模拟技术相结合的方法，例如基于代理的建模 (ABM)、系统动力学 (SD) 和虚拟环境 (VE)。然而，很少有研究讨论这种集成过程是否以及在多大程度上最大限度地减少了 DES 的局限性。本研究总结了 2010 年至 2020 年期间发表的现有文献中的 99 篇期刊手稿，重点研究了 DES 与 ABM、SD 和 VE 的集成。本研究发现，DES 与 ABM、SD 和 VE 的集成解决了 DES 的多个局限性，即面向过程的建模中缺乏人类行为、战略视角有限以及与 DES 模型输出的验证和确认相关的挑战。最终，本研究呼吁未来的研究评估 DES、ABM 和 SD 建模技术的同时集成，以便真正解释建筑项目的复杂性，因为综合模拟工具需要整合多种方法来抵消它们的局限性。
量化数据中心碳足迹
数据中心已成为全球碳足迹的越来越重要的贡献者。在2021年，全球数据中心行业负责全球温室气体排放量的1％。随着更多资源密集型工作负载，例如大型语言模型，越来越受欢迎，该百分比将进一步增加。因此，对于数据中心服务提供商而言，意识到并对其设计和运营选择的可持续性影响负责至关重要。然而，由于缺乏全面的指标，碳感知的设计工具以及碳吸引力优化的指南，因此减少数据中心的碳足迹一直是一个充满挑战的过程。在这项工作中，我们提出了Footprinter，这是一种首个工具，该工具支持数据中心设计师和运营商评估其数据中心的环境影响。Footprinter使用粗粒的操作数据，网格能量混合信息和离散事件模拟来确定数据中心的操作碳足迹并评估基础设施或操作变化的影响。脚 - 打印机可以在几秒钟内模拟商品笔记本电脑上区域数据中心的操作天数，从而返回估计的足迹，并带有边际误差。通过将此项目开源，我们希望与社区一起开发方法和工具，以系统地评估和探索数据中心的可持续性。
清楚地思考生物学和儿童逆境
在我们最近对心理科学贡献的看法（Smith＆Pollak，2021年）中，我们提供了一种经常使用的当前方法，以构想儿童逆境，并具有高级思想，具有加速发展这些现象进展的潜力。我们2021年文章的动机是，关于儿童逆境的研究几乎完全依赖于测量（或没有发生过）在儿童生活中发生的离散事件，但未能整合在单个孩子如何忍受，解释，解释或经历的方式方面的可变性。这是尽管成人和非人类动物的广泛文献（可以追溯到1984年的拉撒路和民间人）表明，个人对事件的看法的可变性最有可能解释逆境“在皮肤下”，从而影响长期的神经和行为效果。这一要点的一部分是，忽略儿童对事件的看法已经改善了逆境类型的分类法，这些分类学是现代社会建构的，以牺牲鉴定自然界并与人类生物学保持一致的分类为代价。我们的原始文章和相关评论之间的观点差异为有关儿童逆境的生物行为效应以及对用于回答这些问题的方法的批判性评估提供了一个机会。
PipeSim：大规模 AI 运营平台的跟踪驱动仿真
摘要 — 人工智能的运营已成为研究和工业界的一项重大努力。管理人工智能应用程序生命周期的自动化运营管道将成为未来基础设施工作负载的重要组成部分。为了优化生产级人工智能工作流平台的运营，我们可以利用现有的调度方法，但要微调运营策略以实现特定于应用程序的成本效益权衡，同时满足机器学习 (ML) 模型的特定领域特征，例如准确性、稳健性或公平性，是一项挑战。我们提出了一个基于跟踪驱动的模拟实验和分析环境，使研究人员和工程师能够设计和评估大规模人工智能工作流系统的此类运营策略。IBM 开发的生产级人工智能平台的分析数据用于构建综合模拟模型。我们的模拟模型描述了管道和系统基础设施之间的交互，以及管道任务如何影响不同的 ML 模型指标。我们在独立的随机离散事件模拟器中实现了该模型，并提供了运行实验的工具包。合成跟踪可用于临时探索以及实验的统计分析，以测试和检查管道调度、集群资源分配和类似的操作机制。