XiaoMi-AI文件搜索系统
World File Search System约束性
利用人工智能设计功能有机分子
利用人工智能设计功能性有机分子 用户名：Masato Sumida 1,2 Xiufeng Yang 2 日本理化学研究所实验室隶属关系： 1. 先进智能项目中心富士通协作中心 2. 先进智能项目中心目标导向平台技术研究组分子信息学团队
缺口约束下的延展性耗尽...
为了研究总应变对钢的机械和冶金性能的影响，并将这些变量与钢的脆性联系起来，船舶结构委员会正在布朗大学资助一个名为“宏观断裂基础”的项目。“随函附上第五份进度报告 SSC-173 的副本，C 撰写的“缺口约束下均匀预应力下的延展性耗尽”。Mylo~as，S。Kobayashi 和 A. E. Armenakas。
约束抽样强化学习
在线强化学习 (RL) 算法通常难以部署在复杂的面向人类的应用程序中，因为它们可能学习缓慢并且早期性能较差。为了解决这个问题，我们引入了一种实用的算法，用于结合人类洞察力来加速学习。我们的算法，约束抽样强化学习 (CSRL)，将先前的领域知识作为 RL 策略的约束/限制。它采用多种潜在的策略约束来保持对单个约束错误指定的鲁棒性，同时利用有用的约束来快速学习。给定一个基础 RL 学习算法（例如 UCRL、DQN、Rainbow），我们提出了一种具有消除方案的上限置信度，该方案利用约束与其观察到的性能之间的关系来自适应地在它们之间切换。我们使用 DQN 型算法和 UCRL 作为基础算法来实例化我们的算法，并在四种环境中评估我们的算法，包括三个基于真实数据的模拟器：推荐、教育活动排序和 HIV 治疗排序。在所有情况下，CSRL 都能比基线更快地学习到好的策略。
不受约束和受约束的规划
销售和运营规划涉及来自多个利益相关者的大量输入和数据。但是如果你想知道从哪里开始，那么答案就是一个不受约束的需求计划。这会告诉你市场上对你的产品的潜在需求，然后通过应用所需的约束，你可以为你可以满足的需求创建一个受约束的计划。
元逆约束增强...
逆增强学习（IRL）由于其有效性从专家的演示中恢复奖励功能的有效性，因此一直在接受大量的研究工作，这些奖励功能可以很好地解释专家的行为。在实际应用中，约束无处不在，与一组约束相比，奖励功能比单个奖励功能更好地解释了复杂的行为（Malik等，2021）。因此，提出了逆约束强化学习（ICRL）以从专家的示范中学习限制。IRL上的最新目前（Fu等，2018; Imani＆Ghoreishi，2021）和ICRL（Scobee＆Sastry，2019年）可以在不受约束的环境中学习奖励功能，或者可以推断出与获得地面真相奖励但不能推断出两者的约束。为了解决这一挑战，提出了分布式ICRL（Liu＆Zhu，2022）来学习专家的奖励功能和约束。在本文中，我们遵循（Liu＆Zhu，2022）中的ICRL的定义，这意味着学习专家的奖励功能和约束。
基于约束的不完整水平的生成
大多数程序内容生成的研究都可以理解，专注于生成可完整的水平，即播放器可以完成它们的水平。在这项工作中，我们探讨了无法完成的水平及其应用的产生。在基于现有的基于约束的级别的一般级别上构建，我们为从一开始就无法达到目标的目标增加了支持。因此，发电机可以在许多方面（例如本地瓷砖模式）创建与可完成水平相似的级别，但无法完成。然后，我们描述了这些约束的几个应用以及由此产生的级别，包括：定性地表征使级别无法完成的原因；创建培训数据以进行完整分类器；检查生成器只能生成可完整的级别；并生成需要玩家使用特殊动作的水平。
AALBORG UNIVERTET的机会约束...
摘要 - 本文提出了使用粒子群优化（PSO）对人工神经网络（ANN）的增强，以管理虚拟电厂（VPP）系统中的可再生能源资源（RESS）。这项研究突出了ANN-BPSO算法与原始BPSO算法的比较。在搜索隐藏层（n）和学习率（LR）中节点数量的最佳值时进行了比较。这些参数值用于微电网最佳能量调度的ANN训练中。已对涉及Ress的微电网（MG）的VPP系统进行了测试，这些方法涉及Ress，以最大程度地减少能力并优先考虑可持续资源的参与，而不是从公用事业网格那里购买电力。该模型使用马来西亚北部Perlis State记录的24小时记录的实际载荷需求进行了测试。此外，Tenaga nasional Berhad Research（TNBR）太阳能气象学记录了真实的天气状况数据，平均为1小时（例如，太阳辐射，风速，电池状态数据和燃油水平）。结果表明，与BPSO算法相比，ANN-PSO给出了精确的决策，这反过来又证明神经网的增强达到了最佳的能量调度水平。