XiaoMi-AI文件搜索系统
World File Search System调度算法
AI 驱动的 CAR-T 疗法精准化和个性化
实时和个性化的过程控制和生产调度对于扩大 CAR-T 细胞生产规模必不可少，而这成为了 AI 的责任。与此相关，AIDPATH 项目一直在基于营养消耗和代谢物产生为 CAR-T 细胞扩增的生物反应器实施数字孪生，这可以及时预测细胞扩增完成情况以实现细胞剂量目标 (UC1)。7 第二个系统使用“软传感器”，它基于可用的生物反应器传感器将多个传感器输入组合成实时通知 (UC2)。8,9 调度算法 (UC3) 能够协调不同患者的并行制造周期，以通过细胞扩增过程时间和他们准备好治疗患者的时间应对这些不确定性。10
在智能配电系统中实现节能数据中心最终项目报告
技术和科学进步体现在三个层面。在服务器层面，开发了一种创新的低功耗管理系统，该系统可协调深度睡眠状态和动态电压频率调整，并为给定的工作负载和流量模式选择最佳的电源状态配置。在机架/数据中心层面，开发了一种新的工作负载调度算法，以提高数据中心层面的能源效率。这种新算法收集工作服务器的系统统计数据，以预测功率水平并触发负载迁移，以要求所有服务器以峰值能效运行。在数据中心层面，项目团队开发了一种解决方案，使数据中心能够通过调整其能源消耗来向电力市场提供辅助服务。
AIAA 智能系统征文
活动概要：在智能系统 (IS) 技术和方法应用于航空航天系统的所有领域、这些系统的验证和确认以及 AIAA 会员在航空航天和其他技术学科中使用 IS 技术的教育方面，我们都欢迎您提交作品。感兴趣的系统包括军用和商用航空航天系统以及作为航空航天系统测试、开发或操作一部分的地面系统。感兴趣的是实现自主性（即在极少或没有人工干预的情况下安全可靠地运行）以及复杂航空航天系统/子系统中的人机协作的技术。这些包括但不限于：自主和专家系统；离散规划/调度算法；智能数据/图像处理、学习和自适应技术；数据融合和推理；以及知识工程。这些技术在突出先进空中机动性、认证、碳排放/可持续性、空间交通管理和地月操作等问题上的应用尤其令人感兴趣。
量子 PUF 在量子计算中的安全性和信任度
摘要 — 量子计算是一种很有前途的解决计算难题的范例。IBM、Rigetti 和 D-Wave 等多家公司使用基于云的平台提供量子计算机，该平台具有几个有趣的特性，即：(i) 云端存在具有不同数量量子比特和耦合图的量子硬件，可提供不同的计算能力；(ii) 套件中存在具有相同耦合图的多个硬件；(iii) 具有更多量子比特的较大硬件的耦合图可以适应许多较小硬件的耦合图；(iv) 每个硬件的质量都不同；(v) 用户无法验证从量子硬件获得的结果的来源。换句话说，用户依赖云提供商的调度程序来分配请求的硬件；(vi) 云端的量子程序队列通常很长，并且可以最大化吞吐量，这是降低成本和帮助科学界进行探索的关键。上述因素促使了一种新的威胁模型，该模型具有以下可能性：（a）未来，第三方不太可信的量子计算机可能会分配质量较差的硬件，以节省成本或满足其虚假宣传的量子比特或量子硬件规格；（b）工作负载调度算法可能存在错误或恶意代码段，这些错误或恶意代码段将试图以分配给质量较差的硬件为代价来最大化吞吐量。可信提供商也有可能存在此类错误；（c）可信云供应商中的恶意员工可能会试图通过篡改调度算法或重新路由程序来降低用户计算质量，从而破坏供应商的声誉；（d）恶意员工可以通过将程序重定向到他们具有完全控制权的第三方量子硬件来窃取信息。如果分配的硬件质量较差，用户将遭受质量较差的结果或更长的收敛时间。我们提出了两种量子物理不可克隆函数 (QuPUF) 来解决此问题 - 一种基于叠加，另一种基于退相干。我们在真实量子硬件上的实验表明
网络 - 物理系统中无线传感器调度的深度加固学习✩
在许多网络物理系统中，我们遇到了对地理分布和远程物理过程的远程状态估计的问题。本文研究了传感器传输的调度，以估计多个遥控，动态过程的状态。来自不同传感器的信息必须通过无线网络传输到中央门户，以进行监视，其中通常比需要监视的过程更少可用的无线通道。要在网关上有效估算，需要适当地安排传感器，即在每次即时需要确定哪些传感器访问网络且不能确定哪些传感器。为了解决这个调度问题，我们制定了关联的马尔可夫决策过程（MDP）。然后使用深Q-Network解决此MDP，这是一种最近的深层增强学习算法，它立即可扩展且无模型。我们将调度算法与流行的日程安排算法进行比较，例如循环蛋白和降低的等待时间等。对于许多示例场景，我们的算法显示出明显优于这些算法。©2019 Elsevier Ltd.保留所有权利。
用于调度截止日期敏感的可延展任务的算法
摘要由于批处理数据处理的无处不在，计划可延展的批处理任务的相关问题受到了极大的关注。我们考虑了一个基本模型，其中一组任务要在多个相同的机器上处理，并且每个任务均由值，一个工作负载，截止日期和并行性约束。在平行性界限内，分配给任务的机器数量会随着时间而变化而不会影响其工作负载。在本文中，我们确定了边界条件，并通过构造证明一组具有截止日期的可延展任务可以通过其截止日期来完成，并且仅当它满足边界条件时。该核心结果在调度算法的设计和分析中起关键作用：（i）考虑到几个典型的目标，例如社交福利最大化，机器最小化和最小化最大加权完成时间，以及（ii）当算法和动态编程等算法技术技术时，会适用于社交范围。结果，我们为上述问题提供了四种新的或改进的算法。
基于迁移深度强化学习的大规模 V2G 可再生能源持续充电协调
摘要 —随着电动汽车 (EV) 的日益普及和电动汽车电子设备技术的进步，车辆到电网 (V2G) 技术和大规模调度算法得到了发展，以实现高水平的可再生能源和电网稳定性。本文提出了一种深度强化学习 (DRL) 方法，用于聚合 V2G 模式下的大规模电动汽车与可再生能源 (RES) 的连续充电/放电协调策略。DRL 协调策略可以在 EVA 和单个电动汽车的充电状态 (SOC) 约束下有效优化电动汽车聚合器 (EVA) 的实时充电/放电功率。与不受控制的充电相比，负载方差降低了 97.37%，充电成本降低了 76.56%。DRL 协调策略进一步展示了对具有 RES 和大规模 EVA 的微电网以及复杂的每周调度的出色迁移学习能力。 DRL 协调策略在实际运行条件下为大规模 V2G 展现出灵活、适应性强、可扩展的性能。
共享光伏板和储能的智能微电网能源调度：以萨姆索岛巴伦码头为例
本文重点研究了基于模型预测控制 (MPC) 的智能微电网能源调度，该微电网配备不可控（即具有固定功率分布）和可控（即具有灵活和可编程操作）电器、光伏 (PV) 电池板和电池储能系统 (BESS)。所提出的控制策略旨在同时优化规划可控负载、共享资源（即储能系统充电/放电和可再生能源使用）以及与电网的能源交换。控制方案依赖于迭代有限时域在线优化，实施混合整数线性规划能源调度算法，以在随时间变化的能源价格下最大化太阳能自给率和/或最小化从电网购买能源的每日成本。在每个时间步骤中，解决由此产生的优化问题，提供可控负载的最佳运行、从电网购买/向电网出售的最佳能源量以及 BESS 的最佳充电/放电配置。
电网参与者的稳健和确定性调度
摘要 — 现代电网需要应对日益分散、不稳定的能源以及由电池群组成的虚拟发电厂等新商业模式。这既需要提前一天规划发电厂的大型计划，也需要短期合同来应对预测偏差或适应日内市场的动态。此外，可再生能源的地理分布迫使调度算法具有截然不同的通信链路质量。在本文中，我们提出了轻量级电力交换协议 (LPEP) 的扩展，称为 LPEP++ 。它利用 LPEP 的优势，在可接受的时间内找到具有字符串保证的组合电力供需问题的最佳解决方案，并扩展了长期规划、并行协商的功能并减少了内存占用。此外，我们还展示了它对不稳定通信链路质量的稳健性。索引术语 — 智能电网消息传递、多代理系统、多代理资源分配、电源管理
单台机器问题的深度学习驱动算法最小化总迟到
在本文中，我们研究了深度学习方法来解决众所周知的NP单机调度问题，目的是最大程度地减少迟到的目的。我们提出了一个深层的网络，该网络是基于Lawler的分解和Della Croce等人提出的基于Lawler的分解和对称分解的单次调度算法中标准值的多项式估计器。本质上，神经网络通过估计问题分解为子问题来指导算法。本文还描述了一种生成培训数据集的新方法，该方法可以加快培训数据集的生成并减少解决方案的平均最佳差距。实验结果表明，我们的机器学习驱动的方法可以有效地将信息从训练阶段概括为明显更大的实例。尽管训练阶段使用的实例从75到100个工作岗位，但多达800个工作岗位的实例的平均最佳差距为0.26％，几乎是最先进的启发式启发式差距的差距差不多五倍。