XiaoMi-AI文件搜索系统
World File Search SystemCRITIC
供应链弹性面对大流行中断的关键决定因素：解释性三重螺旋框架
今天，与过去相比，供应链（SC）网络面临更多的干扰。虽然很少有干扰，但它们可能会产生灾难性的长期经济或社会影响，并且恢复过程可能很漫长。这些在COVID-19大流行期间观察到的，这些可能会极大地影响SC并使之脆弱。对这些问题的识别已通过发展弹性，敏捷和自适应SC来促使人们对改善破坏管理的需求。本研究的目的是引入评估框架，以确定和评估供应链弹性（SCR）的决定因素（SCR）。为了分析经验数据，通过间隔相关性（模糊评论家）和模糊技术来分析经验数据，以相似性（模糊的topsis）（模糊topsis）进行了模糊技术。模糊的评论家方法用于识别关键决定因素，并应用模糊的Topsis方法来确定某些现实世界中的相对排名。最后，通过制定命题，提出了解释性三重螺旋框架来实现SCR。这项研究在方法论和含义上都引人注目。通过在评估决定因素的SCR和借助解释性三重螺旋框架来建立有弹性SC的决定因素和应用这些决定因素的评估中引入模糊评论家和模糊的上衣的新型组合，为SCR领域提供了独特而有价值的贡献。关键发现表明“响应能力”，然后是“管理协调和信息集成”是实现SCR的最重要决定因素。这项工作的结果可以帮助人士以提高敏捷性和适应性来实现SCR。
自我监督的强化学习与双重回报有关知识感知建议
为了提高建议准确性并提供建议的解释，增强学习（RL）已应用于知识图的路径推理。但是，在建议任务中，大多数现有的RL方法仅使用短期或单一的奖励来学习路径调查策略，从而导致本地最佳选择并失去一些潜在的路径。为了解决这些问题，我们提出了一个自我监督的强化学习（SSRL）框架，并结合了双重回报，以实现知识图表的知识建议推理。然后，我们通过使用双回报驱动的策略来改善参与者 - 批评算法，该策略将短期奖励与长期增量评估相结合。改进的算法在整体情况下有助于政策指南路径推理。此外，要找到最潜在的路径，在改进的参与者 - 批评算法中，每个样品的损耗约束用作加强信号以更新梯度。有了针对基准的一些改进，实验结果证明了我们框架的有效性。©2022 Elsevier B.V.保留所有权利。
了解机器学习 - SFU 峰会
第 1 章 方法论 ................................................................................................................ 13 1.1. 概述 ...................................................................................................................... 13 1.2. 技术哲学的文献评论 ........................................................................................ 16 1.3. 人工智能需要一个好的德雷福斯？...................................................................... 22 1.4. 重新认识德雷福斯作为人工智能的预言性批评家 ............................................................. 25 1.5. 内在的批判性探究 ............................................................................................. 30 1.6. 来自想象未来的情境知识 ............................................................................................. 38 1.7. 总结 ............................................................................................................................. 43
讨论计算，信息，认知及其实施方案之间的关系
摘要：熵杂志的三个特殊问题已致力于“信息处理和体现，嵌入，实用认知”的主题。他们解决了形态计算，认知机构和认知的演变。贡献显示了研究界对计算主题及其与认知关系的观点的多样性。本文试图阐明有关认知科学核心的计算当前辩论。它是以对话的形式编写的，两位作者之间，代表两个相反的立场，内容涉及哪个计算和可能是可能是与认知有关的问题。鉴于两位研究人员的不同背景，涵盖了物理学，计算和信息的哲学，认知科学和哲学，我们以适合这种多学科/跨学科概念分析的苏格拉底对话形式发现了讨论。我们按以下方式进行。首先，支持者（GDC）引入了信息计算框架，作为一种自然主义模型的体现，嵌入和制定的认知模型。接下来，评论家（MM）从新的解释方法的角度提出了异议。随后，支持者和评论家提供了答复。的结论是，在理解体现认知的理解中，计算具有基本作用，被理解为信息处理。
基于分布式强化学习的不平衡解决机制中的能源套利策略
可再生能源渗透率的增长使供应变得更加不确定，并导致系统不平衡加剧。这种趋势与单一不平衡定价相结合，为平衡责任方 (BRP) 在不平衡解决机制中进行能源套利提供了机会。为此，我们提出了一种基于分布式强化学习的电池控制框架。我们提出的控制框架采取了风险敏感的视角，允许 BRP 调整其风险偏好：我们的目标是优化套利利润和风险度量（本研究中的风险价值）的加权和，同时限制电池的每日循环次数。我们使用 2022 年比利时的不平衡价格评估我们提出的控制框架的性能，并比较两种最先进的 RL 方法，即深度 Q 学习和软演员-评论家 (SAC)。结果表明，分布式软演员-评论家方法优于其他方法。此外，我们注意到，只有当代理对价格更确定时，我们的完全规避风险的代理才会适当地学会通过对电池进行（放电）充电来对冲与未知不平衡价格相关的风险。
自适应控制容错自主载体... - SOAR
本文介绍了自适应控制方法在将自主固定翼飞机回收到航空母舰上的应用。所用的控制结构是模型参考自适应控制，在俯仰、滚转、偏航和空速轴上实施，以提供飞机的 6 个自由度控制。控制系统是为 NAVAIR ExJet 飞机模型开发的。控制器的结构包括一阶线性模型跟随器和自适应批评控制器。自适应用于增强自适应批评控制器产生的命令信号，使用以下方法：自适应偏差校正器、最佳控制修改和局部线性模型补偿。基于状态空间模型的逆控制器生成控制效应器命令。控制系统参考输入是旋转速率和空速，提供外环控制器来引导飞机到达着陆点。控制系统设计是通过使用基于标称误差、时间延迟裕度和着陆精度的指标来实现的。在标称、效应器故障和控制系统建模错误条件下评估控制系统。定义的控制系统能够在标称、故障和建模错误条件下提供所需的控制。
机场跑道运行效能综合评价方法研究
摘要：为评估跑道是否能满足安全、可靠、高效的目标，需要建立综合评价指标体系进行评价。首先，建立跑道运行体系，将跑道性能评价指标分为人员因素、保障设施、任务需求、运行环境和管理因素5个方面，建立综合评价指标体系。其次，建立博弈论组合赋权的TOPSIS评价模型，利用博弈论对AHP和CRITIC得到的权重进行优化赋权，采用理想解（TOPSIS）对跑道性能进行综合评价。最后，利用该模型对3个机场的跑道性能水平进行评价，并对3种评价方法进行了比较。结果表明，利用该模型进行跑道性能评估的结果与机场实际运行情况相符。该方法简单易行，结果科学客观，通用性强。
白人至上文化——Tema Okun
完美主义者往往无法从错误中吸取教训，或者说他们很少或根本不会从错误中吸取教训 • 倾向于找出错误之处；几乎没有能力找出、指出和欣赏正确之处 • 通常是内心的感受，换句话说，完美主义者无法欣赏自己的出色工作，更多的时候只是指出自己的缺点或“失败”，专注于不足之处和错误，而不是从中吸取教训；这种人内心不断自我批评。 解药：培养一种欣赏的文化，组织花时间确保人们的工作和努力得到赞赏；建立一个学习型组织，每个人都会犯错，而这些错误提供了学习的机会；创造一个人们能够认识到错误有时会带来积极结果的环境；将人与错误区分开来；在提供反馈意见时，总是先谈做得好的事情，然后再提出批评；在提出批评时，要求人们提供如何做不同事情的具体建议；要意识到成为自己最严厉的批评者并不能真正改善工作，往往会导致团队士气低落，也不能帮助你或团队认识到从错误中吸取教训的好处
集成机器学习算法和 MCDM 技术进行纯电动汽车优化排序
摘要。当今世界，世界各地的汽车行业都在简化电动汽车 (BEV) 的生产，以迈向创造无污染环境。BEV 被用作全球范围内减轻碳排放的替代策略。由于环境保护是长期可持续发展目标之一，因此需要从化石燃料转向可再生能源，同时这也引发了对电动汽车进行最佳选择的决策问题。本文考虑了 Faith Ecer 早期作品中基于十种替代 BEV 和十一项标准的决策问题。多标准决策的新型排序方法 MCRAT（按替代轨迹进行多标准排序）与三种不同的标准权重计算方法 AHP（层次分析法）、CRITIC（通过标准间相关性确定标准重要性）和 MEREC（基于标准去除效果的方法）一起使用。使用随机森林机器学习算法对获得的结果进行比较和验证。这项研究工作结合了多标准决策方法和机器学习算法，对电动汽车做出最佳决策，这种综合方法产生了最佳排名结果，并且它肯定会在未来的决策方法中开辟新的空间。
研究暑期学校 - 都柏林
培训和教育的重要性不能被夸大在培养不仅雄伟的研究，而且积极参与其中的劳动力方面。这是朝着实现SJH的目标发展成为学术健康科学中心（AHSC）的目标的一步。在M Ind中，我们的暑期学校旨在作为新移民的临床研究动态领域的门户，同时为具有更多研究经验的人提供了宝贵的更新。