XiaoMi-AI文件搜索系统
World File Search SystemConstrained
用于局部约束同构的算法框架
同构f从宾客图G到主机图H是局部的局部培养物，注射剂或弹性，如果对于每个U∈V（g），则F对U附近的F限制分别是生物，注射剂或过渡性。相应的决策问题LBHOM，LIHOM和LSHOM在一般图和特殊图形类别上都进行了很好的研究。除了通过宾客图的树宽和最大程度参数化的问题时，还会产生复杂性，这三个问题仍然缺乏对其参数化复杂性的彻底研究。本文填补了此差距：我们通过考虑访客图G的参数层次结构来证明许多新的FPT，W [1] -HARD和PARA-NP-COMPLETE结果。对于我们的FPT结果，我们通过开发涉及一般ILP模型的新算法框架来做到这一点。为了说明新框架的适用性，我们还使用它来证明角色分配问题的FPT结果，该问题源自社交网络理论，并且与本地透明的同型同态密切相关。
无线网络中资源约束多类调度的深度加固学习
摘要 - 在此处考虑了动态无线设置中多类调度的问题，其中可用有限的带宽资源分配以处理随机服务需求到达，而在有效载荷数据请求，延迟公差和重要性/优先级方面属于不同类别。除了异质流量外，另一个重大挑战还来自由于时间变化的沟通渠道而导致的随机服务率。现有的调度和资源分配方法，范围从简单的贪婪启发式和受限优化到组合设备，是针对特定网络或应用程序配置量身定制的，通常是次优的。在此帐户中，我们求助于深入的增强学习（DRL），并提出了分配深层确定性策略梯度（DDPG）算法，并结合了深度设置以解决上述问题。此外，我们提出了一种使用决斗网络的新颖方式，这将进一步提高绩效。我们所提出的算法在合成数据和实际数据上都进行了测试，显示了对组合和优化的基线方法的一致增长，以及状态调度计划指标。我们的方法可以使用Knapsack优化的功率和带宽资源降低13％的功率和带宽资源。
信息约束下的经济行为协调
我们分析了一个信息受限的玩家的协调博弈。在特定情况下，玩家的行动基于游戏收益的噪声压缩表示，其中压缩表示是变分自动编码器 (VAE) 学习到的潜在状态。我们的广义 VAE 经过优化，可以在可能的游戏分布中获得的平均收益与代理的内部模型与其环境统计数据之间的一致性度量之间进行权衡。我们将我们的模型应用于 Frydman 和 Nunnari (2023) 实验中的协调博弈，并表明它解释了实验证据的两个显着特征：玩家的行动概率随着游戏收益的变化而相对连续地变化，以及玩家选择的随机性程度取决于不同试验中遇到的游戏收益范围。我们的方法还说明了游戏应如何逐渐适应所遇到的游戏收益分布的变化，从而为 Arifovic 等人（2013 年）记录的历史依赖性游戏提供了解释。
地质受限的中潮带海滩上的高能冲浪区洋流和岬角裂口
摘要 我们分析了在高能中潮沙洲海滩进行的为期 3 周的现场试验中收集的波浪诱导环流的欧拉和拉格朗日测量数据，该海滩有 500 米长的岬角和水下珊瑚礁。研究发现，波浪和潮汐条件的微小变化会极大地影响环流模式。根据离岸波浪倾角，确定了三种主要状态：（1）在沿岸正常配置下，除了低潮时的中等波浪外，流动以横岸运动为主，珊瑚礁上存在准稳定环流单元。（2）在阴影配置下，阴影区域内外分别存在流离岬角的向岸电流和弱振荡涡旋。（3）在偏转配置下，存在流向岬角并延伸到冲浪区以外的偏转裂口，中等波浪的活动在低潮时达到最大值。在 4 米斜波下，无论潮汐如何，偏转裂口都会活跃，平均深度平均速度高达 0.7 米/秒，离岸 800 米，深度 12 米，具有能量低频波动。我们的研究结果强调了偏转裂口将物质输送到远海的能力，表明此类裂口可以将沉积物输送到闭合深度之外。这项研究表明，在具有突出地质背景的海滩上，可以出现各种各样的波浪驱动环流模式，有时这些模式会共存。由于波浪和潮汐条件的微小变化，主要驱动机制可能会发生变化，从而导致环流在空间和时间上的变化比开放沙滩更大。
基于图神经网络的图形结构SFC的节能VNF部署，并限制了深度强化学习
摘要 - 网络函数虚拟化（NFV），该函数将网络函数从硬件中解除，并将其转换为独立于硬件的虚拟网络函数（VNF），是许多新兴网络域，例如5G，Edge，Edge Computing和Data-Center网络。服务功能链（SFC）是VNF的有序集。VNF部署问题是在SFC中找到最佳的部署策略VNF，同时保证服务级协议（SLA）。现有的VNF部署研究主要关注无能量考虑的VNF序列。但是，随着用户和应用程序要求的快速开发，SFC从序列到动态图，服务提供商对NFV的能源消耗越来越敏感。因此，在本文中，我们确定了能节能的图形结构的SFC问题（EG-SFC），并将其作为组合优化问题（COP）提出。受益于COP机器学习的最新进展，我们提出了一个基于约束深度强化学习（DRL）方法的端到端图神经网络（GNN）来求解EG-SFC。我们的方法利用图形卷积网络（GCN）表示DRL中的双重Q-Network（DDQN）的Q网络。提出了掩模机制来处理COP中的资源约束。实验结果表明，所提出的方法可以处理看不见的SFC图，并且比贪婪的算法和传统DDQN更好地表现出更好的性能。
概率的神经网络学习的约束杂交元神经算法
这项研究通过利用多种优化策略的互补优势来研究杂交元启发式算法增强概率神经网络（PNN）训练的潜力。传统的学习方法，例如基于梯度的方法，常常难以在高度和不确定的环境中进行绕过，而单方法元启发式学可能无法充分利用解决方案空间。为了应对这些挑战，我们提出了受约束的混合元神经（CHM）算法，这是一种新颖的方法，将多种基于人群的优化技术结合到统一的框架中。所提出的过程分为两个阶段：初始探测阶段评估多个元启发式学，以根据错误率确定最佳性能，然后是拟合阶段，其中所选的元启发式优化PNN以实现最佳的平滑参数。此迭代过程可确保有效的Ex-
DeepDIVE：通过多项式通道优化复合 DNA 存储的输入约束分布
DNA 存储是一项快速发展的技术，它使用四进制编码将数字数据编码为核苷酸序列，其中碱基 A 、C 、G 和 T 代表信息 [2]，[3]。这些序列或链通过称为合成的过程产生，并通过测序检索。该方法的一个关键方面是在合成过程中生成每条链的多个副本。在本文中，我们通过引入复合 DNA 字母探索了一种利用这种冗余的新方法 [1]，[4]–[8]。复合 DNA 字母由混合不同的核苷酸形成，实验表明它可以提高数据编码性能 [4]，[5]，[8]。潜在的好处是显而易见的：虽然标准的四字母 DNA 编码每个通道使用 log(4) = 2 位，但复合编码提供了无限的容量，使较短的链能够编码更多的数据。这一点至关重要，因为较短的链可以降低合成成本 [5] 并降低出错的风险，而出错的风险会随着链长度的增加而增加 [9]。编写复合字母并随机读取 n 份副本可以建模为一个嘈杂的通信信道，特别是多项式信道 [1]。该信道的输入是一个长度为 k = 4 的概率向量，表示核苷酸的混合。通道输出遵循多项分布，进行 n 次试验，概率由输入向量决定。通道的最大信息存储率或容量是通过在所有可行的输入分布选择 [10]（即 (k − 1) 维概率单纯形上的分布）中最大化输入和输出之间的互信息来获得的。先前的研究 [1] 表明，即使对于较小的 n 值（例如 n = 9），最大化容量的输入分布也需要数十个质点。此外，如缩放定律 [11] 所示，支持大小随容量呈指数增长。这对 DNA 存储系统提出了挑战，因为每个质点对应一种不同的核苷酸混合物，而可能的混合物数量是有限的。为了解决这个问题，我们的论文重点计算了容量实现
通过实施量子后加密术的限制设备性能基准测试
摘要：量子计算机的进步可能对现有的公钥加密方法构成显着威胁，这对于当前的网络安全基础架构至关重要。RSA和ECDA是当今两种最广泛使用的安全算法，原则上可能是由Shor算法在多项式时间内解决的（原则上），因为它有效地解决了离散的对数问题的能力，从而有潜在地使现有的基础结构使现有的基础结构构成不受量子攻击的不受限制。国家标准技术研究所（NIST）与量子后加密（PQC）标准化过程反应，以开发和优化一系列基于与Shor的algorithm不易于解决的相当数学问题的量词后算法（PQA）反应。虽然高功率计算机可以有效地运行这些PQA，但需要进一步的工作来调查和基准在较低功率（约束）设备上这些算法的性能，以及它们可以将它们集成到现有协议中（例如TLS）等方案（例如TLS）。本文为NIST最新选择的PQA提供了定量的基准和握手性能数据，并在Raspberry Pi 4设备上进行了测试，以模拟当今的物联网（物联网）设备，并与以前的基准测试数据进行定量比较，以对一系列约束系统进行基准测试。晶体 - 凯伯和晶体 - 二硫硫得时间分别是密钥封装和签名算法中最有效的PQA，猎鹰提供了最佳的TLS握手大小。
区域影响受气候灵敏度限制不大的影响
1英国雷丁大学气象学系和国家地球观察中心，2波茨坦气候影响研究所，德国波茨坦莱布尼兹协会的成员，德国波茨坦，3大都会埃克塞特郡气候科学和服务办公室3，英国埃克塞特，英国埃克塞特，英国4个瑞典瑞典源和水分学院，瑞典语，瑞士，瑞典语，瑞典语，瑞士学院，英国利兹，利兹，利兹，6个全球系统研究所，埃克塞特大学，英国埃克塞特大学，布里斯托尔大学7号地理科学学院，布里斯托尔，布里斯托尔，英国，8国家大气科学中心，雷丁大学，雷丁大学，雷丁大学，雷丁大学，布雷蒙大学，9号，布雷蒙大学，环境物理学研究所（IUP），布雷米尔·兰德斯，deumsany，10 deurum fulumfft， Raumfahrt（DLR），德国OberpfaffenhofenInstitutFürPhysikder Mastiven Institut