XiaoMi-AI文件搜索系统
World File Search SystemConstrained
受限物联网边缘设备中的 NTRU 后量子加密方案分析
摘要 — 后量子密码学的研究旨在解决现代公钥密码学在未来可能被来自量子计算机的攻击以及使用经典电子技术的攻击所破解的问题。这项任务非常关键，因此美国国家标准与技术研究所 (NIST) 正在进行后量子方案的标准化最终流程，以保护未来的嵌入式应用程序。虽然已经对嵌入式系统进行了一些研究，但研究这些提案在物联网 (IoT) 的现实环境中的影响非常重要，因为在物联网中，有限的计算资源和严格的功耗要求可能与加密方案的使用不相容。在这项工作中，研究了标准化过程中的最终方案之一 NTRU 的性能，并将其实现在为物联网最边缘应用设计的定制无线传感器节点中。该密码系统在 Contiki-NG 操作系统的进程中实现和评估。此外，还进行了额外的实验，以检查现代微控制器内部常用的加密集成硬件外设是否可用于实现 NTRU 的更好性能，不仅在单节点级别，而且在网络级别，其中 NTRU 密钥封装机制在实际通信过程中进行测试。这些实验的结果表明，NTRU 适用于针对无线传感器网络设计的现代微控制器，而流行平台中的旧设备可能无法承担其实施成本。
在资源约束设备上部署机器学习模型：案例研究
在现代，机器学习和人工智能系统在执行各种任务的能力方面成倍增长，但是在开发训练阶段和最终设备上的推理阶段的能源需求中。这引起了人们对它们对全球温室气体排放的影响的严重关注。期望ML的新时代停止解决这些环境问题是不现实的，因此，有必要探索提高这些ML模型以减少资源的效率的方法。本文探讨了此过程的一些潜在改进，即在资源受限的物联网设备上部署机器学习模型，减少训练这些模型所需的数据量，并最大程度地减少开发它们所需的神经元数量。对于研究的实际方面，我们将探索使用Edge Impulse在云上开发机器学习以在云上进行运动分类的最有效的方式，并在Thing thing thaty 52上部署了该模型，这是北欧半导体的小物联网设备。，我们将探讨减少所需训练数据的量，训练时期的数量，隐藏层和神经元的数量，尽管培训因素减少了，并且随着Thing the Things 52的限制资源，并讨论了遇到的各种问题和潜在的未来改进，以汇聚在可接受的模型上。
通过深钢筋学习辅助操作员选择的受约束多目标优化
摘要 - 分解有限的多目标优化问题，其进化算法引起了相当大的关注。使用不同的算法策略，进化运算符和约束处理技术，已经开发出各种受约束的多目标优化算法（CMOEAS）。CMOEA的性能可能很大程度上取决于所使用的操作员，但是，通常很难为当前的问题选择合适的操作员。因此，改善操作员的选择是有希望的，对于CMOEAS来说是必要的。这项工作提出了一个在线操作员的选择框架，并在深入的强化学习中有助于。人口的动态，包括融合，多样性和可行性，被视为国家；候选运营商被视为行动；人口状态的改善被视为奖励。通过使用Q-Network学习策略来估计所有动作的Q值，建议的方法可以适应地选择一个操作员，该操作员根据当前状态最大程度地提高人口的改善，从而改善算法性能。该框架嵌入了四个流行的CMOEAS中，并在42个基准问题上进行了评估。实验结果表明，与九个最先进的CMOEA相比，提出的深钢筋学习辅助操作员的选择显着提高了这些CMOEAS的性能，并且所得算法获得了更好的多功能性。
约束优化的零空间梯度流及其在形状优化中的应用
摘要。本文旨在介绍一种梯度流算法，用于解决等式和不等式约束优化问题，该算法特别适用于形状优化应用。我们依靠 Yamashita (Math. Program. 18 (1980) 155–168) 提出的用于等式约束问题的常微分方程 (ODE) 方法的变体：搜索方向是零空间步长和范围空间步长的组合，旨在分别降低最小化目标函数的值和违反约束的程度。我们的第一个贡献是提出将这种 ODE 方法扩展到具有等式和不等式约束的优化问题。在文献中，一种常见的做法是通过引入额外的松弛变量将不等式约束简化为等式约束。在这里，我们通过计算目标函数梯度在可行方向锥上的投影来解决它们的局部组合特性。这是通过求解对偶二次规划子问题来实现的，该子问题的大小等于活动或违反约束的数量。这个问题的解决方案允许确定优化轨迹应保持切线的不等式约束。我们的第二个贡献是在无限维希尔伯特空间的背景下以及在更一般的优化集（例如形状集）的背景下对梯度流的公式化，因为它出现在 Hadamard 边界变分法框架内的形状优化中。该公式的基石是形状导数的经典扩展和正则化操作。我们的算法的数值效率和易实现性在实际的形状优化问题上得到了证明。
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。
基督教巴斯克·拉尔斯·埃勒斯（Christian Basteck Lars Ehlers
考虑在一组代理之间分配不可分割的对象的问题 - 每个代理最多都要接收一个，我们假设它们对一组对象具有严格的偏好。此外，虽然对象的特征可能包括固定的货币支付，但没有其他转移。此类问题在许多现实生活中都会出现，例如校园住房（租金是固定的），器官分配，在申请人的私人方面选择与联系的学校选择等。每当有几个代理想要消耗相同的对象时，对象的不可分割的性质以及没有任何补偿转移，都会使任何确定性的分配不公平。因此，理论家和政策制定者都在这种情况下转向随机作业。由于代理的偏好是私人信息，因此随机分配机械的设计必须考虑代理人的激励措施来揭示其偏好。此外，在实践中，引起所有可能的彩票的偏好通常很困难，因此分配应该基于仅基于对象的代理排名 - 例如，学校选择计划通常会要求申请人提供从大多数提高至最少偏爱的学校的列表。防止策略的报告使真实的报告成为一个主导的策略，因此应该确保代理人真实地揭示了他们对任何基本效用偏好代表的对象的偏好。1，我们将在满足某些特性的一类机制中考虑整个事前效率，并在限制的效率下进行限制。我们将其称为无污水域。不幸的是，关于随机分配机制的文献在防止策略和平等的平等待遇之后立即包含许多不可能的结果，这是最小的公平要求，已与不同的前效率概念结婚。此外，对于上面给出的应用程序，不可分割的对象可以看作是任何代理想要或需要消耗一个对象的商品，并发现所有对象都可以接受。现实生活中经常使用的一种机制是随机的串行独裁统治（RSD）机制。它工作如下。按随机均匀地绘制代理的顺序，然后根据分配顺序在其余对象中选择其最喜欢的对象。rsd满足许多理想的标准：（0）等于任何两个具有相同偏好的代理的平等对待获得相同的随机分配，（1）仅选择无法改善的分配，（（2）策略预付款不适合对他的真实优先偏爱，没有策略预付款。此外，它满足了con-
线性约束二次优化的不精确量子内部方法
摘要：量子线性系统算法（QLSA）具有加快依赖求解线性系统的算法的潜力。内部方法（IPM）产生了解决优化问题的多项式时间算法的基本家族。IPMS在每次迭代中求解一个牛顿线性系统以找到搜索方向，因此QLSA可以潜在地加速IPMS。由于当代量子计算机中的噪声，这种量子辅助IPM（QIPM）仅允许牛顿线性系统的不精确解决方案。通常，不精确的搜索方向导致不可行的解决方案。在我们的工作中，我们提出了一个不可天性的QIPM（IF-QIPM），并在解决线性约束的二次优化问题方面表现出了优势。我们还将算法应用于ℓ1 -Norm软边缘支持向量机（SVM）问题，并获得有关依赖性尺寸的最佳复杂性。这种复杂性结合比任何产生经典解决方案的现有经典或量子算法要好。
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。
量子甲虫天线搜索：一种解决约束投资组合优化问题的新技术
摘要 在本文中，我们制定了量子甲虫触角搜索 (QBAS)，一种元启发式优化算法，以及甲虫触角搜索 (BAS) 的一种变体。我们将其应用于投资组合选择，这是一个众所周知的金融问题。量子计算在效率和速度上超越了传统计算，因此在科学界越来越受欢迎。所有传统计算算法都不直接与量子计算机兼容，因此我们需要使用量子力学原理来制定它们的变体。在投资组合优化问题中，我们需要找到一组最优股票，使其风险因子最小化并最大化投资组合的平均收益。据我们所知，目前还没有量子元启发式算法被用来解决这个问题。我们将 QBAS 应用于现实世界的股票市场数据，并将结果与其他元启发式优化算法进行比较。结果表明，QBAS 优于粒子群优化 (PSO) 和遗传算法 (GA) 等群体算法。
www.migrationletters.com具有新型模块化的受约束的Louvain算法，以增强复杂网络中的社区检测
结论：这项研究引入了一种创新的方法，可以在复杂的网络中进行社区检测。具有𝐹2模块化的受约束卢旺算法有效地克服了传统模块化的局限性，尤其是分辨率限制问题。它促进了准确且细粒度的社区检测，使其成为分析各个领域广泛网络的宝贵工具。这项研究通过提供强大的社区检测方法来有助于持续的努力来增强我们对网络结构和动态的理解。