XiaoMi-AI文件搜索系统
World File Search SystemGreedy
人工智能应用组件布局和计算连续体资源选择的随机贪婪方法
人工智能 (AI) 和深度学习 (DL) 现已无处不在，应用范围从个人助理到医疗保健。如今，随着移动计算和物联网的加速迁移，广泛的终端设备会产生大量数据，这决定了边缘计算范式的兴起，在这种范式中，计算资源分布在具有高度异构容量的设备之间。在这种分散的情况下，高效的组件放置和资源分配算法对于最佳地协调计算连续资源至关重要。在本文中，我们提出了一种工具，可在设计时有效解决 AI 应用程序的组件放置问题。通过随机贪婪算法，它可以确定在异构资源（包括边缘设备、基于云 GPU 的虚拟机和功能即服务解决方案）中提供性能保证的最低成本放置位置。
计算机科学与工程
2。Data Structures and Algorithms The notion of abstract data types, stack, queue, list, set, string, tree, binary search tree, heap, graph, tree and graph traversals, connected components, spanning trees, shortest paths, hashing, sorting, searching, Algorithmic techniques: greedy, dynamic, divide and conquer, back tracking, asymptotic analysis (best, worst, average cases) of时间和空间，上限和下限。
Sherrington – Kirkpatrick模型中的淬火 - Infoscience
摘要。Sherrington – Kirkpatrick模型是复杂的非凸能景观的原型。在此类景观上演变的动态过程和局部旨在达到最小值的过程通常对了解最小值。在这里，我们研究淬火，即旨在减少能量的动力学。我们分析了两种不同的算法类别，单旋植物和同步动力学的收敛能量，重点是贪婪和不情愿的策略。我们提供了有限尺寸效应的精确数值分析，并得出结论，也许在违反直觉上，不情愿的算法与融合到基础状态能量密度兼容，而贪婪的策略却没有。受单旋替代和贪婪算法的启发，我们研究了两种同步时间算法，即同步螺旋和同步利用算法。这些同步过程可以使用动力学平均值理论（DMFT）和DMFT的新回溯版本进行分析。值得注意的是，这是第一次将回溯DMFT用于研究完全连接的无序模型中的动力收敛性。分析表明Sync-Greedy算法可以
多机器人系统分工迭代方法
本文提出了一种在任务数量超过代理数量 5-20 倍的情况下 MRS 组中的分工迭代方法。该方法基于选择任务集群和由 MRS 组中的代理进行集体决策的迭代程序。提出了迭代方法的三种变体，不同之处在于代理选择集群执行任务的顺序。该方法的类似物是集体决策分工的贪婪算法。根据对不同数量的代理的模拟结果，与贪婪算法相比，在任务集群数量不同的情况下，5 个代理的结果可以提高 18%，7 个代理的结果可以提高 35%，10 个代理的结果可以提高 15%，15 个代理的结果可以提高 12%。
人工智能：表示和问题解决
• 用于 CSP 的具有最小冲突启发式的迭代改进算法 • 爬山法（贪婪局部搜索） • 随机游走 • 模拟退火 • 束搜索 • 遗传算法 • 识别局部搜索算法的完整性和最优性 • 比较不同的局部搜索算法以及与
人工智能：表示和问题解决
• 用于 CSP 的具有最小冲突启发式的迭代改进算法 • 爬山法（贪婪局部搜索） • 随机游走 • 模拟退火 • 束搜索 • 遗传算法 • 识别局部搜索算法的完整性和最优性 • 比较不同的局部搜索算法以及与
是基于探索的重复随机联盟游戏的感兴趣策略吗？
摘要。联盟游戏是合作的模式，在该模型中，Selfer -Sher -Fiment必须组成群体（联盟）以最大程度地提高其效用。在这些模型中，通常假定联盟的效用是固定和已知的。由于这些假设在许多应用中都不是现实的，因此有些工作通过考虑重复的随机联盟游戏来解决此问题。在这样的游戏中，代理商反复组成联盟，并观察其实用性后验，以更新他们的知识。但是，通常认为代理具有贪婪的行为：它们始终在给定时间步骤中构成他们估计的最佳联盟。在本文中，我们研究了其他策略（行为）是否允许代理商探索未经评估的联盟的策略。为此，我们提出了一个重复的随机联盟游戏的模型，其中代理使用神经网络来估计联盟的效用。我们比较了不同的探索策略，并且我们表明，由于联盟游戏的结构，尽管基于事实探索的策略可以更好地估算公用事业，但贪婪的策略还是最好的。
Prim和Kruskal算法的比较
这项研究的目的是比较建立超级度量空间中普通原始树的性能和最小跨越树的Kruskal的性能。我们建议使用复杂性分析和实验方法评估这两种方法。在分析了从2005年下半年到2007年下半年的上海和深圳的每日样本数据后，结果表明，当份额的数量小于100时，Kruskal算法在空间复杂性方面相对优于PRIM算法；但是，当股票数量大于100时，PRIM算法在时间复杂性方面更加优越。词汇表在其边缘上定义了一个连接的图形，其边缘上有非负权重，而挑战是识别跨越树的MAZ权重。令人惊讶的是，贪婪的算法得出了答案。对于找到最小重量跨越树的问题，我们分别提出了基于Prim和Kruskal的贪婪算法。格雷厄姆（Graham）和地狱（Graham and Hell）提供了一个问题的历史，该历史始于1909年的Czekanowski的作品。此处提供的信息基于Rosen。