XiaoMi-AI文件搜索系统
World File Search SystemGreedy
人工智能期中考试（2006 年秋季）
CS 2710 / ISSP 2160：人工智能期中考试（2006 年秋季）本考试为闭卷考试。考试由三部分组成。每部分都标明了预计所花的时间。如果您花费的时间太多，请跳过此部分继续学习，有时间再回来。第一部分是多项选择题。第二部分是简答题和问题解答题。第三部分是论文。第一部分 - 多项选择题。总共 20 分。15 分钟。圈出最能回答问题的答案。1.下列哪种搜索算法不是知情搜索？a. 贪婪搜索 b. 迭代深化 c. A * d. 爬山搜索 2.下列哪种搜索算法可能将局部最大值与全局最大值混淆？a. 深度优先 b.A * c. 爬山 d. 贪婪搜索 3.最优搜索算法 a. 找到所有解中路径成本最低的解 b. 找到所有解 c. 找到使用最少内存的解 d. 保证在有解时找到解 4.语义网络 a. 是一种基于图的表示，其中节点表示概念，弧表示关系 b. 是一种基于图的表示，其中节点表示关系，弧表示概念 c.将实体表示为一组槽和相关值 d. 是情境演算 5 的子集。本体 a. 将实体表示为一组槽和相关值 b. 是一阶逻辑的子集 c. 是一种推理机制 d. 提供表达知识的词汇表
人工智能单元-I 题库...
最佳优先搜索是一般树搜索或图搜索算法的一个实例，其中根据评估函数 f(n) 选择要扩展的节点。选择具有最低评估的节点进行扩展，因为评估衡量了到目标的距离。这可以使用优先级队列来实现，优先级队列是一种数据结构，它将边缘保持在 f 值的升序顺序中。2.1.2. 启发式函数启发式函数或简称启发式函数是一种函数，它根据可用信息在每个分支步骤中对各种搜索算法中的替代方案进行排序，以便决定在搜索期间要遵循哪个分支。最佳优先搜索算法的关键组成部分是启发式函数，用 h(n) 表示：h(n) = 从节点 n 到目标节点的最便宜路径的估计成本。例如，在罗马尼亚，人们可以通过从阿拉德到布加勒斯特的直线距离来估计从阿拉德到布加勒斯特的最便宜路径的成本（图 2.1）。启发式函数是向搜索算法传递附加知识的最常见形式。贪婪最佳优先搜索贪婪最佳优先搜索尝试扩展最接近目标的节点，理由是这可能快速得到解决方案。它使用启发式函数 f(n) = h(n) 来评估节点。以罗马尼亚的路线寻找问题为例，目标是从阿拉德市出发到达布加勒斯特。我们需要知道从各个城市到布加勒斯特的直线距离，如图 2.1 所示。例如，初始状态是 In(Arad) ，直线距离启发式 h SLD (In(Arad)) 为 366。使用直线距离启发式 h SLD ，可以更快地到达目标状态。
B.Sc.具有网络安全的计算机科学MSC-CS-CS-2022-2024-Syllabus-1.pdf
复杂性 - 空间复杂性 - 如何估计算法最坏情况和平均病例分析 - 摊销分析的运行时间。II单元（11小时）数据结构：简介 - 链接的列表 - 树 - 二进制树。 堆数据结构：简介 - 堆划分和征服：简介 - 二进制搜索 - 分类 - 分隔和征服范式 - 选择：找到中位数和kth最小的快速排序。 单元III（11小时）AVL树：定义 - 高度 - 搜索 - 插入和删除元素 - AVL旋转 - 分析。 红色黑树：定义 - 搜索 - 元素的插入和删除 - 算法及其时间复杂性。 Splay trees: Definition – Steps in Splaying – Analysis -Multi-way search trees: Indexed Sequential Access – m-way search trees – B-Tree – searching, insertion and deletion - B + trees UNIT IV (11 Hrs) Dynamic Programming: Introduction- The Longest Common Subsequence Problem- The Dynamic Programming Paradigm- The All-Pairs Shortest Path Problem- Travelling sales Person problem - The Knapsack Problem . Greedy Approach: Introduction- The Shortest Path Problem- Minimum Cost Spanning Trees (Kruskal's Algorithm)- Minimum Cost Spanning Trees (Prim's Algorithm) UNIT V (12 Hrs) Graph Traversal : Introduction-Depth First search- Applications of DFS -Breadth-First search- Applications of BFS -Complexity of Problems: NP-complete Problems:- Introduction-The Class P- The Class NP- NP完整问题。背面：简介 - 8- Queens问题 - 子集问题总和 - 图形着色 - 哈密顿周期II单元（11小时）数据结构：简介 - 链接的列表 - 树 - 二进制树。堆数据结构：简介 - 堆划分和征服：简介 - 二进制搜索 - 分类 - 分隔和征服范式 - 选择：找到中位数和kth最小的快速排序。单元III（11小时）AVL树：定义 - 高度 - 搜索 - 插入和删除元素 - AVL旋转 - 分析。红色黑树：定义 - 搜索 - 元素的插入和删除 - 算法及其时间复杂性。Splay trees: Definition – Steps in Splaying – Analysis -Multi-way search trees: Indexed Sequential Access – m-way search trees – B-Tree – searching, insertion and deletion - B + trees UNIT IV (11 Hrs) Dynamic Programming: Introduction- The Longest Common Subsequence Problem- The Dynamic Programming Paradigm- The All-Pairs Shortest Path Problem- Travelling sales Person problem - The Knapsack Problem .Greedy Approach: Introduction- The Shortest Path Problem- Minimum Cost Spanning Trees (Kruskal's Algorithm)- Minimum Cost Spanning Trees (Prim's Algorithm) UNIT V (12 Hrs) Graph Traversal : Introduction-Depth First search- Applications of DFS -Breadth-First search- Applications of BFS -Complexity of Problems: NP-complete Problems:- Introduction-The Class P- The Class NP- NP完整问题。背面：简介 - 8- Queens问题 - 子集问题总和 - 图形着色 - 哈密顿周期
农村人工智能的自适应边缘云环境 - ORCA
摘要 — 云计算提供对计算资源的按需访问，同时外包基础设施和服务维护。边缘计算可以利用单板计算机等低成本硬件将云计算能力扩展到计算资源有限的地区，例如农村地区。云数据中心托管的机器学习算法可能会违反用户隐私和数据保密性要求。联邦学习 (FL) 无需将数据发送到中央服务器即可训练模型并确保数据隐私。使用 FL，多个参与者可以在单个机器学习模型上进行协作而无需共享数据。但是，农村网络中断可能随时发生，并且无线网络的质量因位置而异，这会影响联邦学习应用程序的性能。因此，需要一个能够独立于基础设施状态维护服务质量的平台。我们提出了一种针对农村 FL 的自适应系统，该系统采用基于贪婪提名启发式 (GNH) 的优化来协调构成农村计算环境的多个资源之间的应用程序工作流。GNH 为工作流放置提供分布式优化。GNH 利用资源状态来降低故障风险和成本，同时仍按时完成任务。我们的方法使用模拟农村环境进行了验证 - 由多个共享相同基础设施并运行共享 FL 应用程序的分散控制器组成。结果表明，GNH 在部署 FL 任务方面优于三种算法：随机放置、循环负载平衡器和简单贪婪算法。索引术语 - 计算连续体、联邦学习、无服务器计算。
人工智能和实时战略游戏
随着人工智能的不断进步，应用程序希望 AI 能够像人类一样出色地执行任务，甚至比人类更好。测试理论应用的一个好方法是通过简单到复杂的游戏。过去几年，人工智能模型已用于实时战略游戏，但它们的实现仍处于初级阶段，还有许多工作要做。研究问题是蒙特卡罗（当今世界一种著名的算法）如何得到改进，无论是在一般情况下还是在实时战略游戏的背景下。实施实验设计是主要的研究方法。之所以选择这种技术，是因为它提供了与未探索的想法进行对比的最清晰的框架。研究问题围绕改进蒙特卡罗方法展开，特别是在 MicroRTS（一种流行的 AI 算法测试环境）中。由于研究的目标是增强用于战略游戏的蒙特卡罗树搜索 (MCTS) 算法，因此将对传统的 MCTS 实现（MCTS Greedy 和 MCTS UCB）和独特的建议 MCTS（MCTS UCB+）进行比较。比较分析是通过在 RTS 环境中对每种算法的性能进行基准测试，并根据几个标准比较结果来完成的。研究发现，通过改变采样和选择方法以及对游戏状态的理解，新算法 MCTS UCB+ 能够在 MicroRTS 的部分可观察游戏模式下超越其前辈。
进行车辆边缘的及时多模型培训 -
摘要 - 启用AI互联网的快速增长（IOV）呼吁进行有效的机器学习（ML）解决方案，该解决方案可以处理高车辆移动性和分散数据。这激发了对车辆边缘云建筑（VEC-HFL）的等级联合学习的出现。然而，关于vec-hfl的文献中未充满反应的一个方面是，车辆通常需要同时执行多个ML任务，在这种多模型训练环境中会带来至关重要的挑战。首先，不正确的聚合规则可以导致模型过时和延长训练时间。第二，车辆移动性可能通过防止车辆将其型号返回网络边缘而导致数据利用率降低。第三，在各种任务中实现平衡的资源分配变得至关重要，因为它主要影响协作培训的有效性。，我们通过提出一个在动态VEC-HFL中提出多模型训练的框架来解决这些挑战的第一步之一，目的是最大程度地减少全球训练潜伏期，同时确保跨各种任务均衡培训，这一问题是NP-HARD。为了促进及时的模型培训，我们引入了混合同步 - 同步聚合规则。在此基础上，我们提出了一种新颖的方法，称为混合进化和贪婪分配（心脏）。现实世界数据集上的实验证明了心脏比现有方法的优越性。索引术语 - 等级联合学习，互联网，多模型培训，分布式机器学习。框架分为两个阶段：首先，它通过混合启发式方法来实现平衡的任务调度，该方法结合了改进的粒子群优化（PSO）和遗传算法（GA）；其次，它采用低复杂性贪婪算法来确定车辆分配任务的训练优先级。
使用...改善路口的交通流量
摘要 本研究提出了一种利用无线传感器网络改善交通流量的智能交通管理系统。通过利用聚类算法，VANET 环境可用于所提出的系统。所提出的系统的组件包括传感器节点硬件、通过磁力计的车辆检测系统和用于节点间通信的 UDP 协议。路口控制代理接收有关车辆的信息，并利用其算法动态更改交通信号灯的定时。通过利用贪婪算法，可以通过连接多个交叉路口将系统扩展到更广泛的区域。 关键词 : 无线传感器、网络、交通路口、交通信号灯、智能交通管理。 _____________________________________________________________________________________
使用量子虚时间演化求解 MaxCut
摘要 我们介绍了一种基于量子虚时间演化 (QITE) 有效解决 MaxCut 问题的方法。我们采用线性 Ansatz 进行幺正更新和不涉及纠缠的初始状态，以及在给定图和切除两个边的子图之间插值的虚时间相关哈密顿量。我们将该方法应用于数千个随机选择的图，最多有 50 个顶点。我们表明，对于所有考虑的图，我们的算法表现出 93% 及以上的性能，可以收敛到 MaxCut 问题的最大解。我们的结果与贪婪算法和 Goemans-Williamson 算法等经典算法的性能相比毫不逊色。我们还讨论了 QITE 算法的最终状态与基态的重叠作为性能指标，这是其他经典算法所不具备的量子特征。
基于容量的地月空间领域感知架构优化
地月空间通常被定义为地球和月球之间的空间体积。这包括近 385,000 公里的半径。有无数种可能的传感器架构可以构建来搜索这个空间。在构建架构时，人们通常对最大化可观测性感兴趣。调度传感器以优化容量的任务以前被认为是与架构设计不同的问题。虽然这些问题可以单独解决，但将这些问题放在一起看待可以为地月空间领域感知 (SDA) 提供强大的工具。昨天的解决方案不足以解决今天的问题。在架构设计中只考虑可观测性已经不够了。在本文中，我们首先研究优化的架构，然后将其与优化的调度相结合，以同时最大化容量和可观测性。我们将使用贪婪算法和遗传算法的变体来实现这一点。