XiaoMi-AI文件搜索系统
World File Search SystemGreedy
计算机科学与工程系
1。熟悉一些基本算法及其效率分析。2。提供了具有说明性问题的不同算法设计范式的详细介绍。3。学习并实施动态编程和贪婪算法。4。使用近似算法熟悉学生的图表，计算困难问题并解决。Unit 1: Fundamentals of Algorithmic Problem Solving Introduction to Algorithms and their Importance, Understanding the Role of Algorithms in Computing, Algorithmic Paradigms: Overview and Classification, Basic Analysis of Algorithms: Time and Space Complexity, Asymptotic Notations: Big O, Big Theta, Big Omega Unit 2: Divide and Conquer Algorithms Principles of Divide and Conquer,经典示例：二进制搜索，合并排序，快速排序，分歧和征服算法的分析，在大整数的乘法中应用和矩阵乘法，师范定理用于除法和征服重复
扩散模型的自适应时间步长计划
本文研究了如何在扩散模型中调整步进计划，该模型主要在当前实践中固定，缺乏理论基础和在Che sectizatizanized点上对最佳性能的保证。在本文中，我们提出了使用自适应时间稳定时间表的使用，并设计了两种具有优化的samper误差限制的算法EB：（1）连续扩散，我们将EB视为损失函数，将EB视为损失函数，以分散梯度点和运行梯度下降来调整它们； （2）对于离散扩散，我们提出了一种贪婪的算法，该算法仅调整一个离散点指向其在每种迭代中的最佳位置。我们进行了广泛的实验，这些实验表明了（1）在训练有素的模型中具有突出的产生能力，以及（2）在训练不足的模型中却过早可用的生成能力。该代码可在https://github.com/cyzkrau/adaptiveschedules上找到。
电池有限能量收集通信的电源控制
电源控制通常用于确保通信系统中有效的资源液化。由于环境能源的间歇性和随机性，其在能源收集通信的新兴范式中变得更加重要。本专着提供了基本功率控制策略及其性能分析的重新查看，以独立且相同分布的能量到达的基本设置的基本环境。分别考虑了三种不同的设置，即离线功率控制，线电源控制和使用LookAhead的功率控制，分别与对能量到达过程的非因果，因果关系和部分非因果知识的案例相对应。提出了最佳离线电源控制策略的完整表征。在线设置中，将重点放在贪婪的政策上，该政策在低温容量制度中是最佳的，并且普遍近乎最佳的策略，其中包括Maximin Optimal
通过深钢筋学习发现量子错误校正代码
相关工作：QEC代码构建的先前计算方法仅限于找到与图形[3]相关的代码子类（但不是编码电路）的子类，或者基于昂贵的数值贪婪搜索查找稳定器代码[4]。也已经开发了基于ML的方法，例如[5 - 8]。[7]还设定了寻找代码及其编码电路的任务，但这是使用涉及连续参数化门的各种量子电路完成的，这导致了更为昂贵的数值模拟，最终仅是近似QEC方案。我们基于RL的方法不依赖于任何人提供的电路Ansatz，可以直接使用任何给定的离散门集，并且能够利用高效的Clifford模拟。特别是，我们能够发现较大量子数（14 vs 15）和较大的代码距离（4 vs 5）的代码和编码电路。
使用深度强化学习优化 ZX 图
摘要 ZX 图是一种强大的图形语言，用于描述量子过程，可应用于基础量子力学、量子电路优化、张量网络模拟等。ZX 图的实用性依赖于一组局部转换规则，这些规则可以应用于它们而不改变它们描述的底层量子过程。可以利用这些规则来优化 ZX 图的结构以用于一系列应用。然而，找到最佳的转换规则序列通常是一个悬而未决的问题。在这项工作中，我们将 ZX 图与强化学习结合起来，强化学习是一种旨在发现决策问题中最佳动作序列的机器学习技术，并表明训练有素的强化学习代理可以显著胜过其他优化技术，如贪婪策略、模拟退火和最先进的手工算法。使用图神经网络对代理的策略进行编码，可以将其推广到比训练阶段大得多的图表。
Eunika Mercier-Laurent。人工智能的未来：赋予人类力量并帮助保护地球。2023 年国际信息研究峰会，石忠植；Wolfgang Hofkirchner，2023 年 8 月，中国北京。10.3390/cmsf2023008038。hal-04346548
摘要：人工智能系统 (AIS) 已成为我们生活的一部分，许多系统甚至允许自己被基于人工智能的应用程序“编程”。然而，人工智能还可以帮助人们开展各种活动。人工智能的第三次炒作集中在对呈指数级增长的数据量的探索上，其中大部分数据都不受管理。第四次炒作会是什么？人工智能发起者追求打造比人类更智能的机器的梦想以及实现计算机能力的竞赛提出了一些问题：这与人类和地球的可持续性兼容吗？人工智能研究和应用能走多远？人工智能研究和企业未来可以采取哪些方向？本文将介绍人类与人工智能系统协同作用的观点。讨论了两个方面：通过人工智能赋予人类权力，以及利用人工智能保护地球，旨在尝试回答如何平衡研究人员的野心、贪婪的企业和可持续发展与保护地球之间的难题。
用于调度截止日期敏感的可延展任务的算法
摘要由于批处理数据处理的无处不在，计划可延展的批处理任务的相关问题受到了极大的关注。我们考虑了一个基本模型，其中一组任务要在多个相同的机器上处理，并且每个任务均由值，一个工作负载，截止日期和并行性约束。在平行性界限内，分配给任务的机器数量会随着时间而变化而不会影响其工作负载。在本文中，我们确定了边界条件，并通过构造证明一组具有截止日期的可延展任务可以通过其截止日期来完成，并且仅当它满足边界条件时。该核心结果在调度算法的设计和分析中起关键作用：（i）考虑到几个典型的目标，例如社交福利最大化，机器最小化和最小化最大加权完成时间，以及（ii）当算法和动态编程等算法技术技术时，会适用于社交范围。结果，我们为上述问题提供了四种新的或改进的算法。
最大化非单词酮子模型和线性函数的总和：了解无约束的情况
是出于实际应用的动机，最近的作品考虑了子模函数g和线性函数的总和的最大化。迄今为止，几乎所有此类工作仅研究了此问题的特殊情况，其中G也保证为单调。因此，在本文中，我们系统地研究了该问题的最简单版本，其中允许g是非单调的，即无约束的变体，我们将其称为正则不受约束的非约束下义最大化（正则化usizusm）。我们的主要算法结果是通用正则化usem的首个非平凡保证。对于线性函数ℓ是非阳性的正则uSM的特殊情况，我们证明了两个不Xibibibity的结果，表明先前的作品对这种情况暗示的算法结果远非最佳。最后，我们重新分析了已知的双重贪婪算法，以获得改进的正则化usemized use的特殊情况的保证，其中线性函数是非负的；我们通过表明无法获得（1 / 2，1）对这种情况的APPROXIMATION（尽管有直觉的论点表明这种近似保证是自然的）来补充这些保证。
用于比较算法组件的参数化任务图计划算法
摘要 - 在异质计算网络上运行的分布式应用程序在分布式计算中是一个基本问题（NP-HARD）问题，在过去的几十年中，已经提出了许多启发式算法。这些算法中的许多算法都属于列表安排范式，因此该算法首先计算任务的优先级，然后将它们贪婪地安排在最小化某些成本函数的计算节点上。因此，许多算法仅在几个关键组件中彼此不同（例如，它们优先级任务，其成本功能，算法考虑将任务插入部分完成时间表等）。在本文中，我们提出了一种广义列表安排算法，该算法允许混合和匹配不同的任务优先级和贪婪节点选择方案，以产生72个独特的算法。我们在四个数据集上对这些算法进行基准测试，以研究不同算法组件对性能和运行时的个体影响。索引项 - 安排，任务图，工作流程，基准测试
302049：人工智能与机器学习
单元1 AI和ML 06小时的简介。AI的历史，AI与数据科学的比较，机械工程中的AI需要，机器学习简介。 基础：推理，解决问题，知识表示，计划，学习，感知，运动和操纵。 AI的方法：控制论和脑模拟，符号，亚符号，统计。 ML的方法：监督学习，无监督的学习，强化学习。 单元2特征提取和选择08小时。 特征提取：统计特征，主成分分析。 功能选择：排名，决策树 - 熵减少和信息增益，详尽，最佳，贪婪的前向和向后，功能提取的应用和选择算法在机械工程中。 单元3分类和回归08小时。 分类：决策树，随机森林，天真的贝叶斯，支撑向量机。 回归：逻辑回归，支持向量回归。 回归树：决策树，随机森林，K-均值，K-Nearest邻居（KNN）。 机械工程中分类和回归算法的应用。AI的历史，AI与数据科学的比较，机械工程中的AI需要，机器学习简介。基础：推理，解决问题，知识表示，计划，学习，感知，运动和操纵。AI的方法：控制论和脑模拟，符号，亚符号，统计。ML的方法：监督学习，无监督的学习，强化学习。单元2特征提取和选择08小时。特征提取：统计特征，主成分分析。功能选择：排名，决策树 - 熵减少和信息增益，详尽，最佳，贪婪的前向和向后，功能提取的应用和选择算法在机械工程中。单元3分类和回归08小时。分类：决策树，随机森林，天真的贝叶斯，支撑向量机。回归：逻辑回归，支持向量回归。回归树：决策树，随机森林，K-均值，K-Nearest邻居（KNN）。机械工程中分类和回归算法的应用。