XiaoMi-AI文件搜索系统
World File Search SystemHeuristics
迈向现实世界计划问题的量子门模型启发式
抽象的许多具有挑战性的调度，计划和资源分配问题与现实世界输入数据和硬性问题约束有关，并减少了优化成本函数，而不是由综合定义的可行集合（例如图形的颜色）。使用量子近似优化算法来解决量子计算机解决此类问题，我们提出了新型有效的量子交替运算符ANSATZ（QAOA）构造，以优化对和弦图的适当色素的优化问题。作为我们的主要应用程序，我们考虑了飞行门分配问题，其中将航班分配到机场大门以最大程度地减少所有乘客的总运输时间，并且可行的分配对应于从输入数据中派生的冲突图的适当图形颜色。我们利用经典算法和图形理论的想法来表明我们的构造具有将量子状态进化限制为可行子空间的理想特性，并满足了大多数问题参数制度的特定可及性条件。使用经典预处理我们表明，我们可以有效地找到并构建合适的初始量子（叠加）状态。我们详细介绍了我们的构造，包括对一组通用的基本量子门的明确分解，我们用来将所需资源缩放限制为输入参数的低度多项式。尤其是我们得出了新颖的QAOA混合操作员，并表明他们的实施成本与QAOA阶段运算符的飞行门分配相称。包括许多量子电路图，以便我们的构造可以用作开发和实施量子栅极模型方法的模板，以提供多种潜在影响的现实世界应用。
具有启发式和强化学习的量子密钥分发网络的多租户配置：一项比较研究
摘要 — 量子密钥分发 (QKD) 网络有可能在不久的将来得到广泛部署，为数据通信提供长期安全性。鉴于高昂的价格和复杂性，多租户已成为 QKD 网络运营的一种经济高效的模式。在这项工作中，我们专注于解决 QKD 网络的在线多租户配置 (On-MTP) 问题，其中多个租户请求 (TR) 动态到达。On-MTP 涉及调度多个 TR 并将从 QKD 网络派生的不可重复使用的密钥分配给多个 TR，其中每个 TR 可被视为具有专用密钥需求的高安全性需求组织。量子密钥池 (QKP) 构建在 QKD 网络基础设施上，以提高密钥的管理效率。我们使用不同的图像为 QKP 的密钥资源和 TR 的密钥需求建模。为了实现高效的 On-MTP，我们对基于启发式和强化学习 (RL) 的 On-MTP 解决方案进行了比较研究，其中提出了三种启发式方法（即基于随机、拟合和最佳拟合的 On-MTP 算法），并引入了 RL 框架来实现 On-MTP 算法的自动训练。比较结果表明，在经过足够的训练迭代后，基于 RL 的 On-MTP 算法在租户请求阻止概率和密钥资源利用率方面明显优于所提出的启发式方法。
应用快速节俭启发式决策
应用决策。我们认为 1549 航班的故事在这方面并非个例。在许多自然发生的情况下，快速而节俭的启发式方法可以帮助决策，人们（理所当然地）依赖它们。我们认为，这种概念视角可以更普遍地作为研究和尝试改进航空、医学和商业等广泛领域的应用决策的起点。本文的结构如下。我们首先简要介绍优化和快速而节俭的启发式方法，这两个概念视角经常被应用决策研究人员使用。其次，我们讨论快速而节俭的启发式方法如何同时做到简单和准确。第三，我们认为，由于快速节俭启发法建立在个人如何做出决策的基础上，因此它可用于制定个人决策策略。第四，我们探讨了几种使快速节俭启发法能够适应各种情境要求的特征。这些特征使快速节俭启发法特别有用
对合并策略合并启发式策略的分析
引言启发式搜索是在大型状态空间中找到短路的常见方法，例如在最佳的古典计划中。最近提出的几项启发式方法使用合并框架（Dr'Ager，Finkbeiner和Podelski 2006; 2009; 2009; Helmert，Haslum和Hoffmann 2007; Helmert et al。2014），其中计划任务的原子抽象是逐渐组合的（合并了两个实体过渡系统）和简化的（缩小了一个差异过渡系统），直到剩下单个抽象为止，其目标距离然后诱导计划任务的启发性。在整个论文中，我们都对经典计划和合并和碎片框架进行了基本熟悉。由Sievers，Wehrle和Helmert（2014）提供了对合并框架最新探索的独立介绍。合并策略的合并策略的一个重要方面是确定在每个合并步骤中要组合的两个中间抽象。我们将使用以下术语：任务的合并策略由二进制树在任务的状态变量上定义。如果此树脱离列表，则称为策略，否则是非线性的（图1）。更普遍地说，当从文献中发表合并策略时，我们指的是（独立于领域的）算法，该算法为给定的计划任务生成合并策略。这样的al-gorithm被称为线性合并策略，并且仅当其产生的合并策略对于所有计划任务都是线性的。换句话说，非线性合并策略算法不是
不确定性的判断：启发式和偏见Amos ...
许多决定基于关于不确定事件的可能性的信念，例如电子的结果，被告的罪恶感或美元的未来价值。这些信念通常在诸如“我认为。。。，”“机会。。。，“”不太可能。。。，“等等。有时，关注事件的信念以数值形式表示为赔率或主观概率。是什么决定了这种情况？人们如何评估不确定事件的概率或不确定数量的价值？本文表明，人们依靠有限数量的启发式原则，这些原则降低了诉讼概率的复杂任务，并将其预测为简单的判断操作。通常，这些启发式方法非常有用，但有时会导致严重而系统的错误。