XiaoMi-AI文件搜索系统
World File Search SystemQUEUEING
分析能源存储系统的排队模型
3本文介绍了最近提出的用于储能的最近提议的排队系统模型，该模型具有4个排放。即使没有负载，储能系统也会通过5个自dearmence降低存储的能量。在某些存储技术中，自我放电的速率每天可以超过储存能量6的50％。我们考虑了一个排队模型，称为泄漏队列，除了到达和7服务过程外，还有一个泄漏过程可在每个8个时段中减少一个因子γ（0 <γ<1）。当平均漂移为正时，我们发现泄漏队列在两个9个制度之一中运行，每个制度具有不同的特征。在其中一个机制中，存储的能量总是以低于存储容量的10点稳定，而存储的能量紧随高斯分布。11在另一个制度中，存储系统的行为与常规有限容量系统相似。对于两个12制度，我们都会得出底流和溢出概率的表达式。尤其是我们提出了一个13个新的Martingale论点，以估计第二条制度中下流的概率。在能源供应类似于风能来源的数值示例中，该方法是14验证的。Q1 15Q1 15
在异质排队系统中用于路由工作的有效强化学习
我们考虑了有效探索作业的问题，该问题到达中央队列到异质服务器系统。与ho-mogeneous Systems（一种阈值策略）不同，当队列长度超过一定阈值时，它将作业路由到慢速服务器，这对于一对一的一对一s-Slow两个服务器系统是最佳的。但是，多服务器系统的最佳策略是未知的，并且不琐碎。在强化学习（RL）被认为在这种情况下具有学习政策的巨大潜力，但我们的问题具有指数较大的状态空间规模，使标准RL效率低下。在这项工作中，我们提出了ACHQ，这是一种有效的基于策略梯度的算法，具有低维软阈值策略参数，利用了基本的排队结构。我们为一般情况提供了固定点的保证，尽管较低的参数化证明ACHQ对两台服务器的特殊情况有收敛到近似值的全局最佳最佳。模拟证明了预期的响应时间比贪婪政策的预期响应时间最高约30％，该政策将路由到最快的服务器。
排队的动态和状态空间崩溃，零散的限制顺序簿市场
摘要。在现代股票市场中，参与者可以选择许多交易的交易所。交换通常在价格时间优先级规则下作为电子限制订单书籍运行，然后可以将其建模为第一届首次排队排队系统。具有多个交流的市场可以被认为是一个分散的平行排队系统。提交限额订单的异质交易者选择交易所（即队列），在该交易所中，通过对预期延迟进行交易，直到他们的订单可能会订购，可以通过对预期延迟进行交易。可以将这些限制订单视为等待服务的工作。同时，提交市场订单的交易者选择哪种交换（即队列）指导其订单。这些市场订单触发了排队限制订单的瞬时服务完成。以这种方式，服务器是自我感兴趣的，原子交易者提交市场订单的汇总。考虑到投资者跨交易所的订单决策的影响，我们发现该分散市场的平衡表现出州太空崩溃的财产，在该财产中（a）不同交流的队列长度以直觉的方式耦合； （b）市场的行为是通过一维过程来捕获的，该过程可以看作是在所有交易所中的加权总队列长度； （c）可以通过绘制汇总的市场深度过程来推断每个交易所的行为，该过程考虑了异质交易者特征。与队列长度本身相比，这种耦合现象的关键驱动力预计会延迟。在一个月的时间内分析贸易和报价数据集的股票样本，我们发现了对预测的状态空间崩溃的经验支持。单独使用纳斯达克（Nasdaq）自2015年自然收费实验之前和之后的数据，我们再次找到观察到的市场行为与该模型对费用变化的预测之间的协议。
多智能体移动边缘计算网络中具有排队动态的分布式任务卸载优化
摘要 — 任务卸载决策在物联网 (IoT) 中的移动边缘计算 (MEC) 技术中起着关键作用。然而，在没有任何集中通信和计算协调的分布式多智能体网络中，它面临着来自应用层任务排队的随机动态和物理层耦合无线干扰的重大挑战。在本文中，我们研究了考虑上层排队动态和下层耦合无线干扰的分布式任务卸载优化问题。我们首先提出了一种新的优化模型，旨在通过优化多个智能体的卸载阈值来最大化它们的预期卸载率。然后，我们将问题转化为博弈论公式，进一步设计了一个分布式最佳响应 (DBR) 迭代优化框架。分析了博弈论模型中纳什均衡策略的存在性。对于每个代理阈值策略的单独优化，我们进一步提出了一种编程方案，将受约束的阈值优化转化为无约束的拉格朗日优化 (ULO)。单独的 ULO 被集成到 DBR 框架中，使代理能够以分布式方式协作并收敛到全局最优。最后，提供了模拟结果来验证所提出的方法，并证明了其相对于其他现有分布式方法的显著优势。数值结果还表明，所提出的方法可以实现与集中式优化方法相当的性能。
互动研究与分析
摘要。本文从理论角度探讨了排队理论及其与迅速发展的人工智能 (AI) 领域的交集。为了利用人工智能方法解决排队理论问题，提出了一种创新方法，将模拟技术与人工神经网络 (ANN) 相结合。这种结合不仅表现出很高的效率，而且有望在将机器学习方法应用于排队理论难题方面取得长足进步。除了理论基础之外，本文还阐明了排队理论在人工智能领域的实际应用。它展示了来自现实场景的示例，例如在线书店和电子商务平台，以展示各种排队模型的战略部署，以增强用户体验和系统效率。讨论深入探讨了资源分配、负载平衡和服务时间优化等方面的优势。此外，本文推测了排队理论与人工智能之间不断发展的关系，预计未来这种联系将变得更加深刻和有影响力。随着人工智能研究的不断进步，人们期待对复杂排队问题有新的见解，并为在一系列现实场景中管理排队提供创新解决方案。本分析强调了排队理论与人工智能相结合的潜在丰富性，为未来的研究和应用铺平了道路。
资源分配问题的新颖开关型策略网络：技术报告
摘要 - 深处增强学习（DRL）已成为制定排队网络中控制策略的强大工具，但是在这些应用程序中，多层多层感知器（MLP）神经网络的常见使用具有重要的缺点。MLP体系结构虽然多才多艺，但通常会遭受样本效率差和过度合适的培训环境的趋势，从而导致新的，看不见的网络的次优性能。响应这些问题，我们引入了开关型神经网络（STN）体系结构，旨在提高排队网络中DRL策略的效率和概括。从传统的非学习政策中的STN杠杆作用模式，确保在类似状态下进行一致的行动选择。这种设计不仅简化了学习过程，而且还通过减少过度效果的趋势来促进更好的概括。我们的作品提出了三个关键贡献：首先，STN的开发是MLP的更有效替代方案；其次，经验证据表明，在各种培训方案中，STN在各种培训方案中实现了卓越的样本效率。第三，实验结果表明，STN在熟悉的环境中与MLP性能相匹配，并且在新设置中的表现明显优于它们。通过嵌入特定领域的知识，STN增强了近端策略优化（PPO）算法的有效性而不损害性能，这表明其适合各种排队网络控制问题。
不耐烦的客户在马尔努利（Bernoulli）的马尔努利（Bernoulli）时间表工作假期中断和设置时间
研究了M/ M/ 1队列。在电信系统中，这段缺勤时期可能代表服务器在某些次要工作上的工作期。在制造系统中，这些不可生存的周期可能代表执行维护活动或设备故障。Doshi（1986）的调查在文献中受到了极大的关注。在决定服务系统中所需的服务器数量以满足时间变化的需求时，可以使用Balking和Reneging概率来估算Liao（2007）中经理的更实际考虑的损失业务数量。Haghighi and Dimitar（2016），讨论了单个服务器泊松排队系统的繁忙时期，并通过分布和批处理延迟反馈。Vikas和Deepali（2012），研究了与国家相关的批量服务队列，并通过balking，reeneging和服务器度假。最近，Vijaya Laxmi等。（2013）分析了M/M/1/N工作假期队列，带有Balking和Reneging和Vijaya Laxmi等。（2019）介绍了马尔可夫排队系统的分析，该系统具有单个工作假期和不耐烦的客户。abou- el-ata（1991）讨论了使用balking和reeneging的有限缓冲服务器排队系统。在Abou-el-al-Ata和Shawky（1992）中讨论了单个服务器Markovian在流动队列上的分析解决方案。Chia和Jau-Chaun（2010）讨论了具有不可靠服务器和不耐烦客户的多服务器队列的组合算法和参数优化。
更新的广度-深度图表
• EEL4598/5718 数据计算机通信 (3) SS，秋季 • EEL4516/5544 线性系统中的噪声 (3) 秋季 • EEL4599 无线和移动网络 (3) 春季 • EEL6591 无线网络 (3) • EEL6532 信息理论 (3) • EEL6533 统计理论 (3) • EEL6535 数字通信 (3) • EEL6507 队列理论 (3) • EEL6509 无线通信 (3) • EEL6550 误差校正编码 (3)
基于氨基吡咯支架的HIV-1核素蛋白的一类有效抑制剂
能量数据包网络（EPN）由n个块形成的排队网络组成，其中每个块由一个数据队列形成，该数据队列处理工作负载和一个能量队列，可以处理能量包。我们研究一个EPN模型，其中能量数据包启动转移。在此模型中，能量数据包被发送到同一块的数据队列。如果数据队列不是空的，则能量数据包将一个工作负载数据包路由到下一个块，否则会丢失。我们假设能量队列具有有限的缓冲尺寸，并且如果缓冲区满足时，可以执行缓冲区时能量数据包到达系统，则执行跳跃障碍（JOB），因此，由于某种概率，它将发送到数据队列，否则会丢失。我们首先提供了跳跃阻塞概率的值，以便队列中数据包的稳态概率分布允许产品形式解决方案。在FCF，Preemptive LCF和PS纪律下为多类数据包队列建立了产品表格。此外，在有向树排队网络的情况下，我们表明每个子树中的数据数据包数量随着每个块的工作概率增加而减小。©2021作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。