XiaoMi-AI文件搜索系统
World File Search SystemRCPSP
用量子退火算法解决资源受限的项目调度问题
量子退火是一种有前途的方法，可用于解决资源受限项目调度问题 (RCPSP) 等复杂调度问题。本研究首次应用量子退火来解决 RCPSP，分析了 12 个众所周知的混合整数线性规划 (MILP) 公式，并将量子比特效率最高的公式转换为二次无约束二进制优化 (QUBO) 模型。然后，我们使用 D-wave advantage 6.3 量子退火器解决该模型，并将其性能与经典计算机求解器进行比较。我们的结果表明，该算法具有巨大的潜力，尤其是对于中小型实例。此外，我们引入了目标时间和 Atos Q 分数指标来评估量子退火和逆量子退火的有效性。本文还探讨了高级量子优化技术，例如定制退火计划，以增强我们对量子计算在运筹学中的理解和应用。
飞机装配线中的操作员分配问题 - oatao
本研究解决了飞机最终装配线 (FAL) 中操作员的工作分配问题。这些生产线主要是手动和定节奏的。由于未能按时交货可能会给制造商带来巨额罚款，因此满足每个工作站的进度安排至关重要。我们认为任何工作站要执行的任务都已经定义好，并且具有所需技能的操作员集合已经分配给每个工作站。优化问题的范围是一个工作站及其所有任务和操作员。所考虑的优化问题的目标是将所有任务分配给可用的操作员，同时尊重经济（节拍时间）和人体工程学约束。这个问题可以看作是资源受限项目调度问题 (RCPSP) 的一个特例。RCPSP 是一个强意义上的 NP 难题，这意味着没有可用的算法可以在合理的时间内为大规模工业实例找到最优解。在本研究中，我们开发了基于约束规划和整数规划模型的新优化方法来解决这个问题。为了利用时间缓冲区来管理工作过程中可能出现的延迟，目标是找到一个具有最小完工时间的时间表。
通过AI和战场数字双胞胎增强军事行动：整合贝叶斯优化，遗传算法和强化学习
本文提出了一种使用先进技术（例如贝叶斯优化（BO），遗传算法（GA）和加固学习（RL）等先进技术来优化军事行动的综合方法。该研究重点关注三个关键领域：防御行动中的单位处置，消防支持计划和下属单位的任务计划。对于单位处置，BO用于优化基于战场指标的营的位置，汤普森采样采集功能和周期内核可实现卓越的结果。在消防支持计划中，GA用于最大程度地减少威胁水平和发射时间，以有限的资源下解决资源受限的项目调度问题（RCPSP）。最后，开发了用于任务计划的RL模型，结合了多代理增强学习（MARL），图形注意网络（GAT）和分层增强学习（HRL）。RL模型通过模拟战场场景来展示其在产生战术操作方面的有效性。这种方法使军事决策者能够增强复杂环境中运营的适应性和效率。结果强调了这些优化技术支持军事指挥和控制系统在实现战术优势方面的潜力。