近年来,游戏 AI 研究取得了巨大突破,尤其是强化学习 (RL)。尽管取得了成功,但底层游戏通常是使用自己预设的环境和游戏机制实现的,因此研究人员很难为不同的游戏环境设计原型。然而,针对各种游戏环境测试 RL 代理对于最近研究 RL 泛化并避免可能发生的过度拟合问题至关重要。在本文中,我们介绍了 Griddly 作为游戏 AI 研究的新平台,它提供了高度可配置的游戏、不同的观察者类型和高效的 C++ 核心引擎的独特组合。此外,我们还提出了一系列基线实验来研究不同观察配置和 RL 代理泛化能力的影响。
摘要 大气水收集 (AWH) 装置代表着解决全球水资源短缺问题的巨大希望。AWH 技术的迅猛发展和各种 AWH 技术的广泛传播将极大地促进 AWH 机器在不同家庭、农业和工业应用中的实施。在过去的几十年中,人们对 AWH 方法进行了大量研究,但结果差异惊人,误导了读者甚至研究人员。在本研究中,回顾了 AWH 理论技术的发展、各种 AWH 方法和市场上的各种 AWH 机器。对不同的理论方法进行了比较,着重统一基于面积和单位收获量能耗的结果,以便对不同的已发布数据进行清晰判断。阐述了理论与市场现有设备之间的差距,并提出了进一步开发 AWH 技术的建议。
通常,由于持续的磨损,这会缩短电池寿命。• 太阳能电池板串联和/或并联连接,产生高电压和/或高电流直流电。这可能会导致问题,即组合直流源的 IV(电流-电压)曲线没有单个最大功率点(MPP)。这意味着 MPPT 太阳能充电控制器可能无法找到 MPP,从而导致太阳能收集不良。• 在这种情况下,没有真实或可靠的 MPPT(最大功率点跟踪)。再加上部分遮光问题,太阳能充电操作显然不是很有效。因此,系统需要更多的电池和更大的太阳能充电控制器。• 此外,高直流电流有风险,高直流电压会产生电弧并引起火灾。
自动决策是一个涵盖 AI 多个子学科的基本主题:强化学习 (RL)、AI 规划 (AP)、基础模型和运筹学等。尽管最近努力“弥合”这些社区之间的差距,但仍有许多见解尚未超越界限。本文的目标是提供一份简短且非详尽的入门知识,介绍 AP 中众所周知但在其他子学科中不太为人所知的思想。我们通过介绍经典的 AP 问题和表示,以及通过马尔可夫决策过程形式主义处理不确定性和时间的扩展来实现这一点。接下来,我们将调查解决 AP 问题的最新技术和想法,重点关注它们利用问题结构的能力。最后,我们介绍 AP 中的子领域,用于从非结构化输入中学习结构,并学习推广到未见过的场景和情况。
电容的车辆路由问题(CVRP)是NP优化概率(NPO),在包括运输和物流在内的各种领域都会出现。CVRP从车辆路由问题(VRP)延伸,旨在确定一辆车辆最有效的计划,以将货物运送到一组客户,但要遵守每辆车的有限承载能力。作为可使用的解决方案的数量,当客户数量增加时,找到最佳解决方案仍然是一个重要的挑战。最近,与经典启发式方法相比,量子近似优化算法(QAOA)是一种量子古典杂种算法,在某些组合优化概率上表现出增强的性能。但是,它的能力在解决包括CVRP在内的受约束优化问题方面显着降低。此限制主要来自将给定问题编码为
本文提出了一种优化问题公式,以通过多航天器监测解决地月空间域感知 (SDA) 的挑战。由于关注点范围广以及动态环境丰富,传统的地球架构设计方法难以满足地月 SDA 的设计要求;因此,越来越需要在地月轨道上部署多航天器系统以实现 SDA。基于多航天器的地月 SDA 架构的设计会产生一个复杂的多目标优化问题,其中必须同时考虑航天器数量、可观测性和轨道稳定性等参数。通过使用多目标隐基因遗传算法,本研究探索了与地月 SDA 问题相关的整个设计空间。演示案例研究表明,我们的方法可以提供针对成本和效率进行优化的架构。
20 世纪 90 年代初,当美国空军正在处理发动机故障时,Jeff Dulaney 一直在巴特尔哥伦布实验室率先研发一项名为激光冲击喷丸的新技术。激光喷丸工艺使用激光向金属发射强大的冲击波,在材料中产生压缩残余应力,从而延长其使用寿命。Dulaney 意识到他所做的工作可以解决 B-1 风扇叶片损坏的问题。Dulaney 和巴特尔的其他同事与 GE 航空合作,在 GE 航空设施中安装激光喷丸解决方案。1995 年,这一合作关系促成了俄亥俄州都柏林 LSP 科技公司的成立,Dulaney 和他的团队在那里进一步开发了该技术,用于商业和国防用途。Dulaney 申请并获得了空军的小企业创新研究合同,同年他成立了 LSPT 来资助该开发。
培养儿童解决问题的能力是一项具有挑战性的问题,对我们社会的未来至关重要。鉴于人工智能 (AI) 已被用于解决各种领域的问题,AI 提供了独特的机会,可以通过大量激发儿童好奇心的任务来培养解决问题的能力。为了实现这一目标,有必要解决 AI 经常出现的无法解释的“黑匣子”。为了实现这一目标,我们设计了一种协作人工智能算法,该算法使用人机交互方法,让学生发现自己问题的个性化解决方案。该协作算法以最先进的 AI 算法为基础,并利用其他可解释结构(即知识图谱和决策树)来创建一个完全可解释的过程,能够完整地解释解决方案。我们描述了该算法在解决魔方时的应用以及我们计划的用户界面和评估方法。
sion 周期为 450 毫秒或 1.25 秒或更长。这会使任何按键延迟多达一个循环周期,如果有错误,延迟会更长。使用前向纠错系统,也不可避免地存在延迟,因为信息会随时间传播。在实时双向联系中,在传输交接点处延迟会加倍。我相信这些延迟使此类系统不宜用于双向通话。这与其说是技术问题,不如说是人为问题。此类别中的另一个因素涉及信息内容的质量如何随着无线电链路质量的变化而变化。在 SSB 或 CW 等模拟传输系统中,两者之间存在线性关系。操作员一直都知道这一点,并在潜意识中考虑到它:他们本能地改变语速和语调,甚至选择适合情况的谈话主题。在数字模式下,空中的信噪比 (S/N) 与