XiaoMi-AI文件搜索系统
World File Search Systemscheduling
整合机器学习和操作研究方法，以进行调度问题：文献分析和文献综述
摘要：操作研究（OR）技术已被广泛用于优化问题，例如制造计划，供应链优化和资源分配。尽管具有传统或尤其是确切的方法，但通常在可伸缩性，计算效率和对行业4.0的动态和不确定环境的适应性方面遇到困难。尽管机器学习（ML）的进步提供了解决这些挑战的新方法，但它们还提出了局限性，例如缺乏保证精确的解决方案和相关数据的需求。因此，OR和ML的集成提供了一个平衡的解决方案，利用ML从大型数据集中提取模式并做出预测性决策和OR的精确度以增强决策过程，尤其是在使用行业4.0的环境安排任务的过程中。这种组合不仅提高了解决方案的鲁棒性和效率，而且还可以减轻两个领域的个人局限性。并根据不确定性做出预测性决策补充了OR的决策过程。本文旨在对ML的整合和OR，重点介绍其在调度问题中的应用。关键字：行业4.0，调度，操作研究，机器学习
可再生能源不确定性下本地能源社区发电调度的随机优化
我要衷心感谢所有为本论文项目做出贡献的人。这项研究工作是在里尔电气工程和电力电子实验室 (L2EP, Laboratoire d'Electrotechnique et d'Electronique de Puissance de Lille) 进行的。本论文得到了中国国家留学基金委员会 (CSC) 的资金支持，对此我深表感谢。首先，我要向 Bruno FRANCOIS 先生表示诚挚的谢意，他在这三年里指导了我的工作。我欣赏他对研究工作的态度、他耐心的宝贵指导以及他对研究领域的前瞻性观点。他不仅向我传授知识，还以他的专业精神和道德为榜样教会了我。我还要衷心感谢我的联合导师 Dhaker ABBES 先生，他总是为我提供建设性的建议和科学支持。在他的善良、鼓励和热情下，与他一起工作真的是一种荣幸。我很荣幸 Florence OSSART 女士和 Robin ROCHE 先生同意审阅这篇论文。他们的问题和意见对我准备论文答辩和改进论文非常有帮助。我还要感谢评审团主席 Luce BROTCORNE 女士和评审团成员：François VALLEE 先生、Jérôme BOSCHE 先生、Nouredine HADJSAID 先生和 Vincent DEBUSSCHERE 先生，他们在答辩期间对我的工作进行了深刻的评估。在这三年里，多亏了 L2EP 的同事们，我有机会在非常好的氛围中工作。我衷心感谢他们所有人的热情和在困难时期的倾听。我向闫星宇表示最诚挚的感谢，他在我研究工作的开始阶段以极大的耐心为我提供了无数的科学支持和指导。我要感谢 Xavier CIMETIERE、Kongseng BOUNVILAY、Loïc CHEVALLIER 和 Sylvie DEZODT 在我就读里尔经济学院期间给予我的善意和帮助。非常感谢 Haibo、Reda、Lorraine、Meryeme、Houssein、Emre、Ebrahim（还有其他很多人，我无法在此一一列出名字），感谢他们的鼓励以及我们在一起度过的所有美好时光。我要从心底向我的家人表达无限的感激。如果没有他们在我求学期间无条件的鼓励和支持，这一切都不可能实现。他们以身作则教我如何面对困难，以及只有努力工作才能取得好成绩。最后，我要感谢我的男朋友 Yuliang，他一直很理解、耐心和支持我；他给了我成功开展研究工作的力量；无论欢乐还是悲伤，他总是用他的爱和信任陪在我身边。
加载能源社区的需求响应的日程安排
本文着重于通过安排成员的负载来优化能源社区中的集体自我消费率。社区仍与公共网格连接，并包括供应商，传统消费者和分布式存储单元。生产商可以将其精力与公共电网或其他成员交换。拟议的策略旨在利用可控负载的特征来实施需求侧管理计划。问题的MILP配方允许一方面为电气设备的操作提供最佳计划。另一方面，它提供了用于管理存储单元，对等交换和与公共网格的交互的最佳解决方案，以最大程度地减少公共网格的能量流。但是，此MILP仅允许解决小问题实例。因此，我们为大型问题实例开发了基于列的启发式启发式。我们基于法国南部收集的实际数据的数值实验表明，加入能源社区可以节省能源账单上的资金，并将从主要网格中汲取的总能量减少至少15％。
动态随机车间调度问题...
这项研究介绍了一个不可靠的随机工作店，随机工作。由于分析解决问题的某些复杂性，基于仿真的优化被这里采用。该问题是在企业动力学软件中建模的，并且使用Taguchi方法获得了决策变量的最佳值。这项研究有三个决策变量和两个目标。目标是MakePan和持有，短缺和维护成本的总和。这项研究努力获得调度规则的最佳价值，预防性维护时间和缓冲级，以最大程度地减少目标函数。通过数值问题和适当的调度规则，确定最佳预防性维护期和最佳缓冲区级别来评估所提出的方法。此模型可用于处理时间和失败的任何目标函数以及任何分布功能。这项研究的新颖性可能是考虑到失败的作业店，在动态条件和随机处理时间和失败时间以及随机的工作到达中。
含电动汽车电池更换站的孤立微电网优化调度
进入21世纪以来，我国发展迅速，电动汽车作为汽油车的替代逐渐进入大众视野。目前，电动汽车换电问题正成为制约其发展的主要因素，新能源的合理开发与研究成为当务之急。微电网成为符合要求的合理产品。然而微电网系统并非十全十美，如今的换电站集充放电储能功能于一体，与微电网互动形成能量交换。然而，如今的微电网系统面临能源供需关系紧张、负荷不稳定等问题。如何协调微电网与电动汽车换电站两个运营主体的良好互动，保证各自的利益，最终实现节能减排、利于社会发展的目标具有很强的现实意义。
使用整数线性规划的绿色数据中心独立可再生能源系统调度
摘要 考虑到数据中心在世界各地的分布及其巨大的能源消耗，一些研究人员专注于任务调度和资源分配问题，以尽量减少数据中心的能源消耗。其他举措则侧重于实施绿色能源，以尽量减少化石燃料的消耗和二氧化碳排放。作为 ANR DATAZERO 项目 [ 34 ] 的一部分，一些研究团队旨在定义完全绿色数据中心的主要概念，该数据中心仅由可再生能源供电。为了实现这一目标，必须注重高效管理由太阳能电池板、风力涡轮机、电池和燃料电池系统组成的自主混合动力系统。这项工作的目的不是证明独立的数据中心在经济上可行，而是证明其可行性。本文提出了一组基于混合整数线性规划的模型，该模型能够管理能源承诺，以满足数据中心的电力需求。该方法在优化时会考虑季节和天气预报。
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。
预计每学期开设的课程 机器人与自主系统 以下课程表基于历史模式和预期安排。
课程编号 课程名称 先修课程* 夏季 秋季 春季 525.610 机器人系统的微处理器 525.637 强化学习基础 O 525.642 使用 VHDL 进行 FPGA 设计 O VL/O VL/O 525.645 现代导航系统 OO 525.661 无人机系统与控制 525.609 OO 525.728 检测与估计理论 525.614 VL O 525.777 控制系统设计方法 525.666, 525.609 IP（奇数） 535.622 机器人运动规划 OO 535.630 机器人运动学与动力学 OO 535.642 机械工程控制系统 O 535.645 数字控制与系统应用 535.642 O 535.724 机器人动力学和航天器 O 535.726 机器人控制 535.630 IP 535.741 最优控制与强化学习 535.641 O 605.716 复杂系统的建模与仿真 VL 605.724 应用博弈论 O 605.745 不确定性下的推理 O 625.615 优化简介 OO 625.741 博弈论 625.609*, 625.603* O (偶数) 625.743 随机优化与控制 625.603* VL (奇数) 665.645 机器人人工智能 VL VL VL 665.681 传感系统的应用 AS.110.109, 605.206 VL VL VL 665.684 机器人系统开发685.621, 535.641, 605.613, 535.630 VL VL VL
计算和通信协同调度，实现无线边缘的及时多任务推理
摘要 — 在多任务远程推理系统中，智能接收器（例如，指挥中心）使用从多个远程源（例如，边缘传感器）接收的数据特征执行多个推理任务（例如，目标检测）。在这些系统中促进及时推理的关键挑战来自 (i) 源的计算能力有限，无法从其输入中产生特征，以及 (ii) 信道的通信资源有限，无法同时将特征传输到接收器。我们开发了一种新颖的计算和通信协同调度方法，该方法确定特征生成和传输调度，以最大限度地减少受这些资源限制的推理错误。具体来说，我们将协同调度问题表述为弱耦合马尔可夫决策过程，以基于信息时代 (AoI) 的及时性来衡量推理错误。为了克服其 PSPACE 难度，我们分析了该问题的拉格朗日松弛法，从而得出增益指标，用于评估每个潜在特征生成-传输调度操作的推理误差的改善。在此基础上，我们开发了一种最大增益优先 (MGF) 策略，我们证明，随着推理任务数量的增加，该策略对于原始问题而言是渐近最优的。实验表明，MGF 相对于不同任务、渠道和来源的基线策略获得了显着的改进。
AHMADI, Seyed Ehsan、MARZBAND、Mousa、IKPEHAI、Augustine 和 ABUSORRAH, Abdullah (2022)。插电式电动汽车的最优随机调度
a 诺森比亚大学，电力与控制系统研究组，英国，纽卡斯尔，Ellison Place NE1 8ST b 阿卜杜勒阿齐兹国王大学，可再生能源与电力系统研究卓越中心，沙特阿拉伯，吉达，21589 c 谢菲尔德哈勒姆大学，工程与数学系，英国，谢菲尔德，S1 1WB d 阿卜杜勒阿齐兹国王大学，工程学院，电气与计算机工程系，KA CARE 能源研究与创新中心，沙特阿拉伯，吉达，21589