XiaoMi-AI文件搜索系统
World File Search System代理的
基于人工智能的旅游促进器和信息代理的设计与开发
摘要：由于对旅行前后和旅行期间的信息支持需求的快速增长，许多旅游系统应运而生。然而，这些系统无法成功取代昂贵的人工导游。人工导游的主要关键素质是其知识、沟通技巧和对目的地景点的解读。传统的旅游导游系统缺乏这些素质。这项研究的主要思想是设计一个代理来引导游客，为他们提供有关可参观地点的准确信息，不受特定区域的约束，它将具有类似人类的沟通技巧以及兴趣点知识，这取决于其内部知识库及其在线搜索技术。
精灵与Jarvis：车载智能代理的特征和设计注意事项
广泛的研究提出并研究了IVA。功能目标以及设计功能已被深入讨论。ivas可以支持驾驶和非驾驶相关的任务[3,8]，提供信息和协助任务以减少驾驶员的认知需求[9]，提供反馈以减轻驾驶员情感状况对驾驶安全的影响[4,14]，并促进驱动驾驶经验[10,11]。代理的形式，例如纯语音代理[11]，虚拟药物[3]和体现的代理[9,11]，是车载剂的广泛讨论的特征。其他设计特征，例如语音特征（例如语音性别[1]，语音年龄[6]），语音样式（例如，信息性与对话性[11]，自信与非信任[15]，简化与复杂命令[2]），
开发运输和供应链问题与基于代理的模拟和网络优化的组合
第一个案例研究表明，如何使用挪威，芬兰和瑞典的人口密度，可以通过使用从分配中心（DC）之间的距离到距离的距离来确定策略。在每种情况下，旅行时间地图将启动。此外，分析了这三个国家的北欧地区，并将五个可能的位置作为优化收入。另一项案例研究介绍了该过程中的运输成本建模，其中从几个区域收集木材并运输到最近的收集点。该研究项目提出了一个基于代理的建模（ABM），该建模（ABM）全面结合了取货和供应链模型的核心，并将组件设计为交流自主代理。建模结合了各种组件，例如GIS路线，房屋的可能位置，偶尔的木材搜索地点，设备尺寸，距离长度和多格式传输。abm用于建模整个接送和交货链，并导致描述使用的卡车以及储存量和旅行的时间集。此外，评估了潜在植物位置和卡车数量的不同模拟方案，并确定了所需的汽车的最佳位置和数量。在第三个案例研究中，基于代理的建模策略用于解决优化车辆计划和设备的问题。解决方案的方法用于来自真实组织的数据，并创建了许多关键的性能指标来评估解决方案的效率。
基于多代理的混合能源的最佳操作与需求响应程序
摘要：电力是必不可少的商品，城市和农村地区都在很大程度上依赖。主要网格无法达到的农村地区利用分布式能源（DER），尤其是可再生能源（RES），在岛的微电网中。因此，有必要确保有足够的电源来平衡需求和供应曲线并满足人们的需求。本文所做的工作旨在最大程度地减少混合微电网的每日运营成本，同时结合基于激励需求响应（IBDR）模型的需求响应策略。进行了三个案例研究并分析，以得出最佳，最少的日常运营成本。这是使用具有多代理系统（MAS）的高级交互式多维建模系统（AIMMS）软件中嵌入代数建模语言中的CPLEX求解器来实现的； MAS用于确保开发的智能代理独立工作以实现最佳的微电网系统。所采用的敏感性分析确定，案例研究2的日常运营成本最少（119美元），这是案例研究1的每日运营成本减少8％，案例研究降低了9％。与其他方法相比，我们降低了17％和25％。
通过渐进式去中心化管理代理对代理的信任经济
当前的人工智能治理方法往往无法预测人工智能代理管理关键任务（例如财务运营、行政职能等）的未来。由于人工智能代理最终可能会在彼此之间委派任务以优化效率，因此了解人类价值交换的基本原则可以深入了解人工智能驱动型经济的运作方式。正如信任和价值交换是开放市场中人类互动的核心一样，它们对于实现人工智能代理之间的安全高效互动也至关重要。虽然加密货币可以作为人工智能代理之间协作和委派动态中价值交换货币化的基础，但一个关键问题仍然存在：这些代理如何可靠地确定信任对象，以及随着人工智能代理经济的扩大和发展，人类如何确保有意义的监督和控制？本文呼吁集体探索加密经济激励措施，这可以帮助设计去中心化的治理系统，使人工智能代理能够自主交互和交换价值，同时通过渐进式去中心化确保人类监督。为此，我提出了一项研究议程，使用 AgentBound 代币 (ABT) 来解决代理与代理之间的信任问题。ABT 是一种不可转让、不可替代的代币，与单个 AI 代理唯一绑定，类似于 Web3 中人类的 Soulbound 代币。通过权益证明机制将 ABT 作为代理与代理网络内自主行动的抵押品，代理可能会受到激励，促使其采取道德行为，并自动执行对不当行为的处罚。
合作游戏环境中人工智能代理的心理模型（扩展摘要）∗
随着越来越多的人工智能形式变得普遍，了解人们如何开发这些系统的心智模型变得越来越重要。在这项工作中，我们研究了人们在合作猜词游戏中对人工智能代理的心智模型。我们进行了一项研究，让人们与人工智能代理一起玩游戏，同时“大声思考”；通过主题分析，我们确定了参与者开发的心智模型的特征。在一项大规模研究中，我们让参与者在线与人工智能代理玩游戏，并使用赛后调查来探究他们的心智模型。我们发现，获胜次数更多的人通常对人工智能代理的能力有更好的估计。我们提出了用于建模人工智能系统的三个组成部分——全局知识、局部知识和知识分布，并提出了解底层技术不足以开发适当的概念模型——行为分析也是必要的。
Amiris：基于代理的市场模型，用于调查可再生和综合能源系统
Amiris是基于代理的模型（ABM），用于模拟电力市场。这种自下而上的模型的重点是能源系统中参与者的面向业务的决策。这些参与者在模型中被表示为典型的代理，每种都有自己的复杂决策策略。Interia，招标决定基于对电力市场价格和发电预测的评估（Nitsch，Deissenroth-Uhrig等，2021年），并且可以对不同时间尺度的不同参与者进行建模。尤其是，代理商的行为不仅反映了边际价格，而且还可以考虑支持工具的影响，例如市场溢价，不确定性和有限的信息或市场力量（Frey等，2020）。这允许评估哪种政策或市场设计最适合经济有效的能源系统（Torralba-Díaz等，2020）。模拟生成了发电厂的派遣和灵活性选项，技术特定市场价值，系统成本或二氧化碳排放的结果。模型的一个重要产出是模拟市场价格（Deissenroth等，2017）。
使用基于代理的模拟评估复杂作战环境中的后果场景
估计此信息收集的公共报告负担平均为每份回应 1 小时，包括审查说明、搜索现有数据源、收集和维护所需数据以及完成和审查收集信息的时间。请将有关此负担估计或此信息收集的任何其他方面的评论（包括减轻负担的建议）发送至国防部华盛顿总部服务处信息行动和报告局 (0704-0188)，1215 Jefferson Davis Highway, Suite 1204, Arlington, VA 22202-4302。受访者应注意，尽管法律有任何其他规定，但如果信息收集未显示当前有效的 OMB 控制编号，则任何人均不会因未遵守信息收集而受到任何处罚。请不要将您的表格寄回上述地址。
心理上的生成代理：一种基于代理的社会科学建模的新型方法
将动态现实的人类行为纳入人口规模的计算模型一直是挑战。虽然一些努力从社会科学中利用了行为理论，但已有验证的理论专门应用于基于代理的建模仍然有限。现有方法缺乏一个全面的框架来建模人类认知和选择的适应性本质。为了应对这些挑战，本文提出了一个新颖的框架，心理上的生成代理。这些代理由一种认知体系结构组成，该认知架构提供了数据驱动的和认知约束的决策功能，以及生成类似人类语言数据的大语言模型。此外，我们的框架是一种自然语言处理技术的立场检测，它允许在基于代理的建模模拟中基于现实世界数据的高度个性化初始化代理。这种组合提供了一种灵活但结构化的方法，以内源性表示人们如何看待，故意和对社交或其他类型的复杂决策动态做出反应。以前的工作通过使用我们提出的体系结构的组件的子集证明了有希望的结果。我们的方法有可能表现出高度现实的人类行为，并且可以在各个领域（例如公共卫生，群体动态，社会和心理科学以及金融市场）中使用。
贪吃蛇游戏中人工智能与人类代理的搜索算法比较。
背景：人工智能 (AI) 是计算机科学的核心分支之一。AI 的使用一直在迅速增加。AI 的主要实现来源是游戏。通过使用 AI，游戏中的非玩家角色 (NPC) 得以发展。在游戏中实现 AI 的方法有很多，最常用的方法是搜索方法。在游戏中实现 AI 时使用不同的搜索算法。A 目标：本论文的主要目标是比较 AI 中的搜索算法 () 并与使用蛇形游戏的人类代理进行对比。方法：对搜索算法进行文献综述。根据文献综述的结果，在蛇形游戏中实现了一些算法。结论：从文献综述中，我们总结出了一些最适合搜索算法的算法。经过实验，我们得出结论，A* 搜索算法比广度优先搜索、深度优先搜索、最佳优先搜索、汉密尔顿搜索算法效果更好。