XiaoMi-AI文件搜索系统
World File Search System决策模型
需求受相关性影响的设备备件库存优化 - 工业工程
摘要：备件多级库存模型通常建立在备件需求相互独立的假设基础上，但随着库存系统层次的提高和协同管理的应用，备件需求的相关性将显著影响库存优化决策。针对需求相关的备件库存问题，以服务响应时间为约束，以最小化库存成本和缺货成本为目标，建立了备件两级库存决策模型。利用Nataf概率变换，从得到的边际概率密度函数中构造满足指定相关性条件和概率分布的随机样本，结合蒙特卡洛模拟和遗传算法求解最优库存分配方案。仿真结果表明，备件库存最优决策随着需求相关系数的增大而发生变化。调整库存
考虑用电形态相似度的多用户共享储能投资决策
摘要：由于可再生能源在电网中的大规模渗透，储能（ES）设备的利用（ES）设备促进可再生能源消耗并降低用户成本已逐渐成为发展趋势。彻底探索了ES在用户方面的经济利益，并建立了ES的全面好处模型。此外，还建立了共享ES容量配置的投资决策模型。基于每日负载概况的相似性，提出了一种基于高和低相似性的用户选择方法，以提高共享ES的收入。一个示例用于分析和比较用户在高和低负载概况相似性下共享的ES的收入。给出了投资决策的共享能力配置，以实现更大的共享经济利益，这与用户数量呈正相关。
基于软件的网络的量子弹性
Houtan Houshmand 博士是富士通的首席技术官研究主管。Houtan 在 IT 架构和系统设计方面拥有 35 年的经验，并在多个联盟内开展了超过 13 年的研究合作。Houtan 一直是态势感知、运营物流决策支持、信息知识管理系统和企业架构能力等主题的广泛研究项目的技术负责人和贡献者。他的专业和兴趣是多模态代理系统，具有神经符号 AI 知识表示和图形网络中的 ML，包括强化学习、数据中心安全 (DCS)、基于逻辑的推理和概率决策模型、合成环境建模和模拟驱动的优化。Houtan 是富士通杰出工程师，拥有曼彻斯特大学计算机网络建模和性能分析博士学位。
航空团队的决策工具：FOR-DEC 及其他
摘要：许多案例研究表明，团队中非结构化的决策过程是导致事故的因素。在没有任何预配置解决方案的情况下，航空公司已经开发了决策模型。在我们的文章中，我们概述并比较了不同的模型。我们讨论了汉莎航空和德国航空航天中心开发的 FOR-DEC。报告了一项关于飞行员使用 FOR-DEC 经验的探索性研究以及与飞行员和非航空高风险领域的专家一起举办的研讨会的结果。当有足够时间时，该模型可用于在复杂情况下进行结构化决策。此外，FOR-DEC 的一些扩展可能会有所帮助，例如，将专家知识整合到决策过程中，并将团队明确整合到决策过程中。结果以 FOR-DEC 为例，为决策工具的有效实施、应用和培训提供了建议。
态势感知：技术、挑战和前景
摘要：态势感知 (SA) 是指对环境中实体的感知、对其含义的理解以及对其近期状态的预测。从空军的角度来看，态势感知是指理解和预测空域内红蓝飞机和地面威胁的当前和未来部署的能力。在本文中，我们提出了一种态势感知和动态决策模型，该模型结合了人工智能和动态数据驱动的应用系统，以根据不断变化的情况调整测量和资源。我们讨论了态势感知的测量以及与态势感知量化相关的挑战。然后，我们详细阐述了有助于改进态势感知的大量技术，包括不同的情报收集模式、人工智能和自动视觉系统。然后，我们介绍了态势感知的不同应用领域，包括战场、灰色地带战争、军事和空军基地、国土安全和防御以及关键基础设施。最后，我们在文章的最后对态势感知的未来进行了展望。
军事物流中RFID投资的评估...
摘要 - 射频识别 (RFID) 是一种新兴技术，最近已应用于众多商业和公共领域。RFID 的大多数军事应用都集中在物流系统上。由于 RFID 投资需要很高的初始成本，而且短期内很难看到其收益，因此需要一个适当的投资决策模型。本研究的目的是提出一个将 RFID 集成到军事物流系统 (MLS) 中的生命周期成本 (LCC) 模型。该研究主要关注将 MLS 与 RFID 集成和运行的成本是否值得投资的问题。本研究的结果提供了一个战略路线图，使决策者能够根据当前和 RFID 集成 MLS 的 LCC 比较来确定所考虑的物流系统是否是 RFID 技术集成的良好候选者。本研究还阐明了可能的成本参数及其对 MLS 中实施 RFID 技术总成本的影响。
AI和学习分析的革命
个性化教育通过人工智能和数据分析的整合而彻底改变了革命，从而创造了适合个人学生需求的自适应学习体验。这些技术利用复杂的学习分析引擎，AI决策模型，自适应内容输送系统和实时反馈机制来处理大量的学习者数据。本文涵盖了各种AI方法 - 包括用于学生建模的机器学习，用于内容分析的自然语言处理以及用于途径优化的强化学习 - 同时应对数据互操作性，算法透明度以及平衡自动化等技术挑战。诸如可汗学院的精通学习系统和卡内基学习的认知导师等成功实施的案例研究表现出具体的好处，而多模式学习分析，边缘计算和知识表示的新兴技术有望进一步提高教育效率。
整个生命周期的道德学习和决策
抽象的道德学习和决策从婴儿期到老年至关重要。新兴的证据表明，在道德情况下我们的学习和决定存在重要差异，并且可以通过共同存在的基于模型的价值观和心理理论的方式来支持这些差异。在这里，我们回顾了关于道德选择和道德学习的决定神经科学文献，考虑了四个关键概念。这些概念是学习和体验道德情绪，学习并决定他人的道德特征，道德学习和决定他人以及道德影响和传染。我们使用基于价值的决策框架专注于最近的行为和神经影像学发现，以表明如何使用决策模型来确定这些概念的计算机制，揭示其神经相关性，并最终在整个寿命中提供了道德的机械学说。关键字：道德，决策，寿命，计算，学习，大脑
一种新的群体收集任务方法，用于持续的情境意识
涉及移动临时传感器代理的群技术应用程序越来越多地扩展到多个军事问题领域，例如战术智能，监视，目标获取和侦察（ISTAR）。在Istar中，由半自主传感器组成的团队合作实现了收集任务和执行，以弥合信息需求和信息收集之间的差距，以保持持久的情境意识。最新的贡献在很大程度上暴露了多维问题的复杂性。突出显示有限的板载传感器平台资源能力和能源预算，他们经常采用临时规定的传感器行为，从而导致过度保守的连接限制，偏见的决策和/或融合解决方案结构。这些可能会任意传达巨大的机会成本，并有害影响整体绩效。提出了一种创新的方法来处理移动临时传感器网络/群集收集任务问题，但要遵守有限的处理能力和有限的能源预算，以进行数据传播/通信路由。在有限的车载电源注意事项的驱动下，收集计划是集中式的，并由群体领导者进行了情节介导，而计划执行则分散。收集计划依赖于带有反馈决策模型公式的新开环。它是反复解决在退缩时间范围内最大化收集值的静态决策问题。情节决策由传入的请求，累积收集价值，持续的资源承诺，剩余资源能力和上一个阶段的反馈来调节。该方法结合了一个新的紧凑图表表示和一个合理的近似决策模型，以执行传感器代理路径计划优化，但要定期连接，以实现信息共享，融合，情境意识和动态解剖/计划。提出的最小跨越树沟通方案赋予了群体拓扑意识，并结合主张的连通性约束处理方法提供了理想的灵活性，以显着扩大整体可观察的域；探索更大的解决方案空间；减少能耗；最大化网络范围；并提供预期的收集最终提高情境意识。
APAHF 航空团队实践决策工具：FOR-DEC 及其他
摘要：许多案例研究表明，团队中非结构化的决策过程是导致事故的因素。在没有任何预配置解决方案的情况下，航空公司已经开发了决策模型。在本文中，我们概述并比较了不同的模型。我们讨论了汉莎航空和德国航空航天中心开发的 FOR-DEC。报告了一项关于飞行员使用 FOR-DEC 的经验的探索性研究以及与飞行员和非航空高风险领域的专家一起参加的研讨会的结果。当有足够的时间时，该模型可用于在复杂情况下进行结构化决策。此外，FOR-DEC 的一些扩展可能会有所帮助，例如，将专家知识整合到决策过程中，以及将团队明确整合到决策过程中。结果为使用 FOR-DEC 的示例有效实施、应用和培训决策工具提供了建议。