XiaoMi-AI文件搜索系统
World File Search System分配任务
为常驻人员安排深空雷达运行计划...
随着太空变得越来越拥挤和竞争激烈，竞争对手威胁重要资产和利用该地区获取军事优势的新能力使得美国比以往任何时候都更需要熟练地跟踪和监控太空交通和碎片。然而，目前国防部用于跟踪深空物体的雷达系统的运行方式是劳动密集型、不协调和低效的。在本文中，我们通过自动化和协调雷达调度过程来解决这些问题。我们考虑了几个在异步分布式环境中运行的复杂雷达系统，它们以不同的优先级、时间窗口、到达频率和任务要求为目标空间物体。我们开发了一个混合整数程序，能够智能地分配任务请求并以符合用户目标和系统特征的方式构建雷达转向计划。我们随着时间的推移反复解决优化问题，同时在整个规划过程中接收和整合更新的信息、新任务请求和可用反馈。我们在各种战术军事场景中测试了我们的方法，并表明与基线贪婪算法相比，基于优化的方法使我们能够保管更多空间物体，更好地优先考虑高价值物体，并降低运营成本。我们得出结论，自动、集中的调度方式对于空间态势感知 (SSA) 任务来说是可行且有益的。
OPNAVINST 5222.1B CH-1 DNS-1 28 Mar 2024 OPNAV ...
d. 国防部长办公室 (OSD) 的任务分配。OSD 的所有任务均由 SECNAV Admin 在 ETMS2 中委派。OSD 和联合参谋部均使用通信和任务管理系统 (CATMS)，该系统通过经批准的外部链接直接连接到 DON ETMS2。直接由 OSD 通过电子邮件分配任务的 OPNAV 办公室应立即通知其 N-Code 前台，并将任务转发给 SECNAV Admin 主任，电话 (703) 695- 3923，(secnavexecutiveo.fct@us.navy.mil)，并抄送 DNS 任务分配团队 (dnstaskingteam@us.navy.mil)。对影响海军和海军陆战队的任务的响应应通过 ETMS2 与适当的总部海军陆战队对应人员进行协调。团队的联系信息可在 ETMS2 中的团队资料页面上找到。对于需要 CNO 和海军陆战队司令 (CMC) 协调的响应，并且当 CMC 被指定为 OPR 时，OPNAV 组织将首先通过其指挥链路由海军响应，然后再将完整的响应提供给 USMC 以供签名。对于 USMC 和 USN 都被指定为 OCR 的任务，SECNAV 或 ASN 将把海军和海军陆战队的输入整合为协调的 DON 响应。对于“双重任务”行动，即OSD 分配给 SECNAV 和 OPNAV（通过联合参谋部）的同一主题的任务执行者，OPNAV 将根据 SECNAV 和联合参谋部之间的协议通过 SECNAV 做出响应。
机器学习驱动的节能负载平衡
在 [1] 中，作者研究了异构系统中数据并行应用负载均衡的能效。该研究旨在优化负载均衡技术，以最大限度地降低这些系统的能耗。他们评估了三种数据并行应用的负载均衡方法：静态、动态和 H 引导。静态负载均衡算法将总工作负载划分为多个工作负载，这些工作负载的数量等于系统中的设备数量。然后，为每个设备分配一个工作负载份额，其大小与其计算速度成正比。设备的计算速度定义为该设备在单位时间内可以完成的工作量。相比之下，动态算法将总工作负载划分为多个大小相等的小任务包，从而创建的任务包数量超过可用设备的数量。每个设备最初都会被分配一个任务包进行处理。当某个设备完成其分配任务包的执行后，它将被分配下一个排队的任务包。但是，如果某个设备空闲且排队中没有任务包，它会从过载的设备上窃取任务包。另一方面，H引导方法与动态方法使用相同的算法，但对包大小的处理方式不同。与采用相同大小包的动态方法不同，引导算法会随着剩余工作组数量的减少而减小包大小。
Natalia Velez 博士
摘要：自认知革命以来，心理学家通过将思维视为计算机，发展了正式的认知理论。然而，这个比喻通常适用于个人思维。人类很少孤立地思考。我们奇怪地依赖文化传承的技能和知识，并且我们擅长与他人合作。在这次演讲中，我将提出——与其将人类思维研究为一台孤立的计算机——不如将协作中的每个思维想象为分布式系统中的节点。我将介绍两条工作路线，每条路线都提供了人类如何共同思考的互补观点。第一条工作路线评估了促成协作的基本心理过程。我将提供证据，证明人类理解他人思维的能力——或心理化——使我们能够应对协作的关键挑战，包括有效地与合作者沟通和建立协作团队。第二条工作路线研究社区如何创造促进协作的条件。我将介绍《一小时一生》中社区兴衰的结果，这是一款多人在线游戏，玩家可以从头开始构建技术先进的城市。总之，这些项目表明，人类合作的动力不仅来自我们理解社会世界的能力，还来自我们通过组建团队积极重塑社会世界的能力。最后，我将提出一个理论框架来研究团队如何在众多头脑中分配任务、信息和决策。
无聊是人工智能走向奇点的指标吗？假设引发思考
最迟随着天网 [1] 的虚构智能的出现，人工智能 (AI) 奇点问题得到了更广泛的关注。从冯·诺依曼的评论开始，由 Ulman [2] 转述（“一次谈话集中在技术的不断加速进步和人类生活方式的变化上，这给人一种接近人类历史上某些基本奇点的感觉，超出这个奇点，我们所知的人类事务就无法继续下去。”）和 Vinge [3] 的假设，技术进步的演变和加速引发了机器何时会比人类更智能的问题。根据 [3] 等人的说法，大型计算机网络可能“醒来后成为超人智能的实体”。关于达到人工智能奇点的观点多种多样。[4] 中对这些观点进行了回顾。由于普遍接受的、详细的智力定义仍然存在争议，从技术定义的角度来看，奇点已经很模糊——认知和情感是额外的问题。尽管在心理学中，无聊被认为是人性和人类智力的重要组成部分，但据我所知，在关于智力的讨论中，人类心理属性的一个特征并没有被考虑在内：无聊。在心理学中，无聊被认为是一种重要的心理状态，通常介于完全意识和/或精神紧张的工作和/或发现的时刻等状态之间。尽管在一些出版物中提到无聊，例如[8]，以提出更好的学习结果，但它并不被认为是人工智能系统在处理其设计的分配任务时可能陷入的状态。因此，假设一个关键特征
milpersman 1300-1000 军人夫妇和单亲父母......
参考 (a) SECNAVINST 1920.6D 1. 政策。海军人事长支持与其他军人结婚的海军成员共同驻守。将尽一切合理努力让军人夫妇尽可能一起搬家并建立联合家庭。a. 将根据军人家庭的需求以及离职和升职活动的人员配备来分配任务以满足海军的有效要求；因此，共同驻守和立即重新分配可能并不总是可行的。b. 海军成员与其他制服部队或其他国家部队的成员共同驻守更加困难，可能并不总是可行的。配偶共同驻守政策并不规定在平民配偶（包括政府文职雇员）附近任职。c. 虽然没有规定共同驻守工作地点之间的最大距离，但在考虑共同驻守请求时应以 90 英里的车程为指导。在太平洋西北部，由于普吉特湾的地理限制，同地值班站配对通常应在普吉特湾的同一侧（例如，惠德贝岛与埃弗雷特或布雷默顿与班戈构成同地值班；惠德贝岛与布雷默顿需要过多的通勤时间，因此不被视为同地值班）。d. 任何妨碍军人夫妇同地值班的任务都必须得到海军人事司令部（NAVPERSCOM）职业管理助理指挥官（PERS-4）的批准。2. 请求。希望同地值班的海军成员必须各自向其下属提交一次性请求，并获得指挥官的认可
招标文献 - 堡垒 - 赫塞尔
a）奖励策略是指SM打算授予招标的方式。b）框架协议是指SM和一个或多个供应商之间建设工程，商品和服务的合同，用于提供建筑工程，商品或服务的供应商，这些供应，商品或服务，在“指示”或“按要求”的基础上具有临时或重复性的性质，在此基础上，在此基础上，在不使用量化的情况下，将授予预定的量级，在此期间，条款，条件，规格，价格，价格，价格，价格，价格，价格和工程的订单分配程序都可以使用任何预定范围。c）待机供应商是指由SM根据框架协议任命的供应商，以便在需要时执行订单，如果排名较高的供应商已拒绝或无法执行特定的工作订单。d）工作订单分配过程是指根据相关合同的条款和条件在框架协议中确定和分配任务的过程。e）工程订单合同文件是指正式反映范围，量子，价值，交付期，交付详细信息以及所有其他相关条款和条件，影响执行工程订单和 /或作业的所有其他相关条款和条件。f）订单是指供应商根据框架协议执行的任务，其中特定条款，条件和范围在工程订单合同文件中指定。g）工程命令接受/拒绝通知是指供应商根据框架协议签署的正式通知，该通知已发送给SM，已通知
用于移动边缘计算任务卸载的组合客户端-主多智能体深度强化学习
最近，执行计算密集型任务的移动应用程序激增，例如视频流、数据挖掘、虚拟现实、增强现实、图像处理、视频处理、人脸识别和在线游戏。然而，平板电脑和智能手机等用户设备 (UD) 执行任务计算需求的能力有限。移动边缘计算 (MEC) 已成为一种有前途的技术，可以满足 UD 日益增长的计算需求。MEC 中的任务卸载是一种通过在 UD 和 MEC 服务器之间分配任务来满足 UD 需求的策略。深度强化学习 (DRL) 在任务卸载问题中越来越受到关注，因为它可以适应动态变化并最大限度地降低在线计算复杂度。然而，UD 和 MEC 服务器上各种类型的连续和离散资源限制对设计高效的基于 DRL 的任务卸载策略提出了挑战。现有的基于 DRL 的任务卸载算法侧重于 UD 的约束，假设服务器上有足够的存储资源。此外，现有的基于多智能体 DRL（MADRL）的任务卸载算法是同质智能体，并将同质约束视为其奖励函数中的惩罚。我们提出了一种新颖的组合客户端-主 MADRL（CCM_MADRL）算法，用于 MEC 中的任务卸载（CCM_MADRL_MEC），该算法使 UD 能够决定其资源需求，并让服务器根据 UD 的需求做出组合决策。CCM_MADRL_MEC 是任务卸载中第一个除了考虑 UD 中的约束之外还考虑服务器存储容量的 MADRL。通过利用组合动作选择，CCM_MADRL_MEC 表现出优于现有 MADDPG 和启发式算法的收敛性。
国防部设计标准
“H” 修订版最重要的变化之一是解决性别问题，以满足国防部长阿什顿·卡特备忘录《武装部队全面整合女性的实施指南》（2015 年 12 月 3 日）中的指示，该备忘录解决了女性人口的适应问题。卡特部长的备忘录指出，“各军种将开始执行其批准的计划，尽快开放所有军事职业专业、职业领域和分支，供女性加入。” MIL-STD-1472 的这一修订提供了设计标准，以消除男女参军不必要的障碍。例如，关于起重要求，设备必须符合混合性别起重要求并贴上相应的标签。因此，可能会增加某些装备和设备所需的起重器数量，或者需要重新设计或修改以减轻重量或增加起重点或手柄。实现真正“与作战相关且性别中立的标准”的目标反映了作战要求（例如经过作战验证的军事职业专业 [MOS] 相关起重标准）与尽可能广泛的用户的合理便利之间的平衡。必须确保此处概述的用于指导军事系统、设备和设施设计的标准的书写方式不会以可能限制军人职业发展的方式应用。采购活动有责任在设计中考虑所有因素，包括用户群体属性。为此，军事体能测试标准不适合用作设计标准或量化人类表现极限。解释和使用本设计标准时不应造成采购活动意外或故意定义其目标用户群体的情况，导致军队中被分配任务的男性或女性人数过多，无法有效互动和使用某些设备来完成任务。需求生成、开发过程、生产和最终产品采购都应协调一致，以解决性别中立指令。
避免自主系统在...
在开放世界中运行的自主系统通常使用其环境不完整的模型。模型不完整是不可避免的，这是由于精确模型规范和有关开放世界环境的数据收集的实际限制。由于模型的有限性，部署时可能会产生负面影响（NSE）。负面效应是对环境对代理作用的不良，未建模的影响。nses在设计时识别出来的挑战性，并且可能影响系统的可靠性，可用性和安全性。我们提出了两种互补的方法来减轻NSE通过：（1）从反馈中学习，以及（2）环境塑造。解决方案通过不同的假设和代理职责来实现目标设置。在从反馈中学习时，代理商将学习与NSE相关的惩罚功能。我们研究了不同反馈机制的效率，包括人类的反馈和自主探索。该问题被称为多目标马尔可夫决策过程，以便优化代理的指定任务优先于减轻NSE。Slack参数表示允许的最大偏差与代理商任务的最佳预期奖励，以减轻NSE。在环境塑造中，我们研究了人类如何帮助代理人，除了提供反馈之外，并利用其更广泛的知识范围来减轻NSE的影响。我们将问题提出为与脱钩目标的人类合作。代理优化其分配的任务，并在其操作过程中可能会产生NSE。人类通过对环境进行适度的重新配置来协助代理，以减轻NSE的影响，而不会影响代理人完成其分配任务的能力。我们提出了一种用于塑造和分析其特性的算法。经验评估证明了在不同环境中缓解NSE的不同方法的贸易。