XiaoMi-AI文件搜索系统
World File Search System分配问题
人工智能中的责任分配问题
一家医院发现其人工智能软件对患者进行了误诊——在测试结果上，它将患者评定为健康，而实际上他们并不健康。一些患者因这种假阴性结果而遭受严重后果。在另一个例子中，一家公司用于招聘面试候选人的人工智能软件被发现系统性地歧视某些个人资料。该公司后来因此被起诉。另一个例子是面部识别人工智能软件拒绝让具有特定种族背景的人使用它，因为它无法将该人归类为合法用户。
ASSR中的位置分配问题的量子优化
AS/RS（自动存储和检索系统）是一个具有质量的存储和运输系统，可以通过自动化产品的可容纳和存储产品来实现有效的仓库管理。自动化具有诸如降低人工成本和工作时间，改善工作质量以及准确管理库存差异的优点（Roodbergen＆Vis，2009年）。但是，从自动仓库中挑选效率会受到货架上放置的产品位置的影响，如果效率很差，它将成为整个运输过程中的瓶颈。为了提高采摘效率，应将具有较高频率的产品放置在检索端口附近。或，如果您使用的是两叉式起重机，则有必要将架子彼此靠近，以便可能同时检索的产品。这些问题被总体视为放置优化问题。设施布局问题在各种现实世界中起着至关重要的作用。它涉及在给定的资源和约束下优化多个元素或对象的布置。例外包括设施安置（De Vries，Van de Klundert和Wagelmans，2020年），交付路线优化（Aljohani，2023年）和工厂布局设计（Li，Wang，Fan，Yu，Yu，＆Chu，2021年）。解决设施的布局问题提供了几种好处
共享能源分配问题中的公平设计
本文研究如何在电力市场中聚合产消者（或大消费者）及其集体决策，重点关注公平性。公平性对于产消者参与聚合方案至关重要。一些产消者可能无法直接进入能源市场，即使这对他们有利。因此，新公司提出聚合他们并承诺公平对待他们。这导致了公平的资源分配问题。我们建议使用可接受性约束来保证每个产消者都能从聚合中获益。此外，我们的目标是公平地分配成本和收益，同时考虑到问题的多周期和不确定性。我们不是使用财务机制来调整公平问题，而是专注于决策问题中的各种目标和约束，通过设计实现公平。我们从一个简单的单周期和确定性模型开始，然后使用随机支配约束等将其推广到动态和随机设置。
资源分配问题的新颖开关型策略网络：技术报告
摘要 - 深处增强学习（DRL）已成为制定排队网络中控制策略的强大工具，但是在这些应用程序中，多层多层感知器（MLP）神经网络的常见使用具有重要的缺点。MLP体系结构虽然多才多艺，但通常会遭受样本效率差和过度合适的培训环境的趋势，从而导致新的，看不见的网络的次优性能。响应这些问题，我们引入了开关型神经网络（STN）体系结构，旨在提高排队网络中DRL策略的效率和概括。从传统的非学习政策中的STN杠杆作用模式，确保在类似状态下进行一致的行动选择。这种设计不仅简化了学习过程，而且还通过减少过度效果的趋势来促进更好的概括。我们的作品提出了三个关键贡献：首先，STN的开发是MLP的更有效替代方案；其次，经验证据表明，在各种培训方案中，STN在各种培训方案中实现了卓越的样本效率。第三，实验结果表明，STN在熟悉的环境中与MLP性能相匹配，并且在新设置中的表现明显优于它们。通过嵌入特定领域的知识，STN增强了近端策略优化（PPO）算法的有效性而不损害性能，这表明其适合各种排队网络控制问题。
分配问题和扩展的新拍卖算法
我们考虑经典的线性分配问题，并为其最佳和次优的解决方案引入了新的拍卖算法。该算法建立在二元理论上，并且与人类对物体和随之而来的市场等级的竞争性竞标思想有关，这是现实生活中拍卖过程的基础。我们区分了两种根本不同类型的招标机制：侵略性和合作。在数学上，侵略性的投标取决于双重空间中近似坐标下降的概念，一个合并的松弛条件以调节下降近似值的数量，以及𝜖尺度的概念有效地解决价格战争，这些价格战争是自然而然的，因为多个竞标者竞争了较小的价值对象。合作投标避免了通过检测和合作解决涉及一组人的竞争性僵局的合作解决。我们讨论了侵略性和合作招标方法之间的关系，我们得出了结合两者中思想的新算法和变化，并且我们还与其他原始的偶联方法（包括匈牙利方法）建立了联系。此外，我们的讨论指向算法扩展的道路，这些扩展更广泛地适用于网络优化，包括最短路径，最大流量，运输和最低成本流问题以及线性和凸成本功能。
一种随机数学编程方法，用于弹性供应商选择和订单分配问题：伊朗Khodro供应链的案例研究
摘要。供应商是供应链中脆弱性的主要来源之一，这可能导致破坏和风险。因此，弹性供应商的选择可以确保供应过程的弹性增强，尤其是在汽车供应链中。本研究的目标是选择一组弹性供应商，并确保在暴露于风险的汽车供应链中的最佳需求分配。为此，介绍了双向双阶段随机编程模型。与以前的数学模型相比，我们提出的模型包含了一个新的目标功能，以将供应商的交付性能视为弹性供应商选择的标准之一。此外，K-均值聚类方法用于群集和减少破坏场景的数量。由于需求的不确定性，我们提出的模型中使用了一种偶然受限的编程方法。实现了增强的“ - 符合方法来求解呈现的模型。最后，进行灵敏度分析以确定NAL结果的参数变化的ect。研究结果表明，应急计划可以降低破坏风险的影响。进一步，实施供应链区域化的策略对于减少环境破坏的影响很重要。
一个数据驱动的模型，用于响应式供应链中的可持续和弹性供应商选择和订单分配问题：健康案例研究
这项研究试图研究供应商的选择和订单分配问题（SSOAP），考虑到三个关键概念，即响应能力，可持续性和韧性。为此，当前的研究开发了一个多阶段决策框架（MSDMF）来选择潜在的供应商并确定订单数量。第一阶段旨在根据几个指标计算供应商的得分。为此，开发了一种新颖的决策方法，名为“随机模糊最佳方法”（SFBWM）。然后，在第二阶段，建议使用多目标模型（MOM）来处理供应商的选择和订单分配决策。在下一步中，基于模糊的稳健随机方法和季节性自回归的集成运动平均（SARIMA）方法，采用数据驱动的模糊稳健（FRS）优化方法，用于有效治疗问题的混合不确定性。之后，开发了一种名为开发的Chebyshev多选择目标编程的新型解决方案方法（CMCGP-UF）以获得最佳解决方案。此外，考虑到医疗设备（ME）行业在社会健康中的关键作用，尤其是在最近的冠状病毒病中，考虑到了这一重要行业。第一阶段的结果表明，敏捷性，成本，温室发射，质量，健壮性和废物管理（WM）分别是最重要的标准。第二阶段的结果确定所选供应商，利用运输系统和已建立的地点。还揭示了需求直接影响所有目标功能，同时增加破坏率对可持续性措施有负面影响。
应用于云资源分配问题的异构系统设计空间探索
摘要。云计算服务提供商为应用程序提供按需计算资源。寻找适合用户预算、满足应用程序性能和约束的最佳云资源分配仍然是一项研究挑战。云资源分配问题与设计空间探索 (DSE) 问题非常相似，因为它们都必须在充足的设计空间中找到合适的硬件配置，而它们的目标不相容，并受到多种约束。这项工作通过应用设计空间探索技术提出了一种解决云资源分配问题的方法。我们从 DSE 工具 MultiExplorer 设计并开发了一个软件扩展 MultiExplorer-VM，该工具具有根据用户需求和应用程序约束提供虚拟机配置的工作流程。已经进行了一系列全面的实验来评估和验证所提出的工具。我们还将我们提案中的解决方案与其他现有的研究工作进行了比较，这些研究工作侧重于基于 Paramount 交互 (PI) 技术的云资源分配问题。结果表明，MultiExplorer-VM 比 PI 技术取得了显著 (更好) 的结果。 MultiExplorer-VM 带来的成本结果与 PI 技术相比降低了 8.8 倍。实验还表明，对于大多数应用程序，MultiExplorer-VM 实现了最佳云配置。
绝热量子计算用于解决武器目标分配问题
摘要 - 量词计算承诺在机器学习和复杂优化问题等各种领域的计算能力的显着改善。最近的技术进步表明，绝热量子计算ANSATZ可能很快看到了实际应用。在这项工作中，我们采用此计算范式来开发基于量子计算的求解器，该求解器是众所周知的武器目标分配问题，NP-HARD非线性整数编程优化任务。通过对量子位系统的绝热演化对模型中的最佳解决方案的绝热演化的数值模拟来证明了所提出的模型的可行性。总的来说，所描述的方法不仅限于武器管理的上下文，而是对模型汉密尔顿的稍作修改，适用于工人任务分配优化。索引术语 - 无绝热的量子计算，武器目标分配，ISING模型