XiaoMi-AI文件搜索系统
World File Search System分配问题
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。
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。
开放车队中的分散协调，以进行可扩展和动态的任务分配
大型和开放协作和商用车舰队协调的主要挑战之一是动态的任务分配。自我界定的独立合理的车辆驱动程序同时具有本地和全球目标，这需要使用某种公平有效的任务分配方法进行协调。在本文中，我们回顾了有关可扩展和动态任务分配的文献，重点是确定性和动态二维线性分配概率。我们专注于开放车队的多代理系统表示，其中动态出现的车辆由软件代理表示，这些软件应分配给一组动态出现的任务。我们对最新的研究结果进行了比较和批判性分析，该研究结果侧重于集中，分布和分散的解决方案方法。此外，我们提出了以下作业问题的动态版本的数学模型，在组合优化中众所周知：分配问题，瓶颈分配问题，公平匹配的问题，动态最小偏差分配概率，P K-分配问题，分配问题，半分配问题，半分配问题以及辅助分配的分配性分配的分配性代理人参差合格;在考虑开放车队的主要方面的同时：任务和车辆的随机到达（代理商）可能会在协助以前的任务或通过个人利益参与舰队的情况下可用。
教学大纲：算法经济学Econ C147 - CS C177
班级提供了经济设计中算法问题的介绍。课程将涵盖有关私人商品，公共物品和社会选择的分配问题。重点是规范性问题：在规范目标上，应如何解决分配问题？我们认为的社会目标是效率，公平性和公平性。在私人目标方面，我们研究收入最大化。该课程将涵盖资源分配，投票，公平部门，定价，拍卖和市场机制。在整个课程中，强调经济设计自然出现的算法问题。
通过联合行动选择在线组合资源分配与任意行动空间
当前的DRL算法通常假设固定数量的可能动作，然后一次选择一个动作，从而使它们在任意较大的空间中的资源分配问题效率低下。顺序操作选择需要为所选的每个操作更新状态，这增加了决策深度，状态空间，不确定性和执行次数。这会影响算法的收敛性并减慢执行速度。此外，当前的DRL算法对于在线资源分配问题的效率不高，因为它们采用固定数量的操作，而任意数量的任务到达数量。为了应对这些挑战，我们提出了一种新颖的结合作用选择方法，使DRL算法能够同时从具有任意数量的可能动作的集合中选择一个任意数量的动作的联盟。通过在每个时间步骤做出同时决策，联盟行动选择避免了由多次更新状态更新的顺序决策引起的计算成本和较大的状态空间。我们使用在线组合资源分配问题评估了联盟行动选择和顺序行动选择方法的绩效和复杂性。结果表明，联盟行动选择方法保留了在线组合资源分配问题的各种在线交通需求到达率的最佳离线性能，而顺序动作选择方法的性能随着问题的大小的增加而降低。实验还揭示了联盟行动选择的计算复杂性比顺序作用选择要低得多。
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。
生成人工智能的保护...
3本文将主要集中于个人数据保护问题，并在与个人有关的情况下进行虚假信息。在本文的第二部分中，作者将概述AI代的兴起。将解释AI代的主要例子，其目的和用途以及其发展和操作带来的挑战。尤其是，AI Gen对信息真实性和个人数据的总体负责管理的问题将得到强调。这很重要，因为它将与应对应有的责任分配问题，责任分配问题，对法规的需求（或其他方式）和对AI Gen Gen Nobhans的监督类型的相关性。因此，将在第三部分中对AI代的当前和预期的监管待遇以及全球政策趋势。
一种排名间隔估值的梯形直觉的方法...
一个任务问题在行业，决策分析以及工程和管理科学中的许多其他应用中起着至关重要的作用。间隔有价值的梯形直觉模糊集（IVTRIFS）是捕获不确定性的强大工具。当应用模糊集理论用于研究任何现实生活问题时，Ivtrifss的排名是必不可少的。在本文中，通过使用犹豫不决的重心（COG）的概念来介绍一种对IVTRIFSS进行排名的新方法，该概念易于计算，易于使用以比较Ivtrifss。使用数值示例将提出的方法与现有方法进行比较。此外，使用所提出的方法讨论了IVTRIFSS环境下的分配问题。关键字：分配问题，模糊数字的排名，间隔有价值的直觉梯形
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。