XiaoMi-AI文件搜索系统
World File Search System启发式
Q*搜索：启发式搜索with Q-networks
使用*搜索有效地解决大型动作空间的问题对人工智能界一直很重要。这是因为A*搜索的计算和内存要求与动作空间的大小线性增长。当*搜索使用通过计算昂贵的函数近似器（例如深神经网络）学习的启发式功能时，这种负担就变得更加卑鄙。为了解决这个问题，我们介绍了Q*搜索，一种搜索算法，该算法使用深Q-networks指导搜索，以利用一个事实，即可以通过一个深层的Q-Network在不明确产生这些孩子的情况下通过深层Q-Network来计算过渡成本的总和和节点子女的启发式值。这大大减少了计算时间，并且仅需要一个迭代生成一个节点。我们在不同的域和操作空间上使用Q*搜索，表明随着动作尺寸的增加，Q*仅从小型运行时间开销。此外，我们的经验结果表明，Q*搜索的速度最高129倍，并且比*搜索的节点最多生成1288倍。最后，尽管从深处神经网络中获得可允许的启发式函数是一个持续的研究领域，但我们证明Q*搜索被保证在启发式功能的情况下找到最短的路径并不能过分估计该州的过渡成本和成本的总和。
对认知启发式人工智能的批判性审视
摘要 大自然是许多发明和理论的灵感源泉。这种灵感的主要好处之一是将不可能变为可能。人工智能领域的诞生也不例外，人们采用认知启发的方法，梦想拥有一个像人类一样思考的智能系统。然而，人类智能向机器智能迈进的这段旅程坎坷且充满挑战，导致人工智能与认知研究分离。在本文中，我们重点介绍了人工智能发展中认知启发的主要挑战和机遇。然后，我们将灵感来源分解为四个抽象层次，研究人员可以从中获得灵感。这些层次为人工智能系统建模贡献了三个主要阶段。从认知层次到建模阶段的二维映射及其之间的关系旨在协助认知启发方法的过程。
应用快速节俭启发式决策
应用决策。我们认为 1549 航班的故事在这方面并非个例。在许多自然发生的情况下，快速而节俭的启发式方法可以帮助决策，人们（理所当然地）依赖它们。我们认为，这种概念视角可以更普遍地作为研究和尝试改进航空、医学和商业等广泛领域的应用决策的起点。本文的结构如下。我们首先简要介绍优化和快速而节俭的启发式方法，这两个概念视角经常被应用决策研究人员使用。其次，我们讨论快速而节俭的启发式方法如何同时做到简单和准确。第三，我们认为，由于快速节俭启发法建立在个人如何做出决策的基础上，因此它可用于制定个人决策策略。第四，我们探讨了几种使快速节俭启发法能够适应各种情境要求的特征。这些特征使快速节俭启发法特别有用
用于配置...的元启发式方法
更准确地说，声纳系统主要有两种类型：被动和主动。被动声纳由一个接收器组成，接收器用于监听目标发出的声音，而主动声纳系统有一个发射声脉冲（ping）的源和一个接收器，接收器用于监听波在目标上的反射，即回声 [1]。在本研究范围内，我们只关注主动声纳系统的情况，该系统进一步分为两种不同的配置 [2]。第一种称为单基地，由同位源和接收器组成，而第二种称为双基地，基于非同位源和接收器。因此，多静态声纳网络 (MSN) 由一组部署在给定感兴趣区域 (AoI) 上的源和接收器组成，它们成对出现，形成单静态和/或双静态配置的系统单元。在此，主动声纳将完全是声纳浮标，这是声纳和浮标的混合体。这些是从机载载体上投掷到 AoI 上的一次性声学单元，其形式为圆柱形容器，在与水面碰撞时展开，将系统核心浸入预定深度。此处描述的简化操作环境如图 1 所示。
不确定性的判断：启发式和偏见Amos ...
许多决定基于关于不确定事件的可能性的信念，例如电子的结果，被告的罪恶感或美元的未来价值。这些信念通常在诸如“我认为。。。，”“机会。。。，“”不太可能。。。，“等等。有时，关注事件的信念以数值形式表示为赔率或主观概率。是什么决定了这种情况？人们如何评估不确定事件的概率或不确定数量的价值？本文表明，人们依靠有限数量的启发式原则，这些原则降低了诉讼概率的复杂任务，并将其预测为简单的判断操作。通常，这些启发式方法非常有用，但有时会导致严重而系统的错误。
混合元启发式和机器学习算法......
注意：请注意，本文件可能不是作品的记录版本（即已发布的版本）。作者手稿版本（提交同行评审或同行评审后接受出版）可以通过缺少出版商品牌和/或排版外观来识别。如果有任何疑问，请参考已发布的来源。
安排家庭的启发式优化方法...
为了为家庭能源管理系统开发和执行需求响应（DR）系统，本研究提供了有效且适应能力的能源管理体系结构。与当前家庭能源管理系统（HEMS）有关的几个问题是那些没有使消费者选择确保用户舒适度（UC）或对碳排放降低的长期答案的问题之一。我们的研究建议基于可编程的启发式能源管理控制器（HPEMC）来管理住宅建筑，以最大程度地降低电力成本，减少碳排放，增加UC并降低峰值与平均水平（PAR）。在这项研究中，需求响应的设备调度问题是使用能量管理系统来解决的，以降低成本和标准。许多案例研究已被用来证明建议方法的生存能力。模拟结果证实了该方法的有效性，并且能够以各种模式运行混合微电网。调查结果表明，拟议的时间表控制器节省了25.98％的能源。
讲座 28 不同类型的天线——启发式
幸运的是，麦克斯韦方程从亚原子长度尺度到银河系长度尺度都是精确的。在真空中，它们已被证实具有极高的精度（见第 1.1 节）。此外，自 20 世纪 60 年代以来的几十年里，麦克斯韦方程已经能够得到许多复杂结构的数值解。这种用数值方法求解麦克斯韦方程的领域被称为计算电磁学，本课程后面将对此进行讨论。现在有许多商业软件可以高精度地求解麦克斯韦方程。因此，如今的设计工程师不需要更高的数学和物理知识，只要学习如何使用这些商业软件就可以获得麦克斯韦方程的解。这对许多设计工程师来说是一个福音：通过运行这些软件并进行试错，就可以设计出精彩的系统。在实际制造硬件之前使用模拟进行电磁设计的艺术被称为虚拟原型。
量子启发式求解器的基准......
最近，受量子退火的启发，许多专门用于无约束二元二次规划问题的求解器已经开发出来。为了进一步改进和应用这些求解器，明确它们对不同类型问题的性能差异非常重要。在本研究中，对四种二次无约束二元优化问题求解器的性能进行了基准测试，即 D-Wave 混合求解器服务 (HSS)、东芝模拟分叉机 (SBM)、富士通数字退火器 (DA) 和个人计算机上的模拟退火。用于基准测试的问题是 MQLib 中的真实问题实例、随机不全相等 3-SAT (NAE 3-SAT) 的 SAT-UNSAT 相变点实例以及 Ising 自旋玻璃 Sherrington-Kirkpatrick (SK) 模型。对于 MQLib 实例，HSS 性能排名第一；对于 NAE 3-SAT，DA 性能排名第一；对于 SK 模型，SBM 性能排名第一。这些结果可能有助于理解这些求解器的优点和缺点。
基于启发式的深度神经网络自动修剪
摘要 深度神经网络 (deep NN) 的性能取决于大量需要训练的权重参数，这是一个计算瓶颈。更深层次的架构日益增长的趋势对资源受限设备上的训练和推理方案造成了限制。剪枝是去除深度 NN 中不重要的参数并使其更容易在资源受限的设备上部署以供实际应用的重要方法。在本文中，我们提出了一种基于启发式的新型滤波器剪枝方法来自动识别和剪枝不重要的滤波器，并加快资源有限设备上的推理过程。不重要的滤波器的选择由一种新颖的剪枝估计器 (c) 进行。所提出的方法在各种卷积架构 AlexNet、VGG16、ResNet34 和数据集 CIFAR10、CIFAR100 和 ImageNet 上进行了测试。在大规模 ImageNet 数据集上的实验结果表明，VGG16 的 FLOP 可降低高达 77.47%，实现 5 倍推理加速。与其他最先进方法相比，更流行的 ResNet34 模型的 FLOP 降低了 41.94%，同时保持了具有竞争力的性能。