XiaoMi-AI文件搜索系统
World File Search System在线算法
最佳的在线算法，用于减少峰值的最大化用储能最大化
电费中高比例的需求费用激励大力客户利用能量存储来减少外部网格的峰值采购。在储能有限的情况下，我们希望以在线方式最大程度地减少峰值需求，并受到高度不确定的需求和可再生注射的挑战，高峰消费的非肿瘤性质以及在线决策的耦合。在本文中，我们提出了一种最佳的在线算法，该算法达到了最佳竞争比率，该算法是在保持在线和最佳离线峰值还原性能之间持续比率的想法。我们进一步表明，可以通过求解线性线性分流程序来计算最佳竞争比率。此外，鉴于每个决策回合的投入和行动，我们扩展了算法以自适应维持最佳竞争比率。自适应算法保留了最佳的最坏情况保证，并获得了改善的平均案例性能。我们使用现实世界的痕迹评估了我们提出的算法，并表明它们获得了最佳离线基准的峰值降低81％。此外，与基线替代方案相对于基线替代方案，自适应算法至少增加了20％的峰值降低。
用于在线算法的带缓冲模型的量子请求-回答游戏。最常见关键字问题的应用
摘要 我们将在线算法视为一个请求-回答游戏。一个对手生成输入请求，一个在线算法进行回答。我们考虑该游戏的一个广义版本，它具有有限大小的缓冲区。对手将数据加载到缓冲区，算法随机访问缓冲区的元素。我们考虑该模型的量子和经典（确定性或随机性）算法。在本文中，我们提供了一个特定问题（最频繁关键字问题）和一个量子算法，该算法在竞争比方面比任何经典（确定性或随机性）算法都更好。同时，对于该问题，标准模型中的经典在线算法等同于带缓冲区的请求-回答游戏模型中的经典算法。
Sander Borst
Centrum Wiskunde＆Informatica（CWI）2020年2月 - 当前•博士顾问：Daniel Dadush。•研究与整数编程，在线算法和差异理论有关的项目。•CWI网络和优化研讨会的组织者。•完成了荷兰数学网络的博士学位课程（LNMB），由课程组成：
带有混合储能系统的多电飞机的自适应在线电源管理
摘要 — 全电动飞机 (MEA) 因其更高效、更可靠的潜力而成为未来先进飞机的发展趋势。因此，最佳电源管理在 MEA 中起着重要作用，尤其是在使用混合储能系统 (HESS) 时。在本文中，我们提出了一种新型的 MEA 自适应在线电源管理算法，旨在最大限度地减少基于电池-超级电容器 HESS 的发电机的功率波动。该问题首先被表述为一个受约束的随机规划问题。然后，我们提出了一种在线算法，使用 Lyapunov 优化方法近似地解决该问题，该方法不需要任何统计数据和未来的电力需求知识。我们进一步提出了一种 MEA 自适应在线电源管理算法，将自适应策略与在线算法相结合。跟踪驱动的仿真结果证明了所提出的 MEA 电源管理算法的有效性、效率和适应性。
网络中学习增强的分散在线凸优化
本文研究了网络化多智能体系统中的学习增强分散式在线凸优化，这是一个尚未得到充分探索的具有挑战性的场景。我们首先考虑一种线性学习增强分散式在线算法（LADO-Lin），该算法以线性方式将机器学习（ML）策略与基线专家策略相结合。我们表明，虽然 LADO-Lin 可以利用 ML 预测的潜力来提高平均成本性能，但它不能保证最坏情况的性能。为了解决这个限制，我们提出了一种新颖的在线算法（LADO），该算法自适应地结合 ML 策略和专家策略来保护 ML 预测，从而实现强大的竞争力保证。我们还证明了 LADO 的平均成本界限，揭示了平均性能和最坏情况鲁棒性之间的权衡，并展示了通过明确考虑鲁棒性要求来训练 ML 策略的优势。最后，我们对分散式电池管理进行了实验。我们的结果突出了 ML 增强在提高 LADO 的平均性能以及保证的最坏情况性能方面的潜力。
在线安排异质分布式机器学习工作
分布式机器学习（ML）在当今的AI服务扩散中发挥了关键作用。分布式ML的典型模型是通过多个工人节点对训练数据集进行分区训练数据集，以并行更新模型参数，采用参数服务器档案。ML培训作业通常是资源弹性，使用具有不同资源配置的各种时间长度完成。分布式ML集群中的一个基本问题是如何探索ML作业的需求弹性并以不同的资源配置安排它们，以便最大化资源的利用并最小化了平均职位完成时间。为了解决它，我们提出了一种在线调度算法，以确定执行时间窗口，到达时的同时工人和参数服务器的数字和类型，目的是最大程度地减少加权平均完成时间。我们的在线算法由（i）在线调度框架组成，该框架将未加工的ML培训作业分组为批次迭代，以及（ii）批处理调度算法，该算法配置每个ML作业以最大程度地提高当前迭代中计划的总重量。我们的在线算法可以保证具有多项式时间复杂性的良好参数化竞争比率。使用现实世界数据进行的广泛评估表明，它在当今的AI云系统中优于最先进的调度程序。
使用随机下降法对异步传感器配电网络进行状态估计：预印本
摘要 —本文研究了带有异步传感器的配电网的状态估计问题，该配电网由具有多种采样和报告率的智能电表和相量测量单元 (PMU) 组成。我们考虑了两种独立的状态估计和跟踪场景，状态为电压或电流。利用这两组数据，我们研究了 (a) 完整数据（假设所有测量值均可用）和 (b) 有限数据（采用在线算法方法通过在可用时处理测量值来估计可能随时间变化的状态）下的估计。所提出的算法受到经典随机梯度下降 (SGD) 方法的启发，根据先前的估计和新获得的测量值更新状态。最后，我们通过 IEEE-37 测试网络上的数值模拟证明了估计和跟踪的有效性，同时还强调了以电流为状态的估计如何导致更快的收敛。
通过以下方式最大程度降低绿色数据中心的能源成本...
摘要：随着全球变暖在许多地区造成的恶化影响，地理分布的数据中心对碳排放的贡献很大，因为主要的能源供应是化石燃料。考虑到这个问题，许多地理分布的数据中心正尝试使用清洁能源作为其能源供应，如燃料电池和可再生能源。然而，并不是所有的工作负载都能由单一电源供电，因为不同的工作负载表现出不同的特性。在本文中，我们提出了一个细粒度的异构电源分配模型，目标是最小化由多种能源供电的地理分布数据中心产生的总能源成本和能源缺口总和。为了实现这两个目标，我们设计了一个两阶段在线算法来利用每个能源的电力供应。在每个时间段，我们还考虑一个机会约束问题，并使用伯恩斯坦近似来解决问题。最后，基于真实世界轨迹的仿真结果表明，所提出的算法能够取得令人满意的性能。