XiaoMi-AI文件搜索系统
World File Search System有界
2211.08351.pdf
摘要。在本文中，我们研究了量子动力学半群的 Stinespring 膨胀，该膨胀已知存在，这是通过 Davies 在 70 年代早期给出的构造性证明得出的。我们表明，如果半群描述的是一个开放系统，即如果它不只由酉通道组成，那么膨胀封闭系统的演化必须由无界汉密尔顿量生成；随后，环境必须对应于无限维希尔伯特空间，而不管原始系统如何。此外，我们证明了具有有界总汉密尔顿量的 Stinespring 膨胀的二阶导数会产生某些量子动力学半群的耗散部分，反之亦然。特别是，这通过 Stinespring 膨胀表征了量子动力学半群的生成器。
耳语画廊模式和频率梳子
在光子学中，谐振器是一种用途元素，其目的是引导光。它们包括各种大小的数量级和激光源的力量。可以认为，某些效应可以被认为是否定的，导致简化的数学模型。我们将重点关注两个这样的模型：一种与耳语画廊模式谐振器有关，另一个与响声/Fabry-Perot共振器有关。在第一种情况下，保留的模型会导致整个空间中的二维线性Helmholtz方程，其物质定律沿有界的界面跳跃。对靠近真实轴的复合共振集进行了分析，对应于靠近界面的模式。在第二种情况下，考虑了基于Lugiato-LeFever方程的一维模型。从溶液中发出的施加解决方案的分支被突出显示，提供了频率梳子解决方案。
Promise-Bptime层次定理上的注释
层次结构定理是复杂性理论的基本结果。他们指出，随着计算资源的增加，人们可以严格解决更多问题。bptime的时间层次结构定理仍然是一个臭名昭著的难以捉摸的话题。迄今为止，只有在提供对数或恒定建议位时才知道，bptime的无条件层次结构定理[BAR02，FS04，GST11，FST11，FST11，FST05，PER05，VMP07]。此外，已知层次结构定理对BPP的完全问题[BAR02]持有条件。与确定性[HS65，HS66]或非确定性时间层次结构[COO72，SFM78，ˇ Z´AK83]，BPTIME的层次定理保持开放，因为在实用上，似乎有效地确定一个随机的Turning机器是无效的，是否可以有效地确定一个随机的机器被拒绝或不拒绝，或者拒绝了一个有界的错误或不符合界限。因此，标准对角线化在列举所有随机图灵机的步骤上失败，并具有有界的双面误差。实际上，确定每个输入的随机图灵机是否有界限。这种情况在其承诺版本中被认为不同。Pr -bptime的时间层次结构（承诺概率时间课）是一种民间传说的陈述，在谈话，课程和流行的教科书中出现了，例如[AB09]。我们观察到没有来源勾勒出其证明，并且可能假定其有效性是从直接对角线化的，或者遵循存在完全问题的Pr -bptime；参见例如[GAJ22]。在高水平上，对角度化的关键步骤涉及否定枚举的图灵机的输出。但是，我们观察到基于直接对角线的直接对角度或证据（例如，减少到Bptime完全问题[BAR02]）并不容易通过PR- BPTIME层次定理携带。通过否定输出，构造的语言
Thomas Chevet、Cristina Stoica Maniu、Cristina Vlad、Youmin Zhang。使用 MPC 技术进行基于 Voronoi 的 UAV 编队部署和重新配置。国际无人机系统会议，ICUAS'18，2018 年 6 月，美国德克萨斯州达拉斯。第 9-14 页，10.1109/ICUAS.2018.8453342。hal-01768188
摘要 —本文介绍了一种基于分散 Voronoi 的线性模型预测控制 (MPC) 技术，用于在有界区域内部署和重构由无人机 (UAV) 组成的多智能体系统。在每个时刻，该区域被划分为与每个 UAV 智能体相关联的不重叠的时变 Voronoi 单元。编队部署目标是根据每个 Voronoi 单元的 Chebyshev 中心将智能体驱动到静态配置中。所提出的基于 MPC 的编队重构算法不仅允许有故障/不合作的智能体离开编队，还允许恢复/健康的智能体加入当前编队，同时避免碰撞。仿真结果验证了所提出的控制算法的有效性。
![arXiv:2211.09323v2 [quant-ph] 2023 年 2 月 7 日](/simg/f\fcb3d5544e8c37baf8b9d0f3820150d875d7e5ac.webp)
arXiv:2211.09323v2 [quant-ph] 2023 年 2 月 7 日
考虑具有有界振幅的两量子比特系统中的最优控制问题。研究了两种情况：量子态准备和纠缠产生。针对总持续时间的不同值，分别对成本函数、保真度和并发度进行了优化。对于量子态准备问题，高精度地确定了三个关键时间点，并获得了不同持续时间的最优控制。获得了对量子速度极限的更好估计，从而获得了时间最优控制。对于纠缠产生问题，确定了两个关键时间点，其中一个是从产品状态开始实现最大纠缠（单位并发度）的最短时间。此外，还找到了达到单位并发度的最优控制。
使用 MPC 进行多代理电池存储管理 - ...
摘要 — 本文介绍了使用基于强化学习 (RL) 的模型预测控制 (MPC) 来寻找多智能体电池存储系统的最佳策略。考虑了电价的时变预测和生产需求不确定性。我们专注于优化经济目标成本，同时避免充电状态过低或过高，因为这可能会损坏电池。我们考虑了主电网提供的有界功率以及每个智能体的功率输入和状态的约束。参数化的 MPC 方案用作确定性策略梯度方法的函数近似器，RL 通过更新参数来优化闭环性能。仿真结果表明，所提出的方法能够解决约束并提供最佳策略。
改进了可观察到的马尔可夫决策过程的矢量修剪
2.1矢量修剪。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 2.1.1矢量优势。。。。。。。。。。。。。。。。。。。。。。。。。。7 2.1.2修剪算法。。。。。。。。。。。。。。。。。。。。。。。。。15 2.2复杂性。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 2.2.1线性编程的复杂性。。。。。。。。。。。。。。。。18 2.2.2简单矢量修剪算法的复杂性。。。。。。。。。19 2.2.3与凸赫尔问题的关系。。。。。。。。。。。。。。20 2.2.4平均案例复杂性。。。。。。。。。。。。。。。。。。。。。。21 2.3 POMDP的动态编程算法中的向量修剪。。。22 2.3.1 AI计划的POMDP的精确解决方案。。。。。。。。。。。。22 2.3.2增量修剪。。。。。。。。。。。。。。。。。。。。。。。。。24 2.4有界错误近似。。。。。。。。。。。。。。。。。。。。。。。25 2.4.1近似误差。。。。。。。。。。。。。。。。。。。。。。。。26 26 2.4.2近似矢量修剪。。。。。。。。。。。。。。。。27 2.4.3近似动态编程更新。。。。。。。。。。。。28
