XiaoMi-AI文件搜索系统
World File Search System资源分配
空间栖息地ECLSS的资源分配算法
随着太空栖息地的复杂性和与地球的距离增加，需要新的方法来处理意外干扰，以保证机组人员的安全和系统性能。这项工作开发了一种实施资源分配算法的方法，以管理环境控制和生命支持系统的子系统。开发了一种算法来控制氧气生成组件 (OGA)，同时对尿液处理器组件 (UPA) 产生各种干扰。在使用该算法和不使用该算法的情况下，对栖息地系统的弹性进行了评估和评价。为了测试该方法的有效性，在有限的用例中实施了该方法，针对 UPA 中的 100 种不同类型的退化。退化基于国际空间站提供的可用数据。进行优化过程以找到对 OGA 的最佳控制。然后将具有最佳控制的栖息地的性能与基线基于逻辑的控制器进行比较。为了在发现故障时自动执行子系统控制以最大程度地提高生命支持系统的整体弹性，三种监督机器学习算法（高斯过程、随机森林和 XG Boost）针对优化数据进行训练，并相互比较其准确性。尽管 UPA 性能下降对全体机组人员安全影响不大，但我们发现最佳 OGA 控制的弹性中位数增加量是逻辑控制器的弹性中位数下降量的 14 倍。根据故障场景对弹性改进进行了额外的分析和比较。在三种机器学习算法中，XG Boost 被确定为在这些情况下近似优化器表现最好的算法，R 2 值为 0.84。
使用 AI 进行动态资源分配和性能
摘要-本研究旨在评估使用人工智能进行动态资源管理和优化软件系统性能的可能性。在当今复杂的应用程序使用世界中，常规的资源管理方法无法满足这些动态需求并发挥其使用潜力。在本研究中，基于资源利用率和消耗、平均响应时间、吞吐量、成本、预测能力、稳定性和收敛时间等性能指标对三种主流人工智能技术——强化学习、神经网络和遗传算法进行了评估。结果表明，神经网络具有最佳的资源获取性能和响应率，而强化学习具有最佳的成本管理和灵活性率。正如已经指出的那样，遗传算法在寻找优化解决方案方面非常有用，但缺乏实时响应能力。因此，结果提供了关于如何根据特定应用需求选择适当的 AI 技术的重要理解，这反过来对于愿意使用基于 AI 的解决方案改善资源管理的组织很有用。
分布式量子计算的最佳随机资源分配
摘要 —随着互联量子计算机即分布式量子计算 (DQC) 的出现，多台量子计算机现在可以通过量子网络协作执行大量复杂的计算任务。然而，DQC 面临共享量子信息的问题，因为它不能在量子计算机之间克隆或复制。得益于先进的量子力学，量子计算机可以通过量子网络传输量子信息。然而，由于 DQC 的能力和特性（例如不确定的量子比特保真度和量子信道噪声），有效利用量子资源（例如量子计算机和量子信道）面临挑战。在本文中，我们提出了一种基于随机规划的 DQC 资源分配方案，以最小化量子资源的总部署成本。本质上，两阶段随机规划模型被制定来处理量子网络中量子计算需求、计算能力和保真度的不确定性。性能评估证明了所提方案的有效性和能力，能够平衡量子计算机和按需量子计算机的利用率，同时最大限度地降低不确定情况下的总体配置成本。索引术语——分布式量子计算、量子网络、资源分配、随机规划
ILIFU在线培训 - 高级＃2-资源分配
- 避免浪费资源（分配但未使用） - 增加资源可用性 - 允许其他用户的工作运行 - 提高Slurm Scheduler的效率 - 减少工作等待时间 - 更好的FairShare优先级，以便将来提交工作。
无线电资源管理的离线和分配强化学习
摘要 - 预言学习（RL）已被证明在未来的智能无线网络中起着有希望的作用。在线RL已用于无线电资源管理（RRM），接管了传统计划。但是，由于依靠与环境的在线互动，其作用在在线互动不可行的实际，现实世界中受到限制。此外，在现实世界随机环境中的不确定性和风险面前，传统的RL在不确定性和风险面前处于短缺状态。以这种方式，我们为RRM问题提出了一个离线和分配RL方案，可以使用静态数据集启用离线培训，而无需与环境相互作用，并使用退货的分布来考虑不确定性的来源。仿真结果表明，所提出的方案的表现优于常规资源管理模型。此外，这是唯一超过在线RL的方案，比在线RL增长10％。索引术语 - 分布强化学习，离线强化学习，无线电资源管理
仔细研究 NSCC 新加坡更新的资源分配政策
• 必须为计算资源（即 CPU 核心小时数、GPU 卡小时数和存储）预留预算，作为整体项目补助金或应用项目资金的一部分。 • 申请 NSCC Singapore 资源需要获得批准的计算预算，但这并不保证资源分配。 • HPC 预算的成本必须基于云服务提供商 (CSP) 费率。这是为了确保如果申请不成功，项目有足够的预算使用 CSP 资源进行依赖 HPC 的研究。 • 成功的项目将在研究项目期间获得 HPC 资源。 • 所有获批和优先项目将授予并由管理其各自项目补助金的主办机构研究办公室负责。 • 更新后的政策将立即适用于所有新项目提交。
人工智能支持的多任务资源分配战术决策辅助
国防部支持许多同时执行多项任务的军事平台。船舶、飞机和陆地护卫队等平台支持防空和导弹防御、反潜战、打击行动、支援地面行动的火力、情报传感和侦察等领域的多项任务。然而，人类决策者在分配这些多任务资源时面临着重大挑战，例如战斗节奏、规模和可用平台复杂性的增长。这项顶点研究旨在应用系统工程来分析多任务资源分配 (MMRA) 问题集，以进一步使人工智能 (AI) 和机器学习工具能够帮助人类决策者进行初步和动态重新规划。为了解决这个问题，该研究描述了潜在 MMRA 过程的输入和输出，然后分析了三个独特用例的可扩展性和复杂性：定向能护卫队、航空支援和航母打击群。然后评估这些不同用例的关键发现的相似之处和不同之处，以进一步了解联合 AI 支持的 MMRA 工具的共性。
使用 SDN 的分销运营动态资源分配模型
摘要 — 在车载自组织网络中，自动驾驶汽车在支持车载应用之前会生成大量数据。因此，需要一个大存储和高计算平台。另一方面，云平台上的车载网络计算需要低延迟。应用边缘计算 (EC) 作为一种新的计算范式有可能在提供计算服务的同时减少延迟并提高总效用。我们提出了一个三层 EC 框架，将弹性计算处理能力和动态路线计算设置为适合实时车辆监控的边缘服务器。该框架包括云计算层、EC 层和设备层。资源分配方法的制定类似于优化问题。我们设计了一种新的强化学习 (RL) 算法来解决云计算辅助的资源分配问题。通过整合 EC 和软件定义网络 (SDN)，本研究为车载网络中的资源分配提供了一种新的软件定义网络边缘 (SDNE) 框架。这项工作的新颖之处在于设计了一种使用经验回复的多智能体 RL 方法。所提出的算法实时存储用户的通信信息和网络轨迹的状态。给出了具有各种系统因素的模拟结果，以显示建议框架的效率。我们通过一个真实的案例研究来展示结果。
量子网络中的利率和保真度最大化的资源分配
由于光子损失而无法立即将摘要现有的经典光学网络基础架构用于量子网络应用。启用量子网络的第一步是将量子中继器集成到光网络中。但是，量子硬件中固有的费用和内在噪声强调了对有效的部署策略的需求，以优化量子折扣和记忆的分配。在本文中，我们提出了一个用于网络计划的综合框架，旨在有效地在现有基础架构上分配量子中继器，目的是在纠缠分布网络中最大化量子网络实用程序。我们将我们的框架应用于几个案例，包括哑铃网络拓扑的初步插图以及Surfnet和Esnet的现实情况。我们探讨了量子中继器中量子存储器多路复用的影响，以及记忆相干时间对量子网络实用程序的影响。我们进一步研究了不同公平假设对网络计划的影响，从而发现了它们对实时网络性能的影响。
使用计算机中云计算中的动态资源分配
1.引言云计算通过提供分区空间来满足业务需求随着时间而变化，从而改变了对可访问和功能计算的访问。这种动力已经对自动化资源管理方法产生了前所未有的需求，这些方法可以动态地调整为各种各样的工作负载轨迹。我们专注于云计算，因为在云计算中，资源的成本相对较高，资源分配通过将CPU，内存，存储和网络带宽等计算资源分配给不同的应用程序和用户来有效地使用资源，从而起着关键作用。不幸的是，传统的资源分配机制可能不足以使具有较高可变性，异质性和可扩展性要求的现代云环境的日益复杂和动态性质不足。