XiaoMi-AI文件搜索系统
World File Search System逻辑
自适应双级多机器人任务分配和在不确定性下使用时间逻辑约束
这项工作解决了未知机器人过渡模型下多机器人协调的问题，以确保按时间窗口时间窗口逻辑指定的任务对用户定义的概率阈值满意。我们提出了一个BI级框架，该框架集成了（i）高级任务分配，其中根据机器人的估计任务完成概率和预期奖励分配任务，以及（ii）在履行分配的任务时，机器人独立优化了辅助奖励。要处理机器人动力学中的不确定性，我们的方法利用实时任务执行数据来迭代地完善预期的任务完成概率和奖励，从而无需显式机器人过渡模型即可自适应任务分配。我们从理论上验证了所提出的算法，表明任务分配具有很高的置信度达到所需的概率阈值。最后，我们通过全面的模拟证明了框架的有效性。
逻辑熵——特刊
其中，k B 为玻尔兹曼常数，X 为相关相空间体积，是微观状态数量的量度。注意，上述定义中需要使用对数，以使玻尔兹曼统计熵具有与热力学熵相同的加性。后来，克劳德·香农发现，可以使用与玻尔兹曼公式类似的公式（尽管符号相反）来量化信号的信息内容。继香农之后，人们通常将熵等同于系统的（缺乏）信息或“无序”。由于信息是一个渗透到许多自然科学中的概念，熵的概念很快传播到其他领域，例如生物学和遗传学。约翰·冯·诺依曼将玻尔兹曼熵推广到量子物理学。这实际上不仅仅是一种概括。事实上，方程 (1) 有点问题，因为 X 具有相空间体积的维度，而对数的参数应该是无量纲的——更不用说 SB 可以变为负值。但考虑到量子力学引入了由普朗克常数 h 给出的最小作用量，玻尔兹曼公式可以改写为：SB = k ln( X / hd )（其中 d 是系统的维数），只要 X hd ，它就始终为非负，并且只有当等号成立时它才为零。就离散量子
注意差距：自动驾驶汽车的逻辑英语，序言和多代理系统
在本文中，我们提出了一个模块化系统，用于代表和推理，并具有自动驾驶汽车交通规则的法律方面。我们专注于英国高速公路法规（HC）的子集。随着人类驾驶员和自动化车辆（AV）将在道路上进行交互，尤其是在城市环境中，我们声称应该存在一个可访问，统一的高级计算模型，并适用于两个用户。自动驾驶汽车引入了责任转变，不应带来缺点或增加人类驾驶员的负担。我们开发了模型的“硅中”系统。提出的系统由三个主要组成部分构建：使用逻辑英语编码规则的自然语言接口；序言中规则的内部表示；以及基于Netlogo的基于多机构的仿真环境。三个组件相互作用：逻辑英语被转化为序言（以及一些支持代码）； Prolog和Netlogo接口通过谓词。这样的模块化方法使不同的组件能够在整个系统中承担不同的“负担”。它还允许交换模块。给定的NetLogo，我们可以可视化建模规则的效果，并使用简单的动态运行方案验证系统。指定的代理商监视车辆的行为，以确保合规性和记录可能发生的潜在违规行为。然后，验证者利用有关潜在违规行为的信息，以确定违规行为是否应处以惩罚，在异常和案件之间进行区分。
通过优化的模糊逻辑系统
推理引擎推理引擎是专家系统的关键组成部分，采用逻辑规则来得出信息或基于知识库做出决策。它将fuzzi输入（通过模糊过程获得）映射到规则库，从而为应用电缆规则生成模糊输出。模糊推理引擎遵循一个结构过程，其中包括多个关键步骤。最初，它通过从知识库中识别相关规则并将输入数据与每个规则中指定的条件进行比较来执行规则匹配。一旦确定了相关规则，发动机就会评估每个规则的真实程度，从而确定输入SATIS符合条件的程度。随后，它通过结合其输出以产生连贯的决策或结论来汇总从匹配规则得出的结论。此过程是迭代的，引擎不断应用规则并更新知识库，直到实现解决方案或不适用其他规则为止。此系统ATIC方法使模糊推理引擎可以处理
逻辑机动：检测和缓解太空中的对抗性硬件故障
摘要 — 卫星极易受到太空中敌对故障或高能辐射的影响，这可能导致机载计算机出现故障。过去几十年来，人们探索了各种辐射和容错方法，例如纠错码 (ECC) 和基于冗余的方法，以缓解软件和硬件上的临时软错误。然而，传统的 ECC 方法无法处理硬件组件中的硬错误或永久性故障。这项工作引入了一种基于检测和响应的对策来处理部分损坏的处理器芯片。它可以从永久性故障中恢复处理器芯片，并利用芯片上可用的未损坏资源实现连续运行。我们在目标处理器的芯片上加入了基于数字兼容延迟的传感器，以便在发生故障之前可靠地检测到芯片物理结构上的传入辐射或故障尝试。在检测到处理器算术逻辑单元 (ALU) 的一个或多个组件出现故障后，我们的对策采用自适应软件重新编译来重新合成受影响的指令，并用仍在运行的组件的指令替换这些指令，以完成任务。此外，如果故障范围更广，并妨碍了整个处理器的正常运行，我们的方法将部署自适应硬件部分重新配置来替换故障组件并将其重新路由到芯片的未损坏位置。为了验证我们的说法，我们在 28 nm FPGA 上实现的 RISC-V 处理器上部署了高能近红外 (NIR) 激光束，通过部分损坏 FPGA 结构来模拟辐射甚至硬错误。我们证明我们的传感器可以自信地检测到辐射并触发处理器测试和故障恢复机制。最后，我们讨论了我们的对策带来的开销。
基于工厂的编码一个逻辑量子位的量子极性码的容错准备
最近提出了一种容错方法来准备 Q 1 码的逻辑码态，即编码一个量子比特的量子极性码。其中的容错性由错误检测装置保证，如果在准备过程中检测到错误，则完全丢弃准备。由于错误检测，准备是概率性的，其成功率（称为准备率）随代码长度的增加而迅速下降，从而阻止了大代码长度的代码状态的准备。在本文中，为了提高准备率，我们考虑工厂准备 Q 1 码态，其中尝试并行准备多个 Q 1 码态副本。使用额外的调度步骤，我们可以避免每次检测到错误时完全丢弃准备，从而反过来提高准备率。我们进一步提供了一种理论方法来估计使用工厂准备准备的 Q 1 码的准备和逻辑错误率，该方法被证明与基于蒙特卡洛模拟的数值结果紧密相关。因此，我们的理论方法可用于为大代码长度提供估计，而蒙特卡罗模拟实际上并不可行。对于电路级去极化噪声模型，我们的数值结果表明准备率显著增加，特别是对于较大的代码长度 N 。例如，对于 N = 256 ，对于实际有趣的物理错误率 p = 10 − 3 ，它从 0.02% 增加到 27%。值得注意的是，N = 256 的 Q 1 码在 p = 10 − 3 和 p = 3 × 10 − 4 时分别实现了大约 10 − 11 和 10 − 15 的逻辑错误率。与具有相似代码长度和最小距离的表面码相比，这相当于提高了大约三个数量级，从而表明所提出的方案用于大规模容错量子计算的前景。
大数据和模糊逻辑用于供应需求预测
需求预测是一项重要活动，它直接影响供应链的运作，为决策提供了坚实的基础。运营策略长期以来一直专注于需求预测，以更好地管理库存并最大限度地提高客户满意度。然而，大多数需求预测方法都无法向企业揭示任何信息，因为它们没有考虑到产品的季节性、当前的市场趋势，或者预测如何影响牛鞭效应。迫切需要建立能够智能、快速地检查供应链中大量数据的技术。大数据可以帮助企业解决他们的问题。同时，模糊逻辑模型有助于在缺乏历史数据、主观消费者偏好或不可预测的市场环境的情况下捕捉和管理不确定性。因此，本文提出了一种基于模糊逻辑的大数据驱动需求预测框架 (FL-BDDF)，该框架确定促销营销工作、过去的需求和其他变量在做出预测方面的作用，这些预测可以塑造、感知和响应实际消费者需求。借助大数据分析 (BDA)，企业可以提高需求预测的准确性。模糊逻辑让它们包括定性指标，如市场情绪、专家观点或主观风险评估以及典型的定量信息。运营和供应链管理 (OSCM) 与其他领域一样，提供了实时创建大量数据的机会。这项研究的结果可能有助于学术界和行业专业人士更好地掌握大数据为 SCM 和需求预测提供的可能性。实验结果表明，与其他现有模型相比，建议的 FL-BDDF 模型将准确率提高了 98.4%，供应链预测率提高了 97.3%，客户满意度提高了 95.4%，成本降低了 57%。关键词：供应链管理、模糊逻辑、大数据、需求预测、数据驱动。
使用基因调节网络的顺序逻辑的可行性和可靠性
表现出布尔行为的基因调节网络，例如和或或XOR经常设计多年。但是，实现更复杂的功能，例如控制或计算，通常需要顺序的电路或所谓的状态机。对于这样的电路，输出既取决于输入和系统的当前状态。尽管仍然可以通过类比与数字电子产品进行类比设计此类电路，但生物学的某些特殊性使任务更加棘手。在本文中评估了其中两个的影响，即生物过程的随机性和调节机制响应中的不均匀性。数值仿真指出，即使是从理论的角度来看，即使设计GRNS功能的高风险也是如此。还讨论了提高此类系统可靠性的几种解决方案。
协议计算后量子安全性的逻辑和交互式证明器
我们提供了第一个机械化的后量子健全安全协议证明。我们通过开发 PQ-BC（一种对于量子攻击者来说是健全的计算一阶逻辑）和以 PQ-Squirrel 证明器形式提供的相应机械化支持来实现这一目标。我们的工作建立在经典 BC 逻辑 [7] 及其在 Squirrel [5] 证明器中的机械化基础上。我们对 PQ-BC 的开发需要使 BC 逻辑对于单个交互式量子攻击者来说是健全的。我们通过修改 Squirrel、依赖 PQ-BC 的健全性结果并强制执行一组句法条件来实现 PQ-Squirrel 证明器；此外，我们为该逻辑提供了新的策略以扩展该工具的范围。使用 PQ-Squirrel，我们进行了几个案例研究，从而给出了它们的计算后量子安全性的第一个机械证明。其中包括两种基于 KEM 的密钥交换通用构造、两种来自 IKEv1 和 IKEv2 的子协议，以及 Signal 的 X3DH 协议的拟议后量子变体。此外，我们使用 PQ-Squirrel 证明几个经典的 Squirrel 案例研究已经是后量子可靠的。