实际项目调度通常需要在选择和替代生产活动的确切长度方面具有灵活性。此外,在许多生产计划应用中,必须同时安排多个批次。为了满足这些要求,引入了一个新的灵活资源约束的多项目调度问题,其中两个决策(活动选择灵活性和时间灵活性)被集成。除最小化完工时间外,还提出了两个由asteel行业应用案例启发的替代目标:最大化所选活动的平衡时间(时间平衡)和均衡资源利用(资源平衡)的最大化。针对已开发的集成柔性项目调度问题,提出了新的混合整数和约束规划(CP)模型。通过使用IBMILOG CPLEX的CP Optimizer解决大型钢铁行业实例,可以显示建议的CP模型的实际适用性。此外,灵活的资源约束项目调度问题(RCPSP)的基准实例被解决为最优。
translated by 谷歌翻译
神经网络很容易受到对抗性攻击 - 视觉上不易察觉的小噪声,当加到输入端时会大大改变输出。防御这些敌对攻击的最有效方法是使用对抗性训练的方法。我们分析了经过对侧训练的强大模型,以研究它们在潜层层面对抗对抗性攻击的脆弱性。我们的分析揭示了与对抗性攻击具有鲁棒性的输入层相反,这些鲁棒模型的特征层非常容易受到小幅度的对抗性扰动。利用这些信息,我们引入了一种新技术潜在对抗训练(LAT),其中包括对经过对侧训练的模型进行微调,以确保在特征层中的稳健性。我们还提出潜在攻击(LA),一种用于构建对抗性示例的新算法。 LAT导致测试精度的微小改进,并导致针对MNIST,CIFAR-10,CIFAR-100数据集显示的通用一阶对抗性PGD攻击的最新对抗精度。
translated by 谷歌翻译
虽然目前的通用游戏(GGP)系统促进了用于游戏的人工智能(AI)的有用研究,但它们通常是特定的,并且计算效率低。在本文中,我们描述了一个名为Ludii的“ludemic”通用游戏系统的初始版本,该系统具有为AI研究人员以及相关领域的游戏设计师,历史学家,教育工作者和从业者提供有效工具的潜力。 Ludiidefines游戏作为ludemes的结构,即高级,易于理解的游戏概念。我们通过概述其主要优点来建立Ludii的基础:通用性,可扩展性,可理解性和效率。实验上,Ludii优于Tiltyard GGP存储库中所有可用游戏的基于命题网络的最有效的Game DescriptionLanguage(GDL)reasoners之一。
translated by 谷歌翻译
人类通常会教他们的同伴合作者通过少数示威来执行任务。通过指导来纠正或扩展学习的任务以完成特定的任务目标。采用类似的框架通过示范和指导来强化机器人,使教学任务非常直观。与需要多次演示的传统的演示学习(LfD)方法不同,我们提供了从演示方法学习任务的一次性学习。使用两层评估/修改来校正和概括所学习的任务。首先,机器人自己评估其性能并将性能校正为更接近于证明的任务。然后,教练被用作扩展政策的手段,以适应不同的任务目标。使用强化学习(RL)方法实现自我评估和教学。教练通过人工反馈实现预期目标和行动修改,以普及到指定的任务目标。通过呈现单个演示,通过ascooping任务评估所提出的方法。自我评估框架旨在减少媒体中对舀取的抵制。为了减少RL的这些空间,我们使用阻力理论获得的最小阻力路径进行搜索。教练用于概括学习任务政策以转移所需数量的材料。因此,所提出的方法提供了用于从一次演示中学习任务并使用人工反馈通过指导来概括它的框架。
translated by 谷歌翻译
基于one.g.的数值模拟评估的计算工作量。有限元方法很高。元模型可用于创建低成本替代方案。然而,用于创建足够的元模型的所需样本的数量应该保持较低,这可以通过使用自适应采样技术来实现。在这篇硕士论文中,研究了自适应采样技术在使用克里金技术创建元模型中的应用,该技术通过由先验协方差控制的高斯过程来插值。提出了扩展到多保真问题的Kriging框架,并用于比较文献中提出的基准问题的自适应采样技术以及接触力学的应用。本文首次对Kriging框架的自适应技术的大范围进行了综合比较。此外,自适应技术的灵活性被引入到多保真Kriging以及具有减少的超参数维度的Kriging模型,称为偏最小二乘Kriging。此外,提出了一种创新的二进制分类自适应方案,并用于识别Duffing型振荡器的混沌运动。
translated by 谷歌翻译
在本文中,我们调查了为对话系统评估而开发的方法和概念。评估是开发过程中的关键部分。通常,对话系统通过人工评估和问卷调查进行评估。然而,这往往是非常耗费成本和时间的。因此,已经做了很多工作来寻找能够减少人工劳动的方法。在本次调查中,我们提出了主要的概念和方法。为此,我们区分了各种对话系统(面向任务的对话系统,会话对话系统和问答 - 对话系统)。我们通过介绍为对话系统开发的主要技术,然后介绍有关该课程的评估方法,涵盖每个课程。
translated by 谷歌翻译
模式分析通常需要预处理阶段来提取选择特征,以帮助分类,预测或聚类阶段以更好的方式区分或表示数据。这一要求的原因是原始数据复杂且难以处理而无需事先提取或选择适当的特征。本文回顾了不同常用的特征选择和提取方法的理论和动机,并介绍了它们的一些应用。对于这些方法也示出了一些数字实现。最后,比较了方法的选择性和提取方法。
translated by 谷歌翻译
计算哲学是机械化计算技术的运用,利用传统哲学方法难以或不可能找到的哲学见解。计算形而上学是计算哲学,侧重于形而上学。在本文中,我们(a)开发了模态形而上学的结果,其发现是计算机辅助的,并且(b)得出结论,这些结果不仅对哲学的明显好处起作用,而且对于计算机科学的益处也不那么明显,因为新的导致这些结果的计算技术可能在计算机科学中更广泛地应用。本文包括对背景方法及其演变方式的描述,以及对我们新结果的讨论。
translated by 谷歌翻译
在这里,我们回顾了利用大数据和机器学习(ML)的前沿研究和创新方面,这两个计算机科学领域结合起来产生机器智能。 ML可以加速解决复杂的化学问题,甚至可以解决其他方面无法解决的问题。但ML的潜在好处是以大数据生产为代价的;也就是说,为了学习,算法需要来自不同来源的大量数据,来自材料属性传感器数据。在调查中,我们提出了未来发展的路线图,重点是材料发现和化学传感,并在物联网(IoT)的背景下,这两个领域都是MLin大数据背景的突出研究领域。除了概述最近的发展之外,我们还详细阐述了bigdata和ML应用于化学,概述过程,讨论陷阱以及回顾成功和失败案例的概念和实践限制。
translated by 谷歌翻译
在自动驾驶汽车中,异物检测,物体分类,车道检测和物体跟踪被认为是关键模块。在不久的时间里,使用实时视频,人们想要讲述安装在我们车辆中的摄像机拍摄的场景。为了有效地实现该任务,广泛使用深度学习技术和自动视频注释工具。在本文中,我们比较了foreach模块可用的各种技术,并使用适当的度量标准选择其中的最佳算法。对于物体检测,考虑YOLO和Retinanet-50,并且基于平均平均精度(mAP)选择最佳的物体。对于对象分类,我们考虑VGG-19和Resnet-50,并选择基于低错误率和良好准确性的最佳算法。对于车道检测,比较Udacity的“找出车道线”和基于深度学习的LaneNet算法,并选择能够准确识别给定车道的最佳车道进行实施。就目标跟踪而言,我们比较了Udacity的“对象检测和跟踪”算法和基于深度学习的深度排序算法。基于在许多帧中跟踪相同对象并预测对象移动的准确性,选择最佳算法。与人类注释器相比,我们的自动视频注释工具准确率为83%。我们考虑了一个分辨率为1035 x 1800像素的530帧视频。平均每帧约有15个物体。我们的注释工具在基于CPU的系统中耗时43分钟,在基于GPU的中级系统中耗时2.58分钟,以处理所有四个模块。但同一个视频花了近3060分钟,一个人类注释器在给定的视频中叙述场景。因此,我们声称我们提出的自动视频注释工具相当快(在GPU系统中大约1200次)并且准确。
translated by 谷歌翻译