深入学习模型的压缩在将这些模型部署到边缘设备方面具有根本重要性。在压缩期间,在压缩期间结合硬件模型和应用限制可以最大限度地提高优势,但使其专为一种情况而设计。因此,压缩需要自动化。搜索最佳压缩方法参数被认为是一个优化问题。本文介绍了一种多目标硬件感知量化(MohaQ)方法,其将硬件效率和推理误差视为混合精度量化的目标。该方法通过依赖于两个步骤,在很大的搜索空间中评估候选解决方案。首先,应用训练后量化以进行快速解决方案评估。其次,我们提出了一个名为“基于信标的搜索”的搜索技术,仅在搜索空间中重新选出所选解决方案,并将其用作信标以了解刷新对其他解决方案的影响。为了评估优化潜力,我们使用Timit DataSet选择语音识别模型。该模型基于简单的复发单元(SRU),由于其相当大的加速在其他复发单元上。我们应用了我们在两个平台上运行的方法:SILAGO和BETFUSION。实验评估表明,SRU通过训练后量化可以压缩高达8倍,而误差的任何显着增加,误差只有1.5个百分点增加。在Silago上,唯一的搜索发现解决方案分别实现了最大可能加速和节能的80 \%和64 \%,错误的误差增加了0.5个百分点。在BETFUSION上,对于小SRAM尺寸的约束,基于信标的搜索将推断搜索的错误增益减少4个百分点,并且与BitFusion基线相比,可能的达到的加速度增加到47倍。
translated by 谷歌翻译
我们开发由现场可编程门阵列(FPGA)的合作构成的加速遗传算法(GA)系统,以及GA的优化参数。我们发现增强的突变率衰变使得GA的收敛更快,从而实现GA的参数诱导的加速度。此外,GA的加速配置在FPGA中被编程,以在没有外部计算设备的情况下升高处理速度。该系统能够通过强大的抗噪声电阻和稳定的重复性能在4秒内通过散射介质聚焦光,这可以通过高级板配置进一步降低到毫秒级别。本研究解决了GA的长期限制,它促进了Ga在动态散射介质中的应用,具有在生物材料中缠绕波前塑造的能力。
translated by 谷歌翻译
为了支持各种任务和处理不同的飞行环境,无人机控制程序通常提供可配置的控制参数。但是,这种灵活性引入了漏洞。最近已识别出一种称为范围规范错误的这种漏洞。该漏洞起源于即使每个单独的参数在推荐值范围内接收值,也可能影响无人机物理稳定性的某些组合。在本文中,我们开发了一种新颖的学习引导的搜索系统来寻找这样的组合,即我们称之为不正确的配置。我们的系统应用了Metaheuristic Search算法突变配置,以检测将无人机驱动到不稳定物理状态的值的配置参数。为了引导突变,我们的系统利用机器学习预测因子作为健身评估。最后,通过利用多目标优化,我们的系统基于突变搜索结果返回可行的范围。由于在我们的系统中,突变由预测器引导,评估参数配置不需要现实/仿真执行。因此,我们的系统支持全面但有效地检测不正确的配置。我们对我们的系统进行了实验评估。评估结果表明,该系统成功地报告了可能不正确的配置,其中85%以上导致实际不稳定的物理状态。
translated by 谷歌翻译
在神经结构的搜索算法设计(NAS)已经收到了很多关注,旨在提高性能和降低计算成本。尽管巨大的进步作出,很少有作者提出裁缝初始化技术NAS。然而,文献表明,一个好的初始一整套解决方案有助于找到最优解。因此,在这项研究中,我们提出了一个数据驱动的技术来初始化一个人口为基础的NAS算法。特别是,我们提出了一个两步法。首先,我们进行搜索空间的校准聚类分析,和第二,我们提取的重心,并利用它们来初始化NAS算法。我们的基准我们提出的针对使用三个人口为基础的算法,即遗传算法,进化算法,以及老化发展随机和拉丁方抽样方法初始化,上CIFAR-10。更具体地说,我们使用NAS-台-101利用NAS基准的可用性。结果表明,相比于随机和拉丁方抽样,所提出的初始化技术能够在各种搜索场景(不同的培训预算)达到显著的长期改善两个搜索基线,有时。此外,我们分析得到的溶液的分布,发现由数据驱动的初始化技术提供的人口使检索高健身和类似配置的局部最优(最大值)。
translated by 谷歌翻译
我们考虑通过删除指定的线路从更大的一个构造从更大的阵列(OA)构建二进制正交阵列(OA)的优化问题。特别地,我们开发一种遗传算法(GA),其中底层染色体是指定从起始OA取消的线路的恒定重量二进制字符串。然后通过平衡的交叉和突变算子来演化这种染色体以保持它们中的数量。健身功能通过测量从比起始的OA的约束量测量它们的距离来评估从这些染色体获得的基质。我们通过将初始OA制定作为基本奇偶校验阵列的几个块的随机置换来执行提出的遗传算法的初步实验验证,从而保证了最佳解决方案的存在。
translated by 谷歌翻译
事物互联网(物联网)是一个由嵌入式传感器和服务网络为特征的范例。结合了这些传感器以收集各种信息,跟踪物理条件,例如废物箱状态,并使用不同的集中平台交换数据。对这种传感器的需求正在增加;然而,技术的扩散具有各种挑战。例如,如何使用IoT及其相关数据来增强废物管理?在智能城市,有效的废物管理系统至关重要。人工智能(AI)和启用IOT的方法可以赋予城市管理废物收集。这项工作提出了一种在给定空间约束的支持物联网的废物管理系统中提供推荐的智能方法。它基于基于AI的方法进行彻底的分析,并比较它们的相应结果。我们的解决方案基于多级决策过程,其中考虑到箱子状态和坐标以解决路由问题。这种基于AI的模型可以帮助工程师设计可持续的基础设施系统。
translated by 谷歌翻译
最近被证明在强化学习(RL)设置中显示出的神经形式非常竞争,并且能够减轻基于梯度的方法的一些缺点。本文将专注于使用简单的遗传算法(GA)来应用神经发展,以找到产生最佳表现代理的神经网络的权重。此外,我们提出了两种新颖的修改,以提高与初始实施相比的数据效率和收敛速度。在Openai健身房提供的汇聚环境中评估了修改,并证明明显优于基线方法。
translated by 谷歌翻译
特征选择是一个棘手的问题,因此实用算法通常折衷对计算时间解的精度。在本文中,我们提出了利用近似,或代理人的多层次的一种新型的多阶段特征选择框架。这种框架允许使用的包装在计算上更多有效的方式方法,显著增加的特征选择的解决方案的质量可以实现的,尤其是在大型数据集。我们设计和评估是一个替代辅助遗传算法(SAGA),它利用这个概念在勘探早期阶段,引导进化搜索。 SAGA只有切换到在最后开发阶段评估原有的功能。我们证明了上限SAGA替代辅助阶段的运行时间是雪上加霜等于包装GA,而且更好地扩展为实例数高位复杂性的归纳算法。我们证明,使用来自UCI ML储存部14个集,在实践中SAGA显著降低与基线相比包装遗传算法(GA)的计算时间,而汇聚成显著精度更高的解决方案。我们的实验表明,SAGA能以接近最优的解决方案不是一个包装GA快三倍到达,平均。我们还展示了旨在防止代理人误导向错误的最优进化搜索进化控制方法的重要性。
translated by 谷歌翻译
同时发展机器人的形态(体)和控制器(大脑)可能导致后代遗传体和大脑之间的不匹配。为了缓解这个问题,相对较早地提出了通过所谓的生活框架的所谓的生命框架的学习期。但是,实证评估仍缺乏迄今为止。在本文中,我们研究了这种学习机制与不同视角的影响。使用广泛的模拟,我们认为,与纯粹的进化方法相比,学习可以大大提高任务性能并减少一定适合水平所需的几代人数。此外,虽然学习只直接影响控制器,但我们证明了进化的形态也将是不同的。这提供了定量演示,即大脑的变化可以诱导体内的变化。最后,我们研究了给定体学习的能力量化的形态智力的概念。我们观察到学习三角洲,继承与学习大脑之间的性能差异,在整个进化过程中都在增长。这表明演化正在生产具有越来越多的可塑性的机器人,即连续几代变得越来越好,更好的学习者,这反过来使它们更好,在给定的任务中更好地更好。总而言之,我们的结果表明,生活的三角形不仅是理论兴趣的概念,而且是一种具有实际好处的系统架构。
translated by 谷歌翻译
超比计算(HDC)是由大脑启发的新出现的计算框架,其在数千个尺寸上运行以模拟认知的载体。与运行数量的传统计算框架不同,HDC,如大脑,使用高维随机向量并能够一次学习。 HDC基于明确定义的算术运算集,并且是高度误差的。 HDC的核心运营操纵高清vectors以散装比特方式,提供许多机会利用并行性。遗憾的是,在传统的von-neuman架构上,处理器中的高清矢量的连续运动可以使认知任务过度缓慢和能量密集。硬件加速器只会略微改进相关的指标。相反,只有使用新兴铭文设备内存的HDC框架的部分实施,已报告了相当大的性能/能源收益。本文介绍了一种基于赛道内存(RTM)的架构,以便在内存中进行和加速整个HDC框架。所提出的解决方案需要最小的附加CMOS电路,并在称为横向读取(TR)的RTM中跨多个域的读取操作,以实现排他性或(XOR)和添加操作。为了最小化CMOS电路的开销,我们提出了一种基于RTM纳米线的计数机制,其利用TR操作和标准RTM操作。使用语言识别作为用例,分别与FPGA设计相比,整体运行时和能耗降低了7.8倍和5.3倍。与最先进的内存实现相比,所提出的HDC系统将能耗降低8.6倍。
translated by 谷歌翻译
在过去的几十年中,经典的车辆路由问题(VRP),即为车辆分配一组订单并规划他们的路线已经被密集研究。仅作为车辆的订单分配和他们的路线已经是一个NP完整的问题,因此在实践中的应用通常无法考虑在现实世界应用中应用的约束和限制,所谓的富VRP所谓的富VRP(RVRP)并且仅限于单一方面。在这项工作中,我们融入了主要的相关真实限制和要求。我们提出了一种两级策略和时间线窗口和暂停时间的时间线算法,并将遗传算法(GA)和蚁群优化(ACO)单独应用于问题以找到最佳解决方案。我们对四种不同问题实例的评估,针对四个最先进的算法表明,我们的方法在合理的时间内处理所有给定的约束。
translated by 谷歌翻译
大多数深度学习模型的诊断性能受到模型架构及其普遍参数的影响很大。模型选择方法中的主要挑战是建筑优化器和模型评估策略的设计。在本文中,我们提出了一种进化深神经网络的新颖框架,它使用政策梯度来指导DNN架构的演变实现最大诊断准确性。我们制定了一个基于策略梯度的控制器,它会生成一个动作,以在每一代采样新模型架构。获得的最佳健身用作更新策略参数的奖励。此外,所获得的最佳模型被转移到NSGA-II进化框架中的快速模型评估的下一代。因此,该算法获得了快速非主导排序的好处以及快速模型评估。拟议框架的有效性已在三个数据集中验证:空气压缩机数据集,案例西部储备大学数据集和戴克邦大学数据集。
translated by 谷歌翻译
图形着色问题(GCP)是计算机科学中最受研究的NP艰难问题之一。给定图形,任务是为所有顶点分配颜色,使得没有共享边缘的顶点接收相同的颜色并且使用的颜色的数量是最小的。已经应用了不同的启发式,元启发式,机器学习和混合解决方法来获得解决方案。解决这个问题,我们使用进化算法的突变。为此目的,我们介绍了图形着色问题的二进制编码。这种二进制编码有助于我们轻松突变,评估,免疫系统和合并颜色,并动态减少着色。在用于图形着色的传统进化算法(EA)中,使用k着色方法​​,并重复运行EA直到达到最低点。在我们的论文中,我们从色度数字的理论上限开始,即最大程度+ 1和进化过程中的一些颜色是未使用的,以动态减少每一代中的颜色数量。我们测试几个标准的Dimacs基准并比较怨恨纸张。最大结果与预期的色彩颜色相同,并且很少的数据集大于预期的色度
translated by 谷歌翻译
自动驾驶汽车和卡车,自动车辆(AVS)不应被监管机构和公众接受,直到它们对安全性和可靠性有更高的信心 - 这可以通过测试最实际和令人信服地实现。但是,现有的测试方法不足以检查AV控制器的端到端行为,涉及与诸如行人和人机车辆等多个独立代理的交互的复杂,现实世界的角落案件。在街道和高速公路上的测试驾驶AVS无法捕获许多罕见的事件时,现有的基于仿真的测试方法主要关注简单的情景,并且不适合需要复杂的周围环境的复杂驾驶情况。为了解决这些限制,我们提出了一种新的模糊测试技术,称为AutoFuzz,可以利用广泛使用的AV模拟器的API语法。生成语义和时间有效的复杂驾驶场景(场景序列)。 AutoFuzz由API语法的受限神经网络(NN)进化搜索引导,以生成寻求寻找独特流量违规的方案。评估我们的原型基于最先进的学习的控制器,两个基于规则的控制器和一个工业级控制器,显示了高保真仿真环境中高效地找到了数百个流量违规。此外,通过AutoFuzz发现的基于学习的控制器进行了微调的控制器,成功减少了新版本的AV控制器软件中发现的流量违规。
translated by 谷歌翻译
离散基因监管网络(GRNS)在鲁棒性和模块化的研究中起着至关重要的作用。评估GRNS稳健性的常见方法是测量它们调节一组扰动基因激活图案回到其未受干扰的形式的能力。通常,通过收集通过基因激活模式的预定分布产生的随机样品来获得扰动。这种采样方法引入了随机性,否定动态。这种动态施加在已经复杂的健身景观之上。因此,在使用采样的情况下,重要的是要理解哪种效果来自健身景观的结构,并且从施加的动力学产生。健身功能的随机性也会导致重现性和实验后分析中的困难。通过考虑基因活性模式的完全分布,我们制定确定性分布适应性评估,以避免适应性评估中的随机性。这种健身评估有助于重复性。其确定性允许我们在健身上确定理论界,从而确定算法是否达到了全局最优。它使我们能够将问题域与嘈杂的健身评估的影响区分开来,从而解决〜\ CiteT {espinosa2010Specialization}问题领域的行为中的两个剩余异常。我们还揭示了解决方案GRNS的一些属性,使它们具有稳健和模块化,导致对问题域的性质更深入了解。我们通过讨论潜在的方向来模拟和理解较大,更复杂的域中的模块化的出现,这是产生更有用的模块化解决方案的关键,并理解生物系统中的模块化的难以。
translated by 谷歌翻译
敦促智能技术实现开放式无线电接入网络(O-RAN)中计算资源的自动分配,以节省计算资源,提高它们的利用率并降低延迟。但是,要解决此资源分配问题的现有问题制定是不合适的,因为它定义了以不适当的方式为资源的容量实用性,并且往往会导致太多延迟。此外,只有在贪婪的搜索基于贪婪搜索的情况下才能解决现有问题,这并不理想,因为它可能会被粘在本地最佳擎天。考虑到那些,提出了一种更好地描述问题的新配方。另外,作为众所周知的全球搜索元启发式方法,设计了一种用于解决新问题制定的进化算法(EA),以找到资源分配方案,以主动和动态地部署计算资源以用于处理即将到来的流量数据。在几个现实世界数据集和新生成的人工数据集中进行的实验研究,具有超出现实世界数据集的具有更多特性的实验数据集已经在不同参数设置下显示了基线贪婪算法的显着优越性。此外,采用实验研究来比较所提出的EA和两种变体,以指示不同算法选择的影响。
translated by 谷歌翻译
组合设计提供了一个有趣的优化问题来源。其中,给出了在电力线通信,闪存和块密码中的应用程序的应用特别感兴趣。本文通过开发迭代方法来解决进化算法(EA)的排列码的设计。从单个随机排列开始,通过使用基于置换的ea来逐渐增加满足最小距离约束的新排列。我们调查了针对四种不同的健身功能的方法,针对不同级别的细节的最小距离要求,并有两种不同的关于代码扩展和修剪的政策。我们比较我们的EA方法实现的结果,即简单的随机搜索,答案既没有用问题大小衡量。
translated by 谷歌翻译
健身分配过程将候选解决方案的特征(例如客观值)转换为标量适合度,然后是选择的基础。在频率健身分配(FFA)下,对应于客观值的适应度是其遇到频率,并且可能会最小化。 FFA创建了不偏向更好的解决方案的算法,并且在目标函数值的所有双突发下都是不变的。我们调查FFA对两种理论启发,最先进的EA,贪婪(2 + 1)GA和自调节(1 +λ,λ)的性能的影响。 FFA对他们难以提高他们的表现。我们经验地发现一种基于FFA的算法可以解决本研究中的所有基于理论的基准问题,包括多项式时间中的陷阱,跳跃和强化。我们提出了两种混合方法,该方法使用直接和基于FFA的优化,并发现它们表现良好。所有基于FFA的算法在满足性问题上也比所有纯算法变体更好。
translated by 谷歌翻译
流量店调度(FSS)已被广泛研究,因为它在许多类型的领域中的应用,而人类参与者对这个问题带来了巨大挑战。人力调度捕捉注意力为各种熟练程度的分配工人对适当的阶段,这对生产效率具有重要意义。在本文中,我们提出了一种称为自编码Barnace交配优化器(SBMO)的新型算法,其解决了考虑工人熟练程度的FSS问题,定义为一个新问题,流店人力调度问题(FSMSP)。 SBMO算法的亮点是与编码方法,交叉和突变运算符的组合。此外,为了解决局部最佳问题,我们设计了邻居搜索方案。最后,进行了广泛的比较模拟,以证明所提出的SBMO的优越性。结果表明,与经典和流行的对应相比,SBMO近似比率,强大的稳定性和执行时间的有效性。
translated by 谷歌翻译
可持续消费旨在最大限度地减少使用服务和产品的环境和社会影响。服务和产品的过度消耗导致潜在的自然资源耗尽和社会不平等,因为对商品和服务的访问变得更具挑战性。在日常生活中,一个人可以通过大大改变他们的生活方式选择并可能违背其个人价值观或愿望来实现更可持续的购买。相反,实现可持续消费,同时考虑个人价值观是一个更复杂的任务,因为在努力满足环境和个人目标时出现潜在的权衡。本文重点介绍了推荐系统的价值敏感设计,使消费者能够在尊重其个人价值观的同时提高购物的可持续性。可持续消费的价值敏感建议被形式化为多目标优化问题,每个目标都代表不同的可持续性目标和个人价值。新颖和现有的多目标算法计算解决此问题的解决方案。该解决方案被提出为消费者的个性化可持续篮子建议。这些建议在合成数据集中进行了评估,其中包括来自相关科学和组织报告的三个建立的现实数据集。合成数据集包含有关产品价格,营养价值和环境影响指标的定量数据,例如温室气体排放和水占地面积。推荐的篮子与消费者购买的篮子高度相似,并与可持续发展目标和与健康,支出和品味相关的个人价值观对齐。即使消费者只接受一小部分建议,也观察到环境影响的相当大降低。
translated by 谷歌翻译