Collata ab Instituto Automationis, Academia Scientiarum Sinensis

Qubits |

Solus XV secundis accipit ut problema propositum solvendae stochasticae, quae 1440 temporibus velocior est quam methodi traditae!

Novae investigationis ab Instituto Automationis Academiae Scientiarum Sinensium GCN usus est ut novos interrumperes in talibus quaestionibus assequeretur.

Hoc significat efficientem deliberationem etiam sub incertis condicionibus effici posse.

Decernendi sub incerto genere est magni momenti quaestionis decernendi, quae decernendorum requirit ut omnes casus incertis adiunctis plene perpensis et aequissimum iudicium reddant.

In mathematica, solutio communiter adhibita programmatio stochastica est, quae temere variabiles in mathematicis exemplaribus programmatis includit.

Inter eos, Duo-Scaena Programmationis Stochasticae (2SP) efficax methodus est ad tales decernendi quaestiones quaerendas et late adhibetur.

Hoc factum Instituti Automationis, Academiae Scientiarum Sinensium, exemplar HGCN2SP (HGCN significat graphi Convolutionis Hierarchicae Network), prorsus compositum methodi 2SP acpicturamConvolutionis retiacula deducta, exemplar adhiberi potest ad solvendas huiusmodi difficultates efficacius faciendas.

Primus auctor chartae est Wu Yang, doctor in instituto discipulus, et indagator Zhang Yifan auctor respondens est.

Quid est duplex programmatio stochastica?

Praecipua notio consiliorum stochastici est possibiles futuras problematis condiciones in plures missiones specimen convertere, deinde cuiusque missionis specimen optimizare, et tandem in optimam consequi eventum omnium missionum ad decisiones currentes dirigendas.

Area applicatio includit copiam catenam administrationem, collocationem nummariam, industriam celeritatem, calamitatem subitis procuratio, etc.

Duo scaena stochastica consilio, ut nomen sonat, processum in duos gradus dividit.

In specie, hi duo gradus requirunt macra et microform decisiones, quae respective ad extenuant totas impensas vel summas utilitates maximizant.

Decisiones in primo gradu fiunt antequam incertitudo manifestet, cum finis optimizing decisionis initialis ad varias missiones futuros possibiles accommodare.

Decisiones in secundo gradu fiunt post dubitationem emergentem et adaptantur secundum decisiones in primo gradu et quod factum est ad optimize altiorem exitum.

Per 2SP exemplar, factores decisiones oportet plene considerare ictum diversorum missionum, qui in decernendo processu fieri possunt, eo quod roboris et flexibilitas in melius decernendi ac magis scientifica et efficacia decernendi faciendi.

Exempli gratia, putant nos velle eligere aliquos ex 10 locis candidatis ad aedificandas horrea ad usus necessarios 20 circumjacentium.

Quod in primo statu statuendum est, quisnam ex his 10 locis petendis sit eligendus;

In secundo gradu, distributio relationis inter horreum et regionem determinanda est. Hoc tempore, numerus variabilium decisionum totidem est quot 200 (id est, sive horreum i regioni distribuit).

△Image generatae DALL· E

Mathematice, 2SP problema ut solet exprimi;

Inter eos, Q (x, ) repraesentat problema optimum scaena secundae decisionis x et missionis primae constitutae, cuius forma est:

In ipsa solutione, N scenae plerumque gustatae sunt ad valorem respondentem Q computandum ad exspectationem approximandam.

Plane, quo maior N est, approximatio magis credibilior est. Sed, cum numerus missionum augetur, magnitudo quaestionis celeriter dilatatur, quae in solutione temporis ad notabilem augmentum ducet.

Utamur hoc cellarium problema ad illustrandum.

Hoc significat N diversorum missionum necessitates ut late gustentur ut realem condicionem quamproxime simulent. Hoc tempore, totus numerus variabilium decisionum in secundo gradu erit tam altus quam 200N, solutionem temporis praelongam faciens.

Re quidem vera, cum N D sit, etiam antecedens mercator Gurobi utens, saltem 6 horas ad faciendum meliorem decisionem capiet.

Traditionales methodi plerumque temere sampling aut conglobantes utuntur technicis ut paucitatem missionum (ut 10 vel 20) eligant ad solutionem approximatam.

Ex hoc consilio notio exemplaris HGCN2SP orta est - dum reducendo numerum scaenarum sampling, accurate consequitur quam proxime fieri potest.

Usura graphi convolutionis retiacula solvere 2SP problema

Turma investigationis propositum HGCN2SP exemplar secundum retis graphi hierarchici convolutionis ad solvendum problema programmatum stochasticum duos scaenas proposuit.

Speciatim secundum designationem algorithmus, manipulus problema 2SP designavit construendo graphium hierarchicum, in quo graphio intimo usus est ad notas cuiusque scaenae depingendas, dum graphi suprema inter scenas relationem repraesentabat.

Deinde graphi hierarchici reticuli convolutionis (HGCN) adhibentur ad meam informationem embedding subiectae scaenae subgraphae et informationes structurarum summi gradus scaenae ad extrahendam scaenam repraesentationem.

Decoder secundum mechanismum attentionem adhibetur ut scenas delectet. Non solum scenas repraesentativas ad problema simpliciorem invenire potest, sed etiam in basi initiali delectu emendare cum problema per methodum simplicem optimizandi ordinem solvendo. argumenta.

HGCN2SP exemplar compage

Manipulus etiam supplementum discendi coniunxit (RL) ut comprehensive examinet tempus decernendi qualitatem ac solutionem ad exemplar parametri optimize, insigniter meliorandi efficientiam et qualitatem problema solvendi.

In superiore warehouse quaestionis locus, quamvis HGCN2SP tantum 10 missiones delectis, differentiam inter eventus decisionis et decisionem solventis Gurobi per 6 horas tantum 1,7% tantum erat, et solutio temporis tantum 15 secundis, quae velocitati aequiparatur. MCDXL temporum emendatio est, quae efficaciam huius methodi plene refert.

Praeterea in experimento Problematis Network Design (NDP), HGCN2SP similes effectus decernendi effecta minus quam dimidium temporis modi exsistentium.

Praesertim in magnis-scalaris instantiis et in magna multitudine missionum, HGCN2SP adhuc validas facultates generales obtinet.

Propositio HGCN2SP novam ideam et instrumentum praebet ad problemata 2SP complexorum solvenda et ad expectationes latas applicationes habet.

Investigationis turmae consilia ad exemplar optimizare, ad formationem reducere impensas, eiusque applicationem in quaestionibus utilioribus explorare.

Charta inscriptio:
https://openreview.net/forum?id=8onaVSFTEj