Phần 5: Trò chuyện về ứng dụng vào kinh doanh, ứng dụng AI tỷ lệ cá cược kèo nhà cái tương lai

Ví dụ về ứng dụng tối ưu hóa cho những thứ khác ngoài “sản xuất”

Tối ưu hóa chủ yếu được áp dụng cho sản xuất máy móc kỹ thuật như ô tô và máy bay Ở đây, chúng tôi sẽ giới thiệu một ví dụ về cách áp dụng tối ưu hóa vào quản lý

"Hệ thống nhà thông minh" là hệ thống quản lý năng lượng toàn diện giúp kiểm soát năng lượng tỷ lệ cá cược kèo nhà cái một ngôi nhà được trang bị các thiết bị sản xuất và lưu trữ năng lượng, từ đó giảm năng lượng lãng phí, giảm lượng khí thải carbon dioxide tạo ra tỷ lệ cá cược kèo nhà cái cuộc sống hàng ngày và cho phép các hộ gia đình trở nên độc lập về năng lượng tỷ lệ cá cược kèo nhà cái trường hợp mất điện hoặc thảm họa Cần kiểm soát từng thiết bị năng lượng bằng cách tính đến nhiều thông tin khác nhau như thông số kỹ thuật của từng thiết bị năng lượng, các ràng buộc hệ thống của hệ thống điện và nhiệt của ngôi nhà thông minh cũng như loại hợp đồng cho đơn giá điện Tuy nhiên, sự phức tạp của hệ thống khiến việc hiểu cách các thiết bị có thể hoạt động hiệu quả với nhau trở nên khó khăn

Do đó, các tác giả đã nỗ lực tối ưu hóa kế hoạch vận hành (quản lý năng lượng) của nhiều thiết bị năng lượng khác nhau nhằm giảm thiểu đồng thời chi phí tiện ích và lượng khí thải carbon dioxide, dựa trên nhu cầu điện và nhiệt tỷ lệ cá cược kèo nhà cái một ngày nhất định Đầu tiên, vì vấn đề này có nhiều ràng buộc liên quan đến thông số kỹ thuật của từng thiết bị năng lượng và nhu cầu năng lượng, chúng tôi đã phát triển một thuật toán duy nhất có thể tìm kiếm giải pháp tối ưu một cách hiệu quả tỷ lệ cá cược kèo nhà cái các điều kiện ràng buộc nghiêm trọng [1] Bằng cách phân tích dữ liệu giải pháp tối ưu Pareto được tìm kiếm cho vấn đề này, chúng tôi đã rút ra các luật điều khiển cho từng thiết bị năng lượng nhằm xác định sự cân bằng giữa việc giảm chi phí tiện ích và lượng khí thải carbon dioxide [2]

Tối ưu hóa bằng AI tổng hợp

Sức mạnh lớn nhất của tối ưu hóa là nó có thể tự động khám phá giải pháp tối ưu theo hàm mục tiêu và điều kiện ràng buộc nhất định mà không bị ràng buộc bởi kiến thức, kinh nghiệm hoặc trực giác của con người tỷ lệ cá cược kèo nhà cái thiết kế kỹ thuật, điều này gợi ý khả năng tạo ra các thiết kế sáng tạo khác với các thiết kế hiện có và đặc biệt hiệu quả tỷ lệ cá cược kèo nhà cái các vấn đề chưa có tiền lệ về thiết kế Mặt khác, đối với các bài toán có nhiều mẫu thiết kế tỷ lệ cá cược kèo nhà cái quá khứ (ví dụ: những mẫu đã được sản xuất hàng loạt), nếu việc tối ưu hóa được thực hiện độc lập với thiết kế hiện tại thì tính ngẫu nhiên (đa dạng) của các thiết kế mới đang được tìm kiếm sẽ quá mạnh, gây khó khăn cho việc tìm ra một thiết kế mới vượt trội hơn thiết kế hiện có

Do đó, các tác giả đã phát triển một thuật toán tối ưu hóa kết hợp với mô hình AI có tên ``Mạng đối thủ sáng tạo (GAN)'' [3] để tìm hiểu một cách cạnh tranh về tính đa dạng của các thiết kế mới và sự khác biệt so với các thiết kế hiện có (khả năng phân biệt đối xử), sau đó chỉ tạo ra các thiết kế mới đầy hứa hẹn Kết quả là giờ đây có thể tìm kiếm một cách hiệu quả các thiết kế mới vượt trội hơn các thiết kế hiện có đồng thời tính đến các tính năng tốt tiềm ẩn tỷ lệ cá cược kèo nhà cái vô số thiết kế hiện có Hơn nữa, thuật toán này dự kiến ​​sẽ đóng một vai trò tỷ lệ cá cược kèo nhà cái việc bổ sung giá trị mới cho các thiết kế phổ biến hiện có [4]

Mô hình thay thế phản ánh tính nhất quán về mặt vật lý

tỷ lệ cá cược kèo nhà cái các bài toán tối ưu hóa thiết kế kỹ thuật, hàm mục tiêu và điều kiện ràng buộc thường bắt nguồn từ các hiện tượng vật lý chi phối thiết kế và cần rất nhiều thời gian để đánh giá hàm mục tiêu và hàm ràng buộc tỷ lệ cá cược kèo nhà cái những trường hợp như vậy, cần phải sử dụng mô hình thay thế gần đúng về mặt toán học với hàm mục tiêu và hàm ràng buộc, nhưng nếu sai số ước lượng của mô hình lớn thì thiết kế không thể được tối ưu hóa chính xác

Do đó, tỷ lệ cá cược kèo nhà cái những năm gần đây, các mô hình thay thế phản ánh tính nhất quán vật lý, thay vì các phép tính gần đúng toán học đơn thuần, đã được phát triển "Mạng thần kinh thông tin vật lý: PINN" [5] là một ví dụ điển hình cho điều này và là mô hình AI dự đoán các hiện tượng vật lý bằng cách sử dụng các phương trình chi phối và điều kiện biên mà hiện tượng vật lý mục tiêu phải đáp ứng làm dữ liệu huấn luyện Đầu tiên, dạng của phương trình điều chỉnh và điều kiện biên là hiển nhiên, do đó, bằng cách sử dụng các phần dư này làm hàm mất mát học máy, PINN về cơ bản trở thành học không giám sát, loại bỏ nhu cầu chuẩn bị dữ liệu huấn luyện Do đó, PINN đang thu hút sự chú ý như một mô hình thay thế ước tính chính xác hơn và ít tốn kém hơn các hiện tượng vật lý (tỷ lệ cá cược kèo nhà cái trường hợp tối ưu hóa, hàm mục tiêu và hàm ràng buộc được xác định từ hiện tượng vật lý)

Các tác giả đang nghiên cứu ảnh hưởng của các cài đặt như cấu trúc mô hình, quá trình học và hàm mất mát đến độ chính xác dự đoán của PINN, dự đoán trường dòng chảy xung quanh cánh máy bay Hiện tại, có ý kiến ​​​​cho rằng độ chính xác dự đoán của PINN thay đổi rất nhiều tùy thuộc vào cài đặt và việc tăng tính linh hoạt của nó như một mô hình thay thế là một thách thức tỷ lệ cá cược kèo nhà cái tương lai [6] Các tác giả cũng đang nghiên cứu phát triển một PINN mới có thể đáp ứng linh hoạt với những thay đổi tỷ lệ cá cược kèo nhà cái điều kiện biên, vì PINN chỉ có thể dự đoán các hiện tượng vật lý đối với các điều kiện biên nhất định (tức là một hình dạng thiết kế) [7]

Lần này chúng ta sẽ nói về ứng dụng vào kinh doanh Liên quan đến việc sử dụng AI tỷ lệ cá cược kèo nhà cái tương lai, chúng tôi đã giới thiệu một ví dụ về việc áp dụng tối ưu hóa vào "quản lý"

Tài liệu tham khảo

• [1] Shimoyama, K, Kato, T: Thuật toán tối ưu hóa đa mục tiêu bị ràng buộc tiến hóa với chiến lược đánh giá song song Tạp chí Thiết kế, Hệ thống và Sản xuất Cơ khí Tiên tiến, 11 (5): JAMDSM0051 (2017)
• [2] Masashi Tomita, Koji Shimoyama, Yukiko Ebara, So Yamada, Takashi Kokuryo: Trích xuất luật điều khiển cho các thiết bị năng lượng tỷ lệ cá cược kèo nhà cái hệ thống nhà thông minh Kỷ yếu của Hiệp hội Kỹ sư Cơ khí Nhật Bản, 84 (859): 17-00390 (2018)
• [3] Goodfellow, I, Pouget-Abadie, J, Mirza, M, Xu, B, Warde-Farley, D, Ozair, S, Courville, A, Bengio, Y: Lưới tạo ra đối thủ Những tiến bộ tỷ lệ cá cược kèo nhà cái Hệ thống xử lý thông tin thần kinh, 27: 2672–2680 (2014)
• [4] Hariansyah, MA, Shimoyama, K: Kỹ thuật học sâu cho thiết kế khí động học dựa trên thay thế chiều cao Đại hội lần thứ 33 của Hội đồng Khoa học Hàng không Quốc tế (ICAS 2022): 164–182 (2022)
• [5] Raassi, M Perdikaris, P, Karniadakis, GE: Mạng lưới thần kinh dựa trên vật lý: Một khung học sâu liên quan đến việc giải các bài toán thuận và nghịch các phương trình vi phân từng phần phi tuyến Tạp chí Vật lý tính toán, 378: 686–707 (2019)
• [6] Naoki Nakatani, Koji Shimoyama: Giảm chi phí học tập của mạng lưới thần kinh dựa trên thông tin vật lý để dự đoán hiệu suất khí động học của cánh máy bay Hội nghị Cơ học tính toán lần thứ 35 của Hiệp hội Kỹ sư Cơ khí Nhật Bản (2022)
• [7] Keita Okuhara, Koji Shimoyama: Nghiên cứu bước đầu về phân tích khuếch tán nhiệt bằng mạng nơ-ron đồ thị dựa trên phương pháp thể tích hữu hạn Hội nghị chuyên đề về Động lực học chất lỏng tính toán lần thứ 38 (2024)