Scalable methods to integrate task knowledge with the Three-Weight Algorithm for hybrid cognitive processing via optimization

در این مقاله، بهینه سازی به عنوان یک رویکرد برای توسعه سریع و انعطاف پذیری در حال توسعه قابلیت های شناختی ترکیبی که کارآمد، مقیاس پذیر هستند، می توانیم از دانش وظیفه بهره ببریم تا سرعت و کیفیت راه حل را بالا ببریم. با توجه به این زمینه، ما بر الگوریتم سه وزن، که قطعا، مقیاس پذیر است، و با هدف حل مشکلات بهینه سازی عمومی، تمرکز می کنیم. ما روش های جدیدی را پیشنهاد می کنیم که با استفاده از این الگوریتم بتوانند اشکال متنوعی از دانش کار را ادغام نمایند تا بتوانند بیانگر، کارایی و مقیاس پذیری در انواع مشکلات را بهبود بخشند. برای نشان دادن این تکنیک ها، ما بر روی دو حوزه محدودیت-رضایتمندی بزرگ، سودوکو و بسته بندی دایره تمرکز می کنیم. در سودوکو، ما به طور موثر و پویا یکپارچه دانش از راه حل حل زیر مشکل حل منطقی؛ این یکپارچگی منجر به بهبود واکنش سیستم و زمان زیادی برای حل مشکلات بزرگ می شود. در بسته بندی دایره ای، ما به طور کارآمد دانش از دینامیک کار، و همچنین به عنوان هدایت بشر در زمان واقعی از طریق حرکات ماوس ادغام؛ این ادغام ها منجر به واکنش پذیری بسیار بهبود یافته سیستم، و همچنین راه حل های رکورد جهانی در مشکلات بسته بندی بسیار بزرگ است. این نتایج نشان می دهد که چگونه معماری شناختی می تواند دانش بالا را با تکنیک های بهینه سازی قدرتمند ادغام کند تا به طور موثر و کارآمد با انواع وظایف شناختی رقابت کند.