Improving the Interpretability of Support Vector Machines-based Fuzzy Rules
The University of DaNang（岘港大学）；Hue University（顺化大学）
支持向量机和模糊规则系统在一定条件下是等价的。因此，在支持向量机领域中开发的学习算法可以用于自适应模糊系统的参数。从支持向量机中提取模糊模型具有固有的优点，即模型不需要事先确定规则的数量。然而，在支持向量机学习之后，复杂度通常较高，并且可解释性也受损。本文不仅提出了一个完整的框架，提取可解释的基于SVM的模糊模型，但也提供了模型的优化问题。仿真实例体现了本文的思想。
2014-08-22 cs.AI cs.LG
Improving Fuzzy Rule Classifier with Brain Storm Optimization and Rule Modification
针对糖尿病分类中模糊规则学习受高维复杂搜索空间制约的问题，提出融合指数模型的 BSO 规则生成与修改方法，显著提升了模糊分类器准确率。
2024-10-02 cs.AI cs.NE
A Neuro-Fuzzy Method to Improving Backfiring Conversion Ratios
University of Western Ontario（西安大略大学）；NFA Estimation Inc.（NFA Estimation公司）
软件项目评估是保证软件按时、按预算交付的重要环节。软件大小是决定工作量、成本和生产力的重要度量。今天，源代码行和功能点是最常用的规模度量。逆火是一种众所周知的在功能点和源代码行之间进行转换的技术。然而，当使用逆火时，存在高的误差幅度。本文介绍了一种提高回火精度的方法。智能系统已被用于软件预测模型中，以提高传统技术的性能。为此，使用混合神经模糊，因为它利用了神经网络学习和模糊逻辑类人推理。本文介绍了一种改进的回火技术，它使用神经模糊和比较的新方法对默认的转换率目前使用的软件从业者。
2015-08-25 cs.AI cs.SE
Achieving greater Explanatory Power and Forecasting Accuracy with Non-uniform spread Fuzzy Linear Regression
Meghnad Saha Institute of Technology（梅格纳德·萨哈理工学院）；Netaji Subhas Open University（苏巴斯·钱德拉·鲍斯开放大学）
模糊回归模型已被应用于几个运筹学应用，即，预测和预报。早期的模糊回归分析工作获得清晰的回归系数，以消除随着自变量的大小增加而估计的模糊响应的扩展的问题。但它们无法解决利差不均匀的问题。在这项工作中，一个三阶段的方法被讨论来构建模糊回归模型与非均匀传播来处理这个问题。第一阶段基于延拓原理构造回归系数最小二乘估计的隶属函数，以完全保持观测值的模糊性。在第二阶段，用面积中心法对它们进行去模糊化，得到清晰的回归系数。最后，该方法的误差项通过将每个估计的展布设置为等于其对应的观测展布来确定。多木-菅野推理系统用于提高预测的准确性。仿真实例表明，模糊线性回归模型具有较高的解释力和预测性能。
2013-07-07 cs.AI
Planning in Strawberry Fields: Evaluating and Improving the Planning and Scheduling Capabilities of LRM o1
本文评估了 OpenAI o1 系列大型推理模型在规划与调度任务上的能力，发现其相比自回归 LLM 有显著提升但推理成本高且缺乏正确性保证，并提出结合外部验证器的 LRM-Modulo 系统以同时保证输出正确性并提升性能。
2024-10-03 cs.AI
Improving Natural-Language Combinatorial-Optimization Accuracy in Resource-Constrained Language Models via Formal Abstractions
University of California, Berkeley（加州大学伯克利分校）
针对资源受限语言模型在自然语言组合调度中可行性不足的问题，提出神经符号框架SDDL，其在300实例调度子集上大幅提升小模型的可行调度准确率，逼近大模型性能
2026-09-11 cs.AI
Improving Fuzzy-Logic based Map-Matching Method with Trajectory Stay-Point Detection
Kharazmi University（哈拉兹米大学）
针对GPS轨迹中停留点不规则导致地图匹配错误的问题，提出利用DBSCAN聚类停留点并消除冗余数据的方法，在保持匹配准确度的同时减少了数据量和处理时间。
2022-08-04 cs.AI cs.CG cs.CV
Improving Depression estimation from facial videos with face alignment, training optimization and scheduling
University of Oulu（奥卢大学）；VTT Technical Research Centre of Finland（芬兰VTT技术研究中心）
深度学习模型在使用基于视频的面部表情识别抑郁状态方面显示出了很好的效果。虽然成功的模型通常利用3D-CNN或视频蒸馏技术，但在实验中使用预训练，数据增强，预处理和优化技术的不同使用使得很难进行公平的架构比较。相反，我们建议通过使用两种特定的人脸对齐方法和改进的数据增强、优化和调度技术来增强基于ResNet-50的两个简单模型，这些模型仅使用静态空间信息。我们在基准数据集上的广泛实验获得了与单流的复杂时空模型相似的结果，而两个不同流的分数级融合优于最先进的方法。我们的研究结果表明，预处理和训练过程中的特定修改会导致模型性能的显著差异，并可能隐藏最初归因于使用不同神经网络架构的实际差异。
2022-12-13 cs.AI cs.CV
Three multi-objective memtic algorithms for observation scheduling problem of active-imaging AEOS
Hunan University（湖南大学）
敏捷对地观测卫星观测调度问题是敏捷对地观测卫星管理中的关键问题。主动成像技术的出现丰富了OSPFAS的扩展，我们称之为可变图像持续时间AEOS观测调度问题（OSWVID）。提出了一种累积图像质量和详细的能量消耗建立OSWVID作为一个双目标优化模型。设计了PD+NSGA-II、LA+NSGA-II和ALNS+NSGA-II三种多目标模因算法求解OSWVID。结合前人研究中总结的启发式知识，设计了几种算子分别对这三种算法进行改进。在已有实例的基础上，通过大量的仿真实验，分析了这三种算法的关键参数优化、算子演化和效率。
2022-07-04 cs.AI
Improving Diffusion-Based Image Editing Faithfulness via Guidance and Scheduling
Korea University（韩国大学）
针对图像编辑中可编辑性与保真度的权权衡问题，提出保真度引导与调度（FGS）方法，通过加强输入信息保留和引入调度策略解决错位，在维持可编辑性的同时显著提升保真度，且兼容多种编辑方法。
2025-06-26 cs.AI cs.CV cs.LG
Algorithms for dynamic scheduling in manufacturing, towards digital factories Improving Deadline Feasibility and Responsiveness via Temporal Networks
EEMCS, Delft University of Technology, The Netherlands（埃因霍温理工大学电子与数学科学学院）
该研究结合离线 CP 优化与在线 STNU 执行，为柔性作业车间生成带最优缓冲且动态可控的调度，在 Kacem 基准上消除全部截止日期违规且仅增加少量工期开销。
2025-10-16 cs.AI
Improving non-deterministic uncertainty modelling in Industry 4.0 scheduling
Carnegie Mellon University（卡内基梅隆大学）；Netaji Subhas University of Technology（内塔吉·苏巴斯理工大学）；ZS Associates（ZS咨询公司）
最新的工业革命帮助工业实现了非常高的生产率和效率。它采用了数据汇总和网络物理系统，以优化规划和调度。尽管如此，环境的不确定性和人类操作员的不精确性并没有被准确地考虑到决策过程中。这就导致了合同的延误和预算估计的不准确。工业模式中的这种普遍做法是有缺陷的，需要纠正。各种其他文章已经通过随机或模糊集模型方法来解决这个问题。本文提出了一种综合的方法来逻辑和现实量化的非确定性的不确定性，通过概率不确定性建模。该方法适用于几乎所有的工业数据集，因为该模型是自调整的，并使用ε污染来满足有限或不完整的数据集。通过在比利时佛兰德斯的工业数据集的结果进行数值验证。通过这种强大的调度方法获得的数据驱动结果说明了性能的改进。
2021-01-08 cs.AI stat.AP stat.OT
Improving Confidence in Evolutionary Mine Scheduling via Uncertainty Discounting
Maptek Pty. Ltd（Maptek私人有限公司）；The University of Adelaide（阿德莱德大学）
本文提出在进化矿山排产中引入不确定性折现机制，以概率界限刻画各周期利润，牺牲单一模型最优性来降低下行风险，并在 Maptek Evolution 上验证了其有效性。
2023-05-29 cs.AI cs.NE
Improving Mixed-Criticality Scheduling with Reinforcement Learning
The American University in Cairo（开罗美国大学）；Pontificia Universidad Católica de Chile（智利天主教大学）
本文提出一种基于强化学习的混合关键性系统非抢占式调度方法，将其建模为MDP，实验表明该方法在10万实例中显著提升任务完成率，高关键性任务完成率达85%，稳定条件下达93%。
2025-04-08 cs.AI cs.LG cs.MA
Dependency-Aware CAV Task Scheduling via Diffusion-Based Reinforcement Learning
Frontier Research Center, Pengcheng Laboratory（鹏城实验室前沿研究中心）；School of Information and Communication Engineering, Beijing University of Posts and Telecommunications（北京邮电大学信息与通信工程学院）
针对动态无人机辅助CAVs的多依赖子任务调度问题，本文构建联合优化问题并重构为马尔可夫决策过程，提出基于扩散的强化学习算法Synthetic DDQN，通过合成经验回放提升收敛速度与样本效率，仿真显示其能有效减少任务完成时间。
2024-11-27 cs.AI cs.RO
An ASP-based Solution to the Medical Appointment Scheduling Problem
University of Pisa, Italy（意大利比萨大学）；Department of Information Engineering, Computer Science（信息工程系）；Mathematics, University of L’Aquila,Italy（数学，意大利拉奎拉大学）
本文提出基于ASP的医疗预约安排框架，通过整合Blueprint Personas实现个性化安排，提升效率并减少行政负担。
2026-01-07 cs.AI cs.LO
DARTS-PRIME: Regularization and Scheduling Improve Constrained Optimization in Differentiable NAS
IRIT, University of Toulouse（图卢兹大学 IRIT 研究所）；IRT Saint-Exupery（圣埃克苏佩里技术研究所）；ISAE-SUPAERO, University of Toulouse（图卢兹大学 ISAE-SUPAERO 高等航空与航天学院）
微分结构搜索（DARTS）是一种基于微分松弛的神经结构搜索（NAS）方法。由于其成功，最近提出了许多分析和改进DARTS框架部分的变体。通过考虑问题作为一个有约束的双层优化，我们提出并分析DARTS-PRIME，一个变种，包括改进建筑权重更新调度和正则化离散化。我们提出了一个基于每minibatch网络信息的动态调度，使架构更新更明智，以及邻近正则化，以促进良好分离的离散化。我们在多个领域的研究结果表明，DARTS-PRIME提高了性能和可靠性，与可区分NAS中最先进的技术相当。
2021-10-18 cs.AI cs.LG
