論文の概要: Review of Cloud Service Composition for Intelligent Manufacturing

• arxiv url: http://arxiv.org/abs/2408.01795v1
• Date: Sat, 3 Aug 2024 14:39:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 18:21:07.289128
• Title: Review of Cloud Service Composition for Intelligent Manufacturing
• Title（参考訳）: インテリジェントマニュファクチャリングのためのクラウドサービス構成のレビュー
• Authors: Cuixia Li, Liqiang Liu, Li Shi,
• Abstract要約: インテリジェントな製造のためのクラウドサービス最適化のプロセスを要約する。 11の最適化指標は、持続可能なインテリジェントな製造プラットフォームの開発における緊急要件から定義される。 2つのカテゴリを比較した後、現在のサービス最適化のキーとなるテクニックがターゲットとなっている。
• 参考スコア（独自算出の注目度）: 2.3349787245442966
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent manufacturing is a new model that uses advanced technologies such as the Internet of Things, big data, and artificial intelligence to improve the efficiency and quality of manufacturing production. As an important support to promote the transformation and upgrading of the manufacturing industry, cloud service optimization has received the attention of researchers. In recent years, remarkable research results have been achieved in this field. For the sustainability of intelligent manufacturing platforms, in this paper we summarize the process of cloud service optimization for intelligent manufacturing. Further, to address the problems of dispersed optimization indicators and nonuniform/unstandardized definitions in the existing research, 11 optimization indicators that take into account three-party participant subjects are defined from the urgent requirements of the sustainable development of intelligent manufacturing platforms. Next, service optimization algorithms are classified into two categories, heuristic and reinforcement learning. After comparing the two categories, the current key techniques of service optimization are targeted. Finally, research hotspots and future research trends of service optimization are summarized.
• Abstract（参考訳）: インテリジェント製造は、モノのインターネット、ビッグデータ、人工知能といった高度な技術を使って製造の効率と品質を改善する新しいモデルである。 製造業の変革とアップグレードを促進するための重要な支援として、クラウドサービスの最適化は研究者の注目を集めている。 近年,この分野では顕著な研究成果が得られている。 本稿では、インテリジェントな製造プラットフォームの持続可能性について、インテリジェントな製造のためのクラウドサービス最適化のプロセスを要約する。 さらに、既存の研究における分散最適化指標と非一様/非標準化の定義の問題に対処するため、知的製造プラットフォームの持続可能な発展の緊急要件から、三者対象を考慮した11の最適化指標を定義した。 次に、サービス最適化アルゴリズムは、ヒューリスティックと強化学習の2つのカテゴリに分類される。 2つのカテゴリを比較した後、現在のサービス最適化のキーとなるテクニックがターゲットとなっている。 最後に,サービス最適化のホットスポットと今後の研究動向について概説する。

関連論文リスト

• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• Enhancing Mass Customization Manufacturing: Multiobjective Metaheuristic Algorithms for flow shop Production in Smart Industry [0.0]
  本研究は,工場生産計画における必要な適応に焦点を当てたものである。 フローホップに対処するための効率的な進化的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-22T17:13:23Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Industrial Internet of Things Intelligence Empowering Smart Manufacturing: A Literature Review [24.773086605569596]
  本稿では,IIoTインテリジェンスの概要を紹介する。 まず,製造転換の不可避性を詳細に分析する。 次に、ファクテンション、オペレーション、デプロイメント、アプリケーションといった業界におけるIIoTインテリジェンスの価値を示します。
  論文  参考訳（メタデータ） (2023-12-02T06:08:39Z)
• AIOptimizer - Software performance optimisation prototype for cost minimisation [0.0]
  この研究は、ユーザフレンドリさ、スケーラビリティ、正確性、適応性など、AIrの設計要素に焦点を当てている。 この論文では、コラボレーション、効率予測、コスト最適化提案、障害診断など、AIrの機能についても検討している。
  論文  参考訳（メタデータ） (2023-07-15T16:38:20Z)
• Smart(Sampling)Augment: Optimal and Efficient Data Augmentation for Semantic Segmentation [68.8204255655161]
  セマンティックイメージセグメンテーションに関する最初の研究を行い、textitSmartAugment と textitSmartSamplingAugment の2つの新しいアプローチを紹介した。 SmartAugmentはベイジアン最適化を使用して、拡張戦略の豊富なスペースを探索し、私たちが考慮しているすべてのセマンティックセグメンテーションタスクにおいて、新しい最先端のパフォーマンスを達成する。 SmartSamplingAugmentは、固定的な拡張戦略を備えたシンプルなパラメータフリーのアプローチで、既存のリソース集約型アプローチとパフォーマンスを競い合い、安価な最先端データ拡張手法を上回っている。
  論文  参考訳（メタデータ） (2021-10-31T13:04:45Z)
• Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
  最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。 この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2021-03-23T20:46:20Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。