Credit: Shutterstock苏黎世联邦理工学院和法兰克福学派的研究人员开发了一种人工神经网络，可以解决具有挑战性的控制问题。自学习系统可用于供应链和生产过程的优化，以及智能电网或交通控制系统。停电、金融网络故障和供应链中断只是复杂系统中通常遇到的许多问题中的一部分，使用现有方法很难甚至不可能控制这些问题。基于人工智能的控制系统可以帮助优化复杂的流程，也可以用来开发新的商业模式。
与法兰克福金融与管理学院的卢卡斯·伯特切尔教授一起，ETH的研究人员尼诺·安图洛夫-范图林和托马斯·阿西基斯(均来自计算社会科学主席)开发了一个多功能的基于人工智能的控制系统，名为“庞特里亚金人工智能”，旨在将复杂的系统和网络导向所需的目标状态。利用数值和分析方法的结合，研究人员演示了人工智能庞特里亚金如何自动学习以接近最优的方式控制系统，即使人工智能以前没有被告知理想的解决方案。
自学习控制系统
复杂系统中的波动能够触发级联和停电。为了避免此类事件并提高弹性，系统专家设计了各种各样的控制机制和法规；典型的应用包括电网电压控制，或者金融机构的压力测试。然而，通过人工干预来控制复杂的动态系统并不总是可能的。
在他们的论文中，研究人员展示了人工智能庞特里亚金如何自动学习复杂动态系统的准最优控制信号。研究人员的分析奠定了许多重要的基础；仍然需要进一步的研究来确定该系统对具体的现实案例的适用性。目前，控制方法通常用于，例如，保护电网免受波动和停电的影响，管理流行病，以及优化供应链。
供应链控制可能的应用
要按计划使用人工智能庞特里亚金，必须首先向人工智能提供关于目标系统动态的信息。在供应链中，这可能包括潜在供应商数量的详细信息，以及采购成本和周转时间。该信息用于确定哪些区域需要动态优化。
用户还必须提供关于系统初始状态的信息，例如当前库存水平，以及它的期望(目标)状态，例如在最小化资源使用的同时将库存补充到特定水平的要求。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
