人工直觉为棘手的停车场优化问题提供了更好的答案

评估停车场的最佳位置在数学上具有惊人的挑战性，并且是具有更广泛应用的经典计算复杂性问题的子集。一组数据科学家将量子退火与一种过程相结合，该过程试图模仿人类直觉的基本过程，该技术可提供远远优于传统方法的解决方案准确性。

该技术在 2022 年 9 月 30 日首次在线发表在《智能与融合网络》上的一篇论文中进行了描述。

设施位置问题(FLP)是运筹学中长期存在的挑战，即大型商业，公共或组织中的管理人员将科学方法应用于决策和解决问题。FLP旨在确定给定区域内设施的最佳位置和数量，并在某些限制下

例如，医疗保健系统中的决策者可能必须评估新医院的选址。如果他们把这个设施设在老年人难以进入的地方，死亡率可能会增加。这里的限制是试图将死亡率降至最低。但是，如果他们将医院设在更容易到达的位置，房地产成本可能会占用更多的预算——这是另一个限制因素。这也可能降低医疗保健提供者提供服务的能力，再次增加死亡率。

从数学上讲，确定死亡率和支出最低的一个甚至任意数量的甜蜜点似乎很简单。但是，找到这个和其他FLP示例的精确解决方案(除了距离和成本之外，还需要优化的内容有更多的限制)在计算上具有挑战性。

事实上，FLP是一个组合优化问题，被复杂性理论学者归类为“NP-hard”类别的问题 - 最难的问题。没有一种解决方案可以应用于不同领域不同情况的位置规划。

最佳停车场位置只是FLP的另一个例子，也是希望避免拥堵并进而减少温室气体排放的城市管理者的浓厚兴趣。驾驶者寻找停车地点的时间越少，交通量和温室气体就越少。在快速城市化地区的许多城市，尤其是在发展中世界，这是一个紧迫的问题。

用于为停车场位置问题生成体面(但不精确)解决方案的传统方法包括人工智能在经典计算机(与量子计算机相反)上执行的各种类型的算法。但是一旦涉及的数据量大幅上升，这些“经典智能算法”的性能就会急剧下降。

“在这一点上，一个人的直觉可以胜过计算机，”该论文的合著者，上海大学特种光纤和光接入网络重点实验室的研究员Sumin Wang说。“但这种直觉不应该被认为是神秘的或纯粹的'直觉'。对于人类直觉的来源，有一个坚实的科学解释，这可以激励我们尝试用计算机模仿它。

当工程师或建筑师觉得桥梁、建筑系统或其他工程结构即将失效，但无法直接证明原因时，这可能是数十年经验的结果。骑自行车的人可以准确地感觉到他们的自行车何时即将翻倒，而无法解释他们所感觉到的是什么让他们能够进行这样的评估。

丰富的经验和积累的知识可以使个人快速评估情况的整体情况并直接感知事实，而无需通过传统的推理过程，从而在复杂的环境中做出快速有效的决策。

那些研究人类直觉的人将大脑中发生的事情描述为“搜索空间”的快速，急剧减少 - 计算机科学家用来描述可行解决方案的前景。经验和知识使人类能够“只知道”如何有选择地关注问题最突出的方面，丢弃其余方面，从而简化必要的计算。

“人工直觉”，人工复制人类直觉，是人工智能领域的一个新兴研究领域。其目的是开发受人脑启发的直觉推理方法——我们拥有的最强大的能力之一——同样专注于核心数据，而忽略不重要的数据以缩小搜索空间。

利用最佳停车场位置问题，研究人员开发了他们所谓的选择性注意力机制(SAM)，受到人类直觉的启发，并将其与量子退火(QA)相结合。

近年来，QA作为解决经典优化问题的新计算范式而受到广泛关注。QA算法在算法运行时间和求解质量方面为一些经典方法解决的NP难题提供了显着的改进。

在优化问题中，人们正在寻找许多可能组合中的最优值，最小值或最大值。在物理学中，一切都在寻找其最小能量状态，从滚下山丘的球到激发的电子回到它们的基态。这意味着优化问题本质上可以重新转换为能量最小化问题。QA只是利用量子物理学来定位问题的最低能量状态，从而定位目标属性的最小值或最大值。QA 已经部署在从流量优化到资源调度和量子化学的各种应用中。

对于他们的停车场优化问题，研究人员使用SAM来减少搜索空间并为下一步搜索步骤提供方向，并使用QA来搜索该空间并提高搜索效率。

他们使用来自中国深圳罗湖区的真实纬度和经度数据，将他们的概念应用于现实世界的停车体验。这些开放平台的政府数据包括停车需求高的地点、可能的停车位置、现有的停车场位置及其停车容量。罗湖区占地约80平方公里，对于任何计算资源有限的经典智能算法来说，这个区域太大了，无法直接计算出区域内的所有数据。

首先将整个区域划分为块以节省计算资源，然后应用SAM来关注重要的数据点，这些数据点被自动过滤和优化。然后通过模拟QA对低能量状态的偏好来获得新的位置结果。根据这些设施位置结果依次更新选择性注意点，并且该过程重复多次，直到出现明确的解决方案——该地区拟议新停车场的位置——

为了评估他们的方法，研究人员使用了一种通常用于测量多目标算法求解准确性的技术。与竞争方法相比，SAM plus QA 技术在更短的运行时间内产生了更优化和可行的解决方案集。

研究人员现在希望采用他们的方法并将其应用于其他选址问题和人工直觉的相关应用。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！