再有效。她退回去重算,浪费了不到五分钟,比真正做错以后再返工划算得多。
实验部分没有惊喜。
她做得稳定,也只做得稳定。
第二项有一个读数比预期偏高,她检查连接、重复测量,再把异常保留进误差分析;成绩出来以后仍然大致处于核心组中游。江遥看到分项时几乎没有情绪波动,反而觉得这正说明过去一年那段最辛苦的补短板已经完成。实验不再决定她能不能继续走,却会一直站在旁边提醒她,理论世界之外还有一张不会配合想象的桌子、一根会漂的探头和一组难看的数据。
真正拉开差距的是开放建模。
题目只有一个日常情景:一栋宿舍楼每天晚上用热水的人很多,热水供应能力有限。过去的方法是按历史平均需求设定加热时间和储水量,可实际每天人数、洗澡时间和天气都会变化。现在要求他们设计一种“比固定时间表更聪明”的控制办法,同时说明它什么时候会失败。
江遥看到题目的第一反应不是上模型,而是先问:系统真正想要什么?
如果只追求“绝不缺热水”,最简单的办法就是全天保持大量热水,可能源浪费会非常严重;如果只追求省电,最简单的办法是少加热,用户晚上就会洗冷水。于是这个系统从一开始就不是只有一个目标,而是在舒适、能耗和风险之间做选择。
她先写了一个最笨的方案:按照过去一周同一天的用水情况预测今晚需求。这个方法人人都能懂,也肯定会有用。接着再加天气、宿舍入住人数、节假日等信息,预测会更准一些。做到这里,她完全可以继续往复杂模型上走,但异步课留下的问题突然冒出来:这些信息到达的时间并不一致。人数统计可能早上就有,天气预报会不断更新,真实用水数据则是一分钟一分钟进来。如果控制系统必须等所有信息“齐了”才动作,它可能永远等不到一个完美时刻。
她于是把方案改成两层。
第一层是一个很保守的底线,不管预测怎么变,都保证基本热水量,不让系统因为一次预测错误直接失控;第二层才根据不断到来的新信息逐步调整加热。晚高峰开始前发现实际用水比预计多,就提前补一点;天气突然变冷,再调整一点;如果传感器坏了,就退回那条不聪明但可靠的底线。
这个办法并不华丽。
甚至有点像陈叔的六桌:先知道自己不能坏到哪里,再谈如何更聪明。
老师问她:“为什么不直接让模型实时决定全部加热量?”
…。。本站若有图片广告属于第三方接入,非本站所为,广告内容与本站无关,不代表本站立场,请谨慎阅读。
Copyright © 2020 词令书屋 All Rights Reserved.kk