亚马逊学者Aravind Srinivasan专注组合优化算法与人工智能研究

Srinivasan是马里兰大学帕克分校的杰出教授和计算机科学教授，其研究兴趣集中在算法、连续与组合优化以及机器学习的交叉领域。他工作的核心主题是将概率方法应用于众多领域，包括云计算、资源分配、机器学习、电子商务，以及流行病学计算方法和电力网络可持续增长的计算方法开发。

作为某中心学者，Srinivasan为某中心EC2、AWS Lambda和某中心弹性块存储开发算法，在毫秒级别内分配云中的客户工作负载。

组合优化在云计算中的实际应用

工作负载分配的优化挑战

• 处理每秒涌入的大量工作负载需要最优配置方案
• 服务器在处理能力和内存方面具有不同容量
• 需要考虑日常或每周模式以及季节性波动因素
• 在毫秒级别完成EC2容量配置和Lambda服务器配置

离散优化与连续优化的结合

• 将工作负载分配视为概率问题，推导最优分布
• 连续优化方法如内点法对组合优化和机器学习产生重要影响
• 概率分配问题是连续优化问题，而实际优化问题是离散优化问题

神经网络效率提升研究

致力于探索如何在不占用大量时间和内存的情况下进行神经网络推理，使神经网络更加高效。

流行病学建模创新

研究团队对传统的易感-感染-恢复(SIR)模型进行创新，使流行病学家能够开发更精细的网络模型，从而：

• 识别超级传播者
• 为高风险人群设计干预措施
• 确定应优先接种疫苗的人群以减缓疾病传播

可持续发展视角

从可持续性角度来看，通过提高数据中心效率，可以同时减少能源足迹，创造更环保的地球。这项工作是对先前能源高效计算和可持续性计算模型研究的自然延伸。

推荐资源

对于对组合优化感兴趣的学生，推荐Alexander Schrijver关于组合优化的经典著作。