XiaoMi-AI文件搜索系统
World File Search System决策变量
分析不同程度的糖尿病性视网膜病情以及2型糖尿病患者的非糖尿病性视网膜病的独立风险因素
随着可再生能源的广泛部署，未来的电网变得更容易受到极端环境的影响。本文调查了在紧急情况下具有可再生能源较高渗透率的功率系统的弹性。通过正确协调可用资源，将弹性增强的提高定义为在固定数量的污水架时期内维持同样多的电能到固定数量的污水架时期。然后，提出了一种最佳的决策方法，以最大程度地提高临界负载的电源，并由于可再生能源的输出功率随机性而使不稳定风险最小化。在每个时期内，电源储能工厂的功耗，电源存储工厂的充电/放电电力，发电机的产生和储备储备比旋转比率被视为决策变量。约束包括旋转储备，功率限制和功耗/发电限制。内点算法用于解决公式的优化问题。数值模拟验证了提出的优化方法在提高灾难后的网格弹性方面的有效性和优势。还发现，应在降低稳定风险和在极端环境中增加电源的利益之间寻求平衡。
飞机航线维护中的前期调度
由运营数字化实现（Holmström、Holweg、Lawson、Pil 和 Wagner，2019 年）。Frontlog 是一种维护调度实践，它为动态重新安排计划任务创造了机会，以释放容量来执行计划外任务。这种重新安排选项在飞机航线维护中尤其有吸引力，因为随机技术故障导致的计划外任务可能会导致飞机（代价高昂）停飞。为了说明这种做法，考虑一架到达枢纽位置进行预定航线维护的飞机。将有几个重复的计划维护任务，每个任务的截止日期都基于上次执行的时间。当前的调度实践通常寻求最大化维护间隔（例如，Bas¸dere 和 Bilge，2014 年；Sarac、Batta 和 Rump，2006 年）。因此，这将是执行大多数计划任务的最后维护机会。任何延误都会导致积压，从而导致飞机停飞并扰乱航空公司的运营。但是，有了前期任务，有些任务的截止日期可以推迟到未来的维护机会，而不会超过截止日期并导致飞机停飞。如果飞机出现技术故障，前期任务可以作为可以重新安排的任务的缓冲，从而释放维护能力以应对紧急需求。在我们的设计中，可以重新安排而不违反截止日期的计划任务份额成为 OM 的决策变量，maki
纸张类型：具有弹性供应商的研究论文稳健供应链网络设计
供应链网络设计和弹性供应商的选择在供应链风险管理中很重要，以应对各种操作和破坏风险。在本文中，我们开发了一种强大的数学双目标，多产品模型，以同时考虑供应链网络设计的弹性供应商和不确定性，并同时考虑供应链网络设计，并同时考虑供应链网络设计，这项研究为弹性供应商选择和订单分配提供了最佳解决方案。首先，我们显示了具有两个目标函数的混合成员线性编程（MILP）模型。第一个目标函数最大化了总利润，而第二个目标函数则最大化了总供应商弹性得分。模糊SECA用于获得五个弹性标准权重和目标函数的弹性得分。我们可以使用模糊的SECA方法对弹性供应商进行排名。我们提出了一种协调生产计划，供应商选择和订单分配的方法。Theε-约束方法用于获得最佳量的决策变量，以最大程度地提高实际案例研究的利润。最后，进行了帕累托溶液分析，以确定鲁棒性和弹性之间的权衡。结果显示供应链中的不确定性参数如何影响目标函数。此外，本文表明，供应商的弹性得分为4000，该模型的第一个目标函数提出了最高值。因此，在这一点上，我们可以拥有具有最大盈利能力的弹性供应商。
冠状病毒大流行期间的压力弹性用于预测维护的机器学习算法选择的概念框架
行业4.0范式实现了高级数据驱动的决策过程，导致许多制造商进行数字化转型。在这种情况下，预测维护（PDM） - 即一种维护策略，可以预先预测基于机器学习（ML）的失败 - 即一组用于分析模式识别数据的算法 - 成为最突出的数据驱动的分析方法之一，以最大程度地提高工业系统的可用性和效率。的确，存在相当大的文献，该文献涉及基于ML的PDM，其中已将广泛的ML算法应用于广泛的工业环境。尽管这对该主题有了广泛的了解，但需要选择特定任务的正确算法是一个具有挑战性的问题，因为它被认为是开发和实施ML面向ML的方法的重要阶段。为了应对这种必要性，这项工作提出了一个概念框架，以指导从业人员和ML算法选择PDM问题的非专家用户。目的是为识别哪些ML技术可能在特定任务或数据集中实现有价值的性能，提供一组准则和建议。首先，PDM中最常用的ML算法与其核心特征，优势和缺点一起分析。然后，考虑了几个决策变量，具体取决于数据集和ML特征，学习目标，准确性和解释性。最后，提出了说明性的案例研究，以证明如何在实际的工业应用中采用拟议框架。
关于人工智能中的对抗性示例和隐形攻击......
摘要 — 在本文中，我们提出了一个正式的理论框架，用于评估和分析针对通用人工智能 (AI) 系统的两类恶意行为。我们的结果适用于从输入空间映射到决策空间的通用多类分类器，包括深度学习应用中使用的人工神经网络。考虑两类攻击。第一类涉及对抗性示例，涉及引入导致错误分类的输入数据的小扰动。第二类是首次引入的，称为隐形攻击，涉及对 AI 系统本身的小扰动。在这里，受扰动的系统会在特定的小数据集（甚至可能是单个输入）上产生攻击者想要的任何输出，但在验证集（攻击者不知道）上表现正常。我们表明，在两种情况下，即在基于对抗性示例的攻击和隐形攻击的情况下，人工智能决策空间的维数是人工智能易受攻击的主要原因。对于基于对抗性示例的攻击，第二个关键参数是数据概率分布中不存在局部集中，这一属性称为“弥散绝对连续性”。根据我们的研究结果，对抗性示例的鲁棒性要求 (a) 人工智能特征空间中的数据分布具有集中的概率密度函数，或 (b) 人工智能决策变量的维数足够小。我们还展示了如何构建对高维人工智能系统的隐形攻击，除非验证集呈指数级增长，否则很难发现这些攻击。索引术语 — 对抗性示例、对抗性攻击、随机分离定理、人工智能、机器学习
用于分布式直流最优潮流的学习加速 ADMM
摘要——我们提出了一种新颖的数据驱动方法来加速交替方向乘数法 (ADMM) 的收敛，该方法用于解决分布式直流最优潮流 (DC-OPF)，其中线路由独立的网络分区共享。利用对给定系统在不同负载下 ADMM 轨迹的先前观察，该方法训练循环神经网络 (RNN) 来预测对偶变量和共识变量的收敛值。给定系统负载的新实现，将少量初始 ADMM 迭代作为输入来推断收敛值并将其直接注入迭代中。我们通过经验证明，对于不同负载场景下的分区 14、118 和 2848 节点测试系统，将这些值在线注入 ADMM 迭代中可显著加快收敛速度。所提出的方法有几个优点：它保持了共识 ADMM 固有的私有决策变量的安全性；推理速度很快，因此可以在在线设置中使用； RNN 生成的预测可以显著缩短收敛时间，但从构造上讲，它永远不会导致不可行的 ADMM 子问题；它可以轻松集成到现有的软件实现中。虽然我们在本文中重点介绍分布式 DC-OPF 的 ADMM 公式，但所提出的想法自然会扩展到其他分布式优化问题。索引术语 — 直流最优功率流、递归神经网络、交替方向乘数法、机器学习、数据驱动优化
研究论文 使用 SAPSO 算法实现独立微电网的多目标优化运行
微电网是利用可再生能源的有效方式，尤其可以满足偏远岛屿的电力需求。海岛微电网的运行优化对于确保整个微电网系统的有效性能至关重要，而且它通常是一个多约束和多目标优化问题。本研究的主要贡献是针对偏远岛屿独立微电网系统提供了一种运行优化方法，该系统包括风电、光伏、电池和柴油发电机。本文提出了一种新的独立微电网运行优化模型，其中单独考虑电池系统；建立了考虑经济成本、电池折旧成本和环境保护成本的多目标日前优化模型。在优化中，选择柴油发电机和储能系统的输出功率作为决策变量。为此，开发了一种结合粒子群优化（PSO）算法和模拟退火（SA）算法的高效搜索算法。采用混合算法寻找优化问题的Pareto解集，将搜索结果与传统PSO算法的结果进行比较，并提出一种基于熵权法的灰靶决策理论从所有解中寻找最优权衡调度方案，并与另外两种常用的主客观方法的结果进行比较。结果表明，所提出的优化方法可应用于微电网系统的日前运行优化，帮助用户获得独立微电网的最佳折衷运行方案。
基于重力储能的风光储系统多目标容量优化规划
摘要：风电场，光伏电站和能源存储系统的容量计划是降低成本并确保风能储存多能量混合动力系统的可靠性的有效措施。基于重力储能依赖山脉，我们在这里考虑风电场的能力，光伏电站和能源存储系统作为决策变量，并建立一个多目标的最佳能力计划模型，并具有最低系统的总成本以及最低的全面指数的优化，包括Wind和Solar供应量的供电率，电源供应率的互补特征，电源供应率，电源供应率，电源供应率，造成电源供应率，电源供应率，电源供应率，电源供应率，电源供应率，电源供应率，电源供应率，电源供应率，电源供应率，电源供应率，电源供应率。混合动力系统。同时使用多目标自适应混沌粒子群优化来解决模型。在这项研究中，考虑了不同的计划偏好。使用该技术通过与理想解决方案相似的订单偏好进行排序，并获得了不同规划偏好的最佳计划方案。此外，熵权重的等级金额评估方法用于评估不同计划方案的可靠性指数，并选择了典型的一天来分析规划方案的输出状态。模拟结果表明，所提出的模型可以具有良好的经济
模型对基于生产者的太阳能地区加热网络中双向传热的预测控制
具有分散热量生产的地区供暖网络非常适合包括在空间有限的城市地区的可再生能源份额。一个新概念是一个基于生产的地区供暖网络，其中一些甚至所有建筑物都配备了分散的建筑物水平的热量储藏和热量产生植物。为了利用相互连接的加热网络的全部潜力，带有剩余热量的建筑物旨在将热量转移到有加热需求的建筑物中，以防止中央供暖厂的激活。这项工作提出了一项关于使用模型预测控制策略来管理区域供暖网络中建筑物之间双向传热的初步可行性研究。我们将此问题提出为最佳控制问题，并为每个潜在的传热连接结合了二进制决策变量。这会导致难以解决的混合企业非线性优化问题。该问题通过基于快速的基于梯度的优化算法与组合积分近似策略相结合解决。进行了一个有关使用建筑级太阳能热收集器和储罐的住宅供暖网络的案例研究。优化操作与从一个月的测量中获得的实际操作进行了比较。结果表明，具有双向传热的优化策略可以利用整个网络中产生的总热量。在案例研究中，这导致了中央热供应商所需的热能的近75％。仅当所有建筑物产生或储存的热量不足以满足网络内的总热量需求时，才需要中央供暖提供商。
肌萎缩性侧面硬化症的寡聚结构具有基因检测，咨询和治疗意义
数据生成的迅速增加，结合了大型数据集的不切实际性以及机器学习任务的日益增长的复杂性，促进了分布式学习技术的发展。在其中，联邦学习（FL）由于其隐私保护方法而受到了极大的关注，在这种方法中，多个客户在不共享本地数据的情况下协作训练全球模型。但是，FL面临着几个关键的挑战，包括数据异质性，高计算成本和效率低下。这些问题在客户数据分布是非IID，计算资源有限的现实情况下变得更加明显，并且可以限制通信。本论文通过开发用于个性化联合学习（PFL）的有效算法和受到限制的联邦学习来解决这些挑战。所提出的方法旨在处理异质数据，最大程度地减少计算开销并降低沟通成本，同时保持强大的理论保证。具体而言，论文介绍了三个关键贡献：（1）PFL MF，一种基于低级矩阵优化的新型PFL公式，利用burer-Monteiro分解以实现个性化，而无需依赖预定义的距离指标。（2）PERMFL，一种用于多层PFL的算法，该算法介绍了针对团队和单个设备的个性化决策变量，从而在具有分层客户端结构的情况下有效地优化了。（3）FedFW，一种用于约束FL的无预测算法，该算法强调了通过稀疏信号交换的低计算成本，隐私保存和通信效率。通过解决FL中的关键问题，例如数据异质性，计算成本和通信瓶颈，拟议的算法推进了联合学习的领域，为实地世界应用提供了可靠的可扩展解决方案。