XiaoMi-AI文件搜索系统
World File Search System启发式
基于元启发式优化的图像和算术任务特征选择：一项 fNIRS 研究
摘要：近几十年来，脑机接口 (BCI) 已成为研究的前沿领域。特征选择对于降低数据集的维度、提高计算效率和增强 BCI 的性能至关重要。使用与活动相关的特征可以在所需任务中获得较高的分类率。本研究提出了一种基于包装器的元启发式特征选择框架，用于使用功能性近红外光谱 (fNIRS) 的 BCI 应用。在这里，从所有可用通道计算时间统计特征（即平均值、斜率、最大值、偏度和峰度）以形成训练向量。使用基于 k 最近邻的成本函数测试了七种元启发式优化算法的分类性能：粒子群优化、布谷鸟搜索优化、萤火虫算法、蝙蝠算法、花授粉优化、鲸鱼优化和灰狼优化 (GWO)。基于来自 29 名健康受试者的运动想象 (MI) 和心算 (MA) 任务的在线数据集，对所提出的方法进行了验证。结果表明，与从全套特征中获得的特征相比，利用从元启发式优化算法中选择的特征可以显著提高分类准确率。所有上述元启发式算法都提高了分类准确率并减小了特征向量大小。GWO 对 MA、MI 和四类（左手和右手 MI、MA 和基线）任务的平均分类率最高（p < 0.01），分别为 94.83 ± 5.5%、92.57 ± 6.9% 和 85.66 ± 7.3%。所提出的框架可能有助于在训练阶段为基于 fNIRS 的稳健 BCI 应用选择合适的特征。
安排家庭的启发式优化方法...
为了为家庭能源管理系统开发和执行需求响应（DR）系统，本研究提供了有效且适应能力的能源管理体系结构。与当前家庭能源管理系统（HEMS）有关的几个问题是那些没有使消费者选择确保用户舒适度（UC）或对碳排放降低的长期答案的问题之一。我们的研究建议基于可编程的启发式能源管理控制器（HPEMC）来管理住宅建筑，以最大程度地降低电力成本，减少碳排放，增加UC并降低峰值与平均水平（PAR）。在这项研究中，需求响应的设备调度问题是使用能量管理系统来解决的，以降低成本和标准。许多案例研究已被用来证明建议方法的生存能力。模拟结果证实了该方法的有效性，并且能够以各种模式运行混合微电网。调查结果表明，拟议的时间表控制器节省了25.98％的能源。
基于启发式的深度神经网络自动修剪
摘要 深度神经网络 (deep NN) 的性能取决于大量需要训练的权重参数，这是一个计算瓶颈。更深层次的架构日益增长的趋势对资源受限设备上的训练和推理方案造成了限制。剪枝是去除深度 NN 中不重要的参数并使其更容易在资源受限的设备上部署以供实际应用的重要方法。在本文中，我们提出了一种基于启发式的新型滤波器剪枝方法来自动识别和剪枝不重要的滤波器，并加快资源有限设备上的推理过程。不重要的滤波器的选择由一种新颖的剪枝估计器 (c) 进行。所提出的方法在各种卷积架构 AlexNet、VGG16、ResNet34 和数据集 CIFAR10、CIFAR100 和 ImageNet 上进行了测试。在大规模 ImageNet 数据集上的实验结果表明，VGG16 的 FLOP 可降低高达 77.47%，实现 5 倍推理加速。与其他最先进方法相比，更流行的 ResNet34 模型的 FLOP 降低了 41.94%，同时保持了具有竞争力的性能。
元启发式优化器解决多冰淇淋可持续新鲜海鲜供应链网络设计问题：虾产品的案例
抽象的海鲜产品是全球社区中寻求的，是人类基本营养的主要来源。最近，海鲜供应链网络已经遇到了新的可持续性法规和大流行带来的障碍。在这项研究中，考虑可持续性方面的新型供应链网络是为新鲜的海鲜开发的，可以理想地平衡网络的财务方面，同时增强废物产品的回收利用。此外，采用了四个元启发式学来征服精确溶液方法的计算复杂性。为了评估算法在解决所提出的海鲜供应链模型复杂性时的性能，设计了一些数字示例，以三种不同的尺度设计。根据五个有效措施评估了从元启发式优化器获得的结果。为了促进统计分析过程，使用相对偏差索引指标将每个度量归一化。根据从元腔的实施中获得的结果，可以得出结论，多目标灰狼和多目标的金鹰优化器优于其他两个解决方案方法，就解决方案的质量而言。因此，它们可以充分地应用于解决现实世界中的海鲜供应链网络问题。2023作者。由Elsevier BV代表亚历山大大学工程学院出版。这是CC下的开放访问文章（http://creativecommons.org/licenses/by/ 4.0/）。
基于认知状态的反馈控制启发式策略，加速人类学习
2019）。在某些情况下，自动化专门用于培训人类获得新技能或执行新任务（Manzey 等人，2011；Kanu-muri 等人，2008）。通常，基于绩效的反馈用于使自动化适应人类（Wright 等人，2018；Kaber 和 Endsley，2004）。现有系统，例如智能辅导系统 (ITS)，已经依靠人类绩效反馈来预测决策行为（Woolf，2008；Wright 等人，2018；Kaber 和 Endsley，2004）。然而，研究也表明，包括自信在内的认知因素在设计有效的人机交互 (HAI)（Peters 等人，2015 年；Hussein 等人，2020 年；Lee 和 See，2004 年；Gao 和 Lee，2006 年）以及人类如何学习（Woolf，2008 年；Akbari 和 Sahibzada，2020 年；Arroyo 等人，2009 年；Tao 等人，2020 年）中发挥着重要作用。
ScaleHD：通过自适应缩放实现强大的大脑启发式超维计算
受大脑启发的超维计算 (HDC) 在机器人、生物医学信号分析和自然语言处理等各种认知任务中表现出良好的能力。与深度神经网络相比，HDC 模型具有轻量级模型和一次性/少次学习能力等优势，使其成为传统资源密集型深度学习模型的有前途的替代范式，尤其是在资源有限的边缘设备中。尽管 HDC 越来越受欢迎，但尚未对 HDC 模型的鲁棒性和增强 HDC 鲁棒性的方法进行系统分析和充分研究。HDC 依靠称为超向量 (HV) 的高维数值向量来执行认知任务，HV 中的值对于 HDC 模型的鲁棒性至关重要。我们提出了 ScaleHD，一种自适应缩放方法，可以缩放 HDC 模型的联想记忆中的 HV 值，以增强 HDC 模型的鲁棒性。我们提出了三种不同的ScaleHD模式，包括Global-ScaleHD、Class-ScaleHD和(Class+Clip)-ScaleHD，它们基于不同的自适应缩放策略。结果表明，ScaleHD能够将HDC对内存错误的鲁棒性提高到10,000𝑋。此外，我们利用增强的HDC鲁棒性，通过电压缩放方法节省能源。实验结果表明，ScaleHD可以将HDC内存系统的能耗降低高达72.2%，而准确度损失不到1%。
基于元启发式的路由与能量结合……
无线体域网络 (WBAN) 通过提供非接触式测量和远程数据分析，在很大程度上改善了医疗保健行业。然而，遇到的挑战主要是能量耗尽的情况，这在很大程度上导致网络寿命缩短。这项工作提出了一个有效的模型，以提供节能路由和增强的能量收集机制，以提高网络寿命。蚁群优化 (ACO) 方法已扩展为包括一个考虑多种因素的适应度函数，这是路由模型的基础。这些过程确保有效路由，从而节省能源，进而延长网络寿命。所提出的模型的性能已与该领域现有的最先进模型进行了比较。与基于元启发式的模型、基于协作能量效率和优先级的可靠路由协议与网络编码 (CEPRAN) 的比较表明了所提出工作中使用的能量收集机制的效率。与使用能量收集机制的模型相比，结果显示网络寿命更长，表明所提出的路由机制的效率。
用于配置...的元启发式方法
更准确地说，声纳系统主要有两种类型：被动和主动。被动声纳由一个接收器组成，接收器用于监听目标发出的声音，而主动声纳系统有一个发射声脉冲（ping）的源和一个接收器，接收器用于监听波在目标上的反射，即回声 [1]。在本研究范围内，我们只关注主动声纳系统的情况，该系统进一步分为两种不同的配置 [2]。第一种称为单基地，由同位源和接收器组成，而第二种称为双基地，基于非同位源和接收器。因此，多静态声纳网络 (MSN) 由一组部署在给定感兴趣区域 (AoI) 上的源和接收器组成，它们成对出现，形成单静态和/或双静态配置的系统单元。在此，主动声纳将完全是声纳浮标，这是声纳和浮标的混合体。这些是从机载载体上投掷到 AoI 上的一次性声学单元，其形式为圆柱形容器，在与水面碰撞时展开，将系统核心浸入预定深度。此处描述的简化操作环境如图 1 所示。
玻色子量子处理器上量子启发式的数值门合成
最近，人们对量子最优控制和变分量子算法相互作用的兴趣和见解激增。我们在量子比特的背景下研究该框架，例如，量子比特可定义为与传输器耦合的超导腔系统的可控电磁模式。通过采用 (Petersson and Garcia, 2021) 中描述的最新量子最优控制方法，我们展示了对多达八个状态的单量子比特操作和两个量子比特操作的控制，分别映射到谐振器的单个模式和两个模式。我们讨论了对参数化门的封闭系统进行数值脉冲工程的结果，这些门可用于实现量子近似优化算法 (QAOA)。结果表明，对于大多数研究案例，在足够的计算努力下，可以实现高保真度 (> 0.99)，并且可以扩展到多种模式和开放的噪声系统。定制的脉冲可以被存储起来并用作电路量子电动力学 (cQED) 系统中未来编译器的校准原语。
基于元启发式的微电网规模模型，集成套利感知多日电池调度
摘要：基于规则的微电网调度策略在过去二十年中受到了广泛关注。然而，最近的大量文献已确凿地表明，在优化微电网规模的同时，优化运营调度具有诸多好处。这通常被称为微电网设计和调度协同优化 (MGDCO)。然而，据可查明，文献中所有现有的 MGDCO 模型都考虑了 24 小时解析的日前时间范围，以实现相关的最佳能源调度过程。也就是说，在更广泛的相关文献中，通常没有关于多日时间范围内的智能、前瞻性能源调度策略。为此，本文介绍了一种新颖的 MGDCO 建模框架，该框架将基于套利感知线性规划的多日能源调度策略集成到基于元启发式的标准微电网投资规划流程中。重要的是，该模型通过生成考虑三天内情景的最佳调度解决方案，有效地延长了微电网投资规划问题中主流能源调度优化的时间范围。基于从测试案例微电网获得的数值模拟结果，验证了所提出的基于优化的调度策略在微电网规模确定过程中的有效性，同时保留了计算的可处理性。具体而言，将使用制定的 72 小时调度策略的所提出的投资规划框架与照常的 MGDCO 方法进行比较，结果表明它可以将微电网的全寿命成本降低高达 8%。所提出方法的优异性能在很大程度上可归因于有效利用了电表后锂离子电池存储，从而提高了整体系统的灵活性。