XiaoMi-AI文件搜索系统
World File Search System多目标
多目标定向灰盒模糊测试
摘要 — 定向灰盒模糊测试 (DGF) 可以通过寻求到达程序位置或按顺序探索某些位置来快速发现或重现程序中的错误。然而，由于其静态阶段划分和粗粒度的能量调度，以前的 DGF 工具在面对多个目标位置（简称目标）时表现不佳。在本文中，我们提出了多目标定向灰盒模糊测试，旨在在模糊测试活动中到达多个程序位置。具体而言，我们提出了一种新颖的策略来自适应地协调探索和利用阶段，以及一种新颖的能量调度策略，通过考虑种子和目标位置之间的更多关系。我们在一个名为 LeoFuzz 的工具中实现了我们的方法，并在崩溃重现、真正验证和实际程序中的漏洞暴露方面对其进行了评估。实验结果表明，LeoFuzz 在有效性和效率方面优于六种最先进的模糊测试器，即 QYSM、AFLGo、Lolly、Berry、Beacon 和 WindRanger。此外，LeoFuzz 在实际程序中检测到 23 个新漏洞，其中 11 个已分配 CVE ID。
利用李群进行多目标跟踪的几何方法
第 1 章 简介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................................................................................................................. 16 1.1.4 李群 .................................................................................................................................................................................................. 18 1.2 跟踪算法 .................................................................................................................................................................................. 19 1.2.1 最近邻滤波器 .................................................................................................................................................................. 19 1.2.1 最近邻滤波器 .................................................................................................................................................................. 19 . . . 19 1.2.2 全局最近邻滤波器. . . . . . . . . . . 19 1.2.3 概率数据关联滤波器. . . . . . . . . . . 20 1.2.4 联合概率数据关联滤波器. . . . . . . . . . 20 1.2.5 多重假设跟踪. . . . . . . . . . . . 21 1.2.6 概率多假设跟踪器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...
采用多目标冠状病毒群体免疫算法实现高可再生能源渗透率电网的经济-环境-技术运行
摘要：本文提出了一种经济-环境-技术调度 (EETD) 模型，适用于调整后的 IEEE 30 总线和 IEEE 57 总线系统，包括热能和高渗透率的可再生能源 (RES)。总燃料成本、排放水平、功率损耗、电压偏差和电压稳定性是这项工作要解决的五个目标。问题公式中包含大量等式和不等式约束。元启发式优化方法——冠状病毒群体免疫优化器 (CHIO)、瓶瓶罐罐算法 (SSA) 和蚁狮优化器 (ALO)——用于确定发电成本、排放、电压偏差、损耗和电压稳定性解决方案的最佳方案。回顾了几种场景，以验证定义的优化模型的解决问题的能力。研究了许多场景，以验证优化模型解决问题的能力。利用层次分析法 (AHP)，通过加权求和法将多目标问题转化为规范化的单目标问题。此外，还提出了按与理想解的相似性排序 (TOPSIS) 技术来确定帕累托替代方案的最优值。最终，所取得的结果表明，所提出的 CHIO 在 EETD 问题解决中执行了其他方法。
分布式能源资源规划与存储管理的多目标框架
使用储能系统 (ESS) 和分布式发电机 (DG) 来提高可靠性是当今受到研究人员广泛关注的解决方案之一。在本研究中，我们从多目标优化的角度利用多目标优化方法对配电网中的分布式发电机进行优化规划。目标是提高网络的可靠性，同时降低年成本和网络损耗。使用多目标正弦余弦算法的改进版本来确定 DG 的最佳大小、位置和类型以及 ESS 的最佳容量、位置和运行策略。对具有土耳其 DG 和负载数据的 IEEE 33 总线、69 总线和 141 总线测试系统的三个案例研究，以验证所提方法的有效性。将帕累托前沿解和最佳目标函数的分布与其他已知算法进行了比较。模拟结果表明，测试系统的平均未供应能量和年能量损失分别减少了高达 68% 和 64%。此外，根据三种不同的帕累托优化指标，所提方法的帕累托前沿呈现出更好的分布，并且优于 MOGWO、MOSMA、NSGA-II、MOPSO 和 MOEA-D 获得的帕累托前沿。最后，计算工作量结果显示，与 MOGWO、MOSMA、NSGA-II、MOPSO 和 MOEAD 相比，MOSCA 的收敛速度更快。
基于多目标优化的 SSVEP 脑机接口高通空间滤波
摘要 — 为了提高基于稳态视觉诱发电位 (SSVEP) 的脑机接口 (BCI) 的目标识别性能，已经提出了许多空间滤波方法。现有的方法倾向于仅使用来自同一刺激的训练数据来学习某个目标的空间滤波器参数，并且它们很少考虑来自其他刺激的信息或训练过程中的体积传导问题。在本文中，我们提出了一种新的基于多目标优化的高通空间滤波方法来提高 SSVEP 检测的准确性和鲁棒性。滤波器是通过最大化训练信号和来自同一目标的单个模板之间的相关性，同时最小化来自其他目标的信号与模板之间的相关性来得出的。优化还将受到滤波器元素之和为零的约束。在两组自采集的 SSVEP 数据集（分别包含 12 个和 4 个频率）上的评估研究表明，所提方法优于 CCA、MsetCCA、SSCOR 和 TRCA 等比较方法。所提方法还在 35 名受试者记录的公开 40 类 SSVEP 基准数据集上进行了验证。实验结果证明了所提方法对提升 SSVEP 检测性能的有效性。
超快速充电站光伏与储能系统的多目标优化
摘要 安装超快速充电站 (UFCS) 对于推动电动汽车 (EV) 的普及至关重要。鉴于这种充电技术所需的大量电力，在充电站设计中整合可再生能源 (RES) 和储能系统 (ESS) 是减少其对电网和环境影响的一个有价值的选择。因此，本文提出了一个多目标优化问题，用于优化电动汽车 UFCS 中的光伏 (PV) 系统和电池 ESS (BESS) 的尺寸。提出的多目标函数旨在一方面最小化充电站的年化成本，另一方面最小化产生的污染物排放量。决策变量是 PV 板的数量和要安装的 ESS 的容量。通过应用线性标量化方法，优化问题简化为单目标问题。然后通过遗传算法 (GA) 优化等效的单目标函数。所提出的优化框架已应用于研究案例，结果证明 PV 和 ESS 可以显著降低年化成本和污染物排放量。最后，还进行了敏感性分析以验证所提解决方案的有效性。
引文 (APA) Peschl, M.、Zgonnikov, A.、Oliehoek, FA 和 Cavalcante Siebert, L. (2022)。道德：通过多目标强化主动学习使人工智能与人类规范保持一致。在 C. Pelachaud 和 ME Taylor (Eds.) 中，第 21 届自主代理和多智能体系统国际会议 (AAMAS '22) 论文集 (第 1038-1046 页)。国际自主代理和多智能体系统基金会。https://dl.acm.org/doi/abs/10.5555/3535850.3535966 重要提示 要引用此出版物，请使用最终发布的版本（如果适用）。请检查上面的文档版本。
从演示和成对偏好推断奖励函数是将强化学习 (RL) 代理与人类意图相结合的良好方法。然而，最先进的方法通常专注于学习单一奖励模型，因此很难权衡来自多位专家的不同奖励函数。我们提出了多目标强化主动学习 (MORAL)，这是一种将社会规范的不同演示组合成帕累托最优策略的新方法。通过维持标量权重的分布，我们的方法能够以交互方式调整深度 RL 代理以适应各种偏好，同时无需计算多个策略。我们在两种场景中通过实证证明了 MORAL 的有效性，这两种场景模拟了交付和紧急任务，需要代理在存在规范冲突的情况下采取行动。总的来说，我们认为我们的研究是朝着具有学习奖励的多目标 RL 迈出的一步，弥合了当前奖励学习和机器伦理文献之间的差距。
多目标方法，用于管理从点对点能源平衡体系结构内的可再生能源交付的不确定交付
摘要：在能源市场上，有意识的客户可能不仅有兴趣最大程度地减少购买能源的成本，而且同时优化了其他一些质量标准（由于生态问题或能源生产者的社会责任引起）。在本文中，我们既开发一个数学优化问题，又是平衡点对点市场设置中的电力系统的市场框架，可以直接在市场上考虑产品差异化。因此，可以清楚地识别能量的起源，并且各种参与者（包括家庭）可以理解产品质量特征。我们得出了一个多目标（混合成员）线性编程优化问题，用于平衡点对点能源交易环境中的能量系统，不仅成本，而且还考虑了其他其他质量标准。我们已经确定了许多可能的参与者，这些参与者都存在于拟议的市场设置中。它们包括带有存储空间的消费者，生产者，经纪人和灵活的生产商。通过分析各种参与者/同伴活动和不同扩展的影响，在三种不同的情况下，在IEEE 30总线标准测试系统上测试了该方法。已经表明，可以通过精心设计的优化问题制定多目标能量平衡方案，并且每种类型的研究同行可能会为电力系统平衡带来一些附加值。
道德：通过多目标强化主动学习使人工智能与人类规范保持一致
从演示和成对偏好推断奖励函数是将强化学习 (RL) 代理与人类意图相结合的良好方法。然而，最先进的方法通常专注于学习单一奖励模型，因此很难权衡来自多位专家的不同奖励函数。我们提出了多目标强化主动学习 (MORAL)，这是一种将社会规范的不同演示组合成帕累托最优策略的新方法。通过维持标量权重的分布，我们的方法能够以交互方式调整深度 RL 代理以适应各种偏好，同时无需计算多个策略。我们在两种场景中通过实证证明了 MORAL 的有效性，这两种场景模拟了交付和紧急任务，需要代理在存在规范冲突的情况下采取行动。总的来说，我们认为我们的研究是朝着具有学习奖励的多目标 RL 迈出的一步，弥合了当前奖励学习和机器伦理文献之间的差距。
老年人血液癌的多目标药物
由于抗癌疗法的心血管毒性增加，患有心血管合并症的老年人的血液学恶性肿瘤很难治疗。这组患者平衡效率和耐受性的困难通常会导致临床医生暂停或减少药物的剂量，从而促进疾病的复发。作为靶细胞，对心脏和血管祖细胞的鉴定可能允许开发新的心血管保护策略，以防止抗癌药物免受抗癌药物的影响。在本评论中，由于某些非常有效的靶疗法，我们将重点关注心血管毒性，这些靶向疗法的治疗方法最大，治疗与老年人 - 酪氨酸激酶抑制剂和蛋白酶体抑制剂相关的血液恶性肿瘤。