XiaoMi-AI文件搜索系统
World File Search System差分进化
住宅消费者分组能源管理控制器
摘要 — 本文研究了使用分组能源管理的并网光伏 (PV) 系统场景中的储能控制和负载调度管理。目标是通过提出的分组能源管理控制器降低平均总系统成本，该控制器考虑家庭能源消耗、采购价格、负载调度延迟、通过产生的可再生能源实现光伏自给自足以及电池退化。所提出的方法使用成熟的启发式算法（即遗传算法 (GA)、二进制粒子群优化 (BPSO) 和差分进化 (DE)）解决联合优化问题。此外，还从延迟约束下的负载调度有效性、分组能源交易和电池退化成本等方面比较了启发式算法的性能。提供了案例研究来展示和广泛评估算法。数值结果表明，所提出的分组能源管理控制器可以在满足分组能源需求和调度延迟要求的同时，通过 GA、BPSO 和 DE 分别显著降低总平均系统成本高达 4.7%、5.14% 和 1.35%。
中温自主微电网运行的建模...
摘要 为了提高自主微电网的功率水平，需要更高的电压。本文对一个运行在中压水平和恒定频率下的微电网进行了详细的 Matlab/Simulink 建模。太阳能和风能利用均采用改进的升压变换器和中频变压器隔离的 DC/DC 变换器，以便将其连接到微电网。本文进一步采用基于差分进化 (DE) 的方法进行负载流分析，以计算出各母线的电压。DE 方法得到的结果在某些节点或母线与基于 Matlab/Simulink 平台的时域固定步长建模的结果几乎相同，而在其他节点，它们非常接近。因此，DE 方法可用于在具有更多节点的更复杂微电网中进行负载流分析，以克服 Matlab/Simulink 和其他工具有限的建模能力。此外，这项新的研究成果也为大规模微电网的稳定性分析奠定了基础。
感应地面定居点
这项研究提出了一种人工智能方法，以考虑多因素之间的相互作用，例如地质条件，施工参数，结构序列以及灌浆体积和时间安排，以预测盾牌隧道过程中的地面沉降。人工智能方法采用了混合神经网络模型，该模型将差异进化算法纳入人工神经网络（ANN）。差分进化算法用于确定ANN的优化结构和超占主米。然后采用自适应力矩估计（ADAM）方法来促进ANN的训练过程。在亚当的强度上，进化算法将进一步增强，以处理大量ANN候选者而不消耗大量计算资源。所提出的混合模型应用于广州地铁线路的盾牌隧道期间的地面定居点的现场案例9。地质条件和屏蔽操作参数首先是通过特征表演策略来表征和量化的，然后是模型的输入。结果使用所提出的混合模型验证预测的准确性。此外，通过部分导数敏感性分析方法，可以确定对地面沉降影响很大的屏蔽操作参数，该方法可以为屏蔽操作提供指导。
基于自导向学习的云资源管理工作负载预测模型
工作负载预测在智能资源扩展和负载平衡中起着至关重要的作用，可最大限度地提高云服务提供商的经济增长以及用户的体验质量 (QoE)。人们发现了多种方法来估计未来的工作负载，并且机器学习被广泛用于提高预测准确性。本文提出了一种自导向工作负载预测方法 (SDWF)，该方法通过计算最近预测中的偏差来捕捉预测误差趋势，并将其应用于提高进一步预测的准确性。该模型采用基于黑洞现象的改进启发式方法来训练神经元。通过六种不同的真实世界数据轨迹评估了所提出方法的有效性。将该模型的准确性与使用不同最先进方法（包括深度学习、差分进化和反向传播）的现有模型进行了比较。与现有方法相比，均方预测误差的最大相对减少量高达 99.99%。此外，还采用 Friedman 和 Wilcoxon 符号秩检验进行统计分析，以验证所提出的预测模型的有效性。2020 Elsevier Inc. 保留所有权利。
日本 100% 可再生电力
日本已承诺到 2050 年实现碳中和。电力部门的排放量占总排放量的 42%。由于价格低廉且不断下降，太阳能光伏 (PV) 和风能占全球净容量新增量的四分之三。这为日本提供了一个机会，可以大幅减少排放，同时减少对能源进口的依赖。这项研究表明，日本拥有的太阳能和海上风能资源是供应 100% 可再生电力所需的 14 倍。使用历史数据提出了日本电力系统 40 年每小时能量平衡模型。包括抽水蓄能、高压互连和可调度容量（水力、生物质能和氢能），以平衡可变发电和需求。使用差分进化来寻找各种约束条件下成本最低的解决方案。光伏主导系统的平准化电力成本为 86 美元/兆瓦时，风能主导系统的平准化电力成本为 110 美元/兆瓦时。这些成本可与日本现货市场 102 美元/兆瓦时的平均系统价格进行比较。总之，日本可以以有竞争力的成本实现电力供应自给自足。
基于人工智能应用对气候和城市参数在新冠肺炎确诊病例中的作用进行优先排序和分析
摘要：如今，传染病爆发被认为是可持续发展进程中最具破坏性的影响之一。新型冠状病毒（COVID-19）作为一种传染病的爆发表明，它对社会、环境和经济产生了不良影响，并带来了严重的挑战和威胁。此外，研究优先排序参数对于减少这场全球危机的负面影响至关重要。因此，本研究的主要目的是对某些环境参数进行优先排序和分析其作用。为此，选择了意大利的四个城市作为案例研究，并将一些值得注意的气候参数（例如每日平均气温、相对湿度、风速）和城市参数人口密度作为输入数据集，将确诊的 COVID-19 病例作为输出数据集。在本文中，使用了两种人工智能技术，包括基于粒子群优化（PSO）算法和差分进化（DE）算法的人工神经网络（ANN），用于对气候和城市参数进行优先排序。分析基于特征选择过程，然后比较所提模型的结果以选择最佳模型。最后，两个模型的性能在成本函数上的差异约为 0.0001，因此，两种方法在成本函数上没有差异，但是，ANN-PSO 被发现更好，因为它在比 ANN-DE 更少的迭代次数中达到了所需的精度水平。此外，城市参数和相对湿度这两个变量的优先级在预测 COVID-19 确诊病例方面最高。
有效的批处理贝叶斯优化...
摘要 - Bayesian优化是模拟电路合成的有前途的方法。但是，贝叶斯优化框架的顺序性质显着限制了其充分利用现实世界计算资源的能力。在本文中，我们提出了一种通过多目标采集函数集合（MACE）进行有效的可行贝叶斯优化算法，以进一步加速优化过程。通过对改进概率（PI），预期改进（EI）和较低置信（LCB）的帕累托阵线进行抽样查询点，我们结合了最新的艺术习得功能的利益，以实现探索和剥削之间的精致折衷和无限限制的优化问题之间的脆弱交易。基于此批处理设计，我们进一步调整了约束优化问题的算法。通过将优化过程分为两个阶段，并首先关注找到初始可行点，我们设法获得了有关有效区域的更多信息，并可以更好地避免在不可行的区域周围采样。达到了第一个可行点后，我们通过对收购函数集合采用特殊设计的惩罚术语来赞成可行的区域。实验结果定量地表明，与批处理大小为15时，与差分进化（DE）相比，我们提出的算法可以将总体仿真时间减少到74倍（DE）。对于受限的优化问题，与基于加权的基于预期改进的贝叶斯优化（WEIBO）方法相比，我们提出的算法可以将优化过程高达15倍，当批处理大小为15时。
教授Amlan Chakrabarti 博士简历
具有增强词语表示的编码器架构，载于 Springer Applied Intelligence，2022 年。4. S. Sarkar、DP Mukherjee 和 A. Chakrabarti，“强化学习用于足球传球检测和控球统计数据生成”，载于 IEEE Transactions on Cognitive and Developmental Systems，2022 年，doi：10.1109/TCDS.2022.3194103。 5. M. Rakshit、S. Bhattacharjee、G. Garai、A Chakrabarti，“正交频分复用系统中基于音调预留的峰值与平均功率比降低技术的新型差分进化算法”，Swarm and Evolutionary Computation，爱思唯尔，第 72 卷，2022 年 7 月 6. A. Saha、R. Majumdar、D. Saha、A. Chakrabarti 和 S. Sur-Kolay，“具有 n-qudit Toffoli 门高级分解的 d-ary Grover 算法的渐近改进电路”，Phys. Rev. A，第 72 卷。 105，062453 – 2022 年 6 月 28 日发布。7. AK Das、B Chakraborty、S Goswami、A Chakrabarti，“一种基于模糊集的有效特征选择方法”，模糊集与系统，爱思唯尔，印刷中，2022 年。8. T. Chatterjee、A. Das、SI Mohtashim、A. Saha、A. Chakrabarti，“Qurzon：基于分而治之的分布式量子系统量子编译器原型”，Springer Nature Computer. Science，第 3 卷，323，2022 年。9. S. Basu、A. Saha、A. Chakrabarti 和 S. Sur-Kolay，“i-QER：一种减少量子误差的智能方法”，ACM Transactions on Quantum Computing，已接受（2022 年 5 月）。
混合动力发电...
摘要：光伏 (PV) 能源的使用最近因其可再生性而受到广泛关注。然而，仍然存在一些挑战，特别是在准确设计 PV 系统方面。在离网 PV 系统中，适当选择 PV 电池和电池存储的尺寸对于提高效率和系统可靠性至关重要。该项目重点关注尼日利亚北部的 Gubio 村，该村计划建立一个结合风能、光伏和柴油发电的独立系统。主要目标是确定案例研究中 PV 模块和电池尺寸的最佳数量。在理想的测试条件下，使用 MATLAB 模拟对所提出的系统进行了测试，同时考虑了辐照度模式的变化和与系统相关的其他不确定性。还概述了 PV、电池、风力涡轮机和柴油组件的搜索范围及其目标函数。在本项目中，比较了遗传算法 (GA)、粒子群优化 (PSO) 和差分进化 (DE) 算法，以确定 Gubio 村离网 PV、风力涡轮机和柴油系统的最佳尺寸。优化结果表明，PSO 在成本和收敛时间方面提供了最佳解决方案，供电损失概率 (LPSP) 最低，平准化能源成本 (LCOE) 最高，分别为 0.012 和 0.3564。与 DE 和 GA 相比，PSO 算法效率更高，由于收敛速度更快，所需的计算时间和内存更少。因此，该项目通过为尼日利亚博尔诺州的古比奥村设计混合光伏/风能/柴油电池发电系统成功实现了其目标。关键词：光伏 (PV) 能源；离网光伏系统；优化算法；混合发电。
使用主动学习和超参数优化的图像切解分解
图像切解分析检测数字图像中隐藏的数据，对于增强数字安全性至关重要。传统的切解方法通常依赖于大型预先标记的图像数据集，这些数据集很困难且昂贵。为了解决这个问题，本文介绍了一种创新的方法，该方法结合了积极的学习和非政策深度强化学习（DRL），以使用最小标记的数据来改善图像ste缩。主动学习允许模型智能选择应注释哪些未标记的图像，从而减少有效培训所需的标记数据量。传统的主动学习策略通常使用限制灵活性且不能很好地适应动态环境的静态选择方法。为了克服这一点，我们的方法结合了用于战略数据选择的非政策DRL。DRL中的非政策可以提高样本效率，并显着提高学习成果。我们还使用差分进化（DE）算法来微调模型的超参数，从而降低了其对不同设置的敏感性并确保更稳定的结果。我们对广泛的BossBase 1.01和BOWS-2数据集进行了测试，证明了该方法区分未更改和隐形图像的强大能力，在BossBase 1.01和BOSS-2数据集对BossBase 1.01和91.834％的平均F量表达到93.152％。总而言之，这项研究通过采用先进的图像切解分析来检测隐藏数据，从而增强了数字安全性，从而通过最小的标记数据显着提高了检测准确性。