XiaoMi-AI文件搜索系统
World File Search System搜索空间
loger：一种学习的优化器，用于生成高效且强大的查询执行计划
基于深度强化学习（DRL）的查询优化最近已成为热门研究主题。尽管取得了令人鼓舞的进展，但DRL优化者仍然面临着强有力地制定有效计划的巨大挑战，这是因为连接订单和操作员选择的巨大搜索空间以及将其作为反馈信号的高度变化的执行延迟。在本文中，我们提出了Loger，这是一个赢得的效果，以使能力和r ubust计划有效，旨在生产有效的加入订单和运营商。Loger首先利用图形变压器来捕获表和谓词之间的关系。然后，搜索空间进行了重组，Loger学会了限制特定的操作员，而不是直接选择每个连接的操作员，同时利用DBMS内置的优化器在修复下选择物理操作员。这种策略利用专家知识来提高计划生成的鲁棒性，同时提供足够的计划搜索灵活性。此外，Loger介绍了𝜖 -beam搜索，该搜索可在进行指导探索时保留多个搜索路径，以保留有希望的计划。最后，Loger引入了损失功能，并通过奖励加权引入损失功能，从而通过减少差的操作员造成的波动，并记录转换以压缩奖励范围，从而进一步提高性能。我们对加入订单基准（JOB），TPC-DS和堆栈溢出进行实验，并证明Loger可以比现有学习的查询优化器更好地实现性能，而与PostgreSQL相比，工作速度为2.07倍。
使用遗传算法，粒子群优化的综合方法的设计，用于优化电子束光刻，
摘要：随着先进制造对精确微型和纳米级图案的不断增长的要求，迫切需要对EBL过程的优化。当前的优化方法涉及GA与GWO或PSO与GWO等组合，而GWO与不良的探索 - 探索折衷折衷相困难，因此融合到次优溶液或溶液的不足。通过创新的自适应狼驱动的蜂群进化方法克服了上述挑战，使GA，PSO和GWO的优势协同以进行EBL的优化过程。从GA中产生多样化的解决方案人群是AWDSE的开始，以确保搜索空间中的广泛探索。此外，使用GWO的基于角色的分类将解决方案分层分类为不同的角色：Alpha，Beta，Gamma，Delta。的解决方案（Alpha，beta）通过基于PSO的更新来完善，这些更新通过更新解决方案来利用搜索空间，而解决方案排名较低（Gamma，delta）则受到GA驱动的交叉和突变操作，以维持多样性和探索。GA的进化操作与PSO粒子更新之间的自适应切换肯定是由GWO的领导动力驱动的，GWO的领导动力可以使多样化强化的更密集平衡，从而可以提高收敛精度和速度。实验结果证明，AWDSE能够提高约18％的临界维度，而延迟时间的收缩率达到12％，效果超过了GA-GWO和PSO-GWO的传统方法。这一进步强调了AWDSE可以显着提高EBL效率和准确性的可能性，而远离纳米制造过程的景色却越来越快。
约束优化问题的有效隐式约束处理方法
许多现实世界的优化问题，尤其是工程优化问题，都涉及约束条件，这使得寻找可行解变得十分困难。许多研究人员已经针对受约束的单目标和多目标优化问题研究了这一挑战。具体而言，本研究扩展了 Gandomi 和 Deb（《计算机方法与应用机械工程》363:112917, 2020）提出的用于约束优化问题的边界更新 (BU) 方法。BU 是一种隐式约束处理技术，旨在通过迭代削减不可行搜索空间，从而更快地找到可行区域。这样做会扭曲搜索空间，使优化问题更具挑战性。为此，我们实施了两种切换机制，当找到可行区域时，将景观连同变量一起转换为原始问题。为了实现这一目标，我们考虑了两个阈值，分别代表不同的切换方法。在第一种方法中，当约束违规达到零时，优化过程将转换为不使用 BU 方法的状态。在第二种方法中，当目标空间不再发生变化时，优化过程将转入不使用 BU 方法的优化阶段。为了验证该方法的有效性，我们考虑使用著名的进化单目标和多目标优化算法来解决基准测试和工程问题。本文分别在整个搜索过程中使用和不使用 BU 方法对所提出的方法进行了基准测试。结果表明，该方法可以显著提高收敛速度，并能够更好地解决约束优化问题。
基于差异进化的神经结构搜索脑血管分割
脑血管分析对于开发神经退行性疾病的新型治疗靶标至关重要。这样的准确分析不能手动执行，而需要半自动或完全自动化的方法。深度学习方法最近已证明对医学图像的自动分割和分析必不可少。但是，优化深度学习网络体系结构是另一个挑战。手动选择深度学习网络体系结构并调整其超参数需要大量的专业知识和精力。为了解决这个问题，文献中提出了探索具有高分从细分性能的更高效网络体系结构的神经体系结构搜索（NAS）方法。这项研究介绍了基于差异进化的NAS方法，其中提出了新的搜索空间以用于脑血管分割。我们选择了经常用于医学图像分割的两个架构，即u-net和注意U-net，作为NAS优化的基准。传统的差异进化和基于反对的差异进化与新型搜索空间一起用作NAS中的搜索方法。此外，我们进行消融研究并评估特定损失函数，模型修剪，阈值选择和概括性能对所提出模型的影响。实验是在提供335个单渠道8位灰度图像的两个数据集上进行的。这些数据集是公共体积脑血管系统数据集（CONSEINN）和我们自己的名为Kuvesg的数据集。所提出的NAS方法，即UNAS-NET和COATION UNAS-NET体系结构，就不同的分割指标而言产生了更好的分割性能。更具体地说，具有差分进化的UNAS-NET揭示了高骰子得分/敏感性值分别为79.57/81.48。此外，它们的推理时间比基线方法短9.15。
基于视觉的商用飞机着陆 - eucass
摘要 本文介绍了一种基于视觉的着陆 (VBL) 概念，该方法整合了以下贡献：a) 利用飞行员交互来利用人类卓越的物体识别能力。这大大减少了视觉系统必须覆盖的搜索空间。飞机数据、已知情景背景和背景信息也被整合在一起。b) 一种不同的设计方法，包括多种图像处理 (IP) 算法的组合，提高了从早期进近到着陆和在不同环境条件下滑行的整个距离范围的稳健性。c) 使用此处介绍的结果进行飞机控制的视觉伺服在随附的论文中进行了展示。13 对于初步测试，已经实施了合成图像的模拟。
科学学士学位（B.Sc.）教学大纲
单元详细信息i人工智能介绍（AI）的AI工具历史记录，用于AI编程及其概述什么是认知科学以及AI搜索智能代理的感知应用问题的问题，未知的搜索搜索技术，未知的搜索技术1-通过搜索空间，搜索搜索技术2-搜索搜索技术2-搜索搜索，并实现了搜索，并实现了搜索，并实现了搜索，并进行了搜索，并实现了搜索，并进行了搜索，并实现了搜索，并实现了搜索，并实现了搜索，并实现了搜索，并实现了验证，并实现了验证，并实现了策略，并实现了策略，并实现了策略，并实现了策略， A*算法，AO*算法对抗搜索，游戏玩
人工智能与自动化优化...
很多领域都受到规划和调度问题的困扰。医疗保健、生产、公共交通和教育等不同领域的实际问题通常非常具有挑战性，其解决方案会影响相关人员以及运营的效率和组织成本。由于工业应用需要完全自动化，这些领域的研究最近变得越来越重要。此外，新领域提供了具有挑战性的问题，由于可能的解决方案的搜索空间巨大，无法最佳解决这些问题。在本次演讲中，我们将简要介绍一些具有挑战性的规划和调度问题，这些问题是 Christian Doppler 人工智能和规划与调度优化实验室与工业界合作研究的。我们还将介绍基于人工智能和优化之间的协同作用而开发的该领域解决问题技术的主要思想。
GPU 加速药物研发与 Summit 超级计算机对接：移植、优化和应用于 COVID-19 研究
蛋白质-配体对接是一种计算机模拟工具，用于在药物发现活动中筛选潜在药物化合物与给定蛋白质受体结合的能力。实验性药物筛选成本高昂且耗时，因此需要以高通量的方式进行大规模对接计算以缩小实验搜索空间。现有的计算对接工具中很少有考虑到高性能计算而设计的。因此，通过优化最大限度地利用领先级计算设施提供的高性能计算资源，可以使这些设施用于药物发现。在这里，我们介绍了 AutoDock-GPU 程序在 Summit 超级计算机上的移植、优化和验证，以及它在针对导致当前 COVID-19 大流行的 SARS-CoV-2 病毒蛋白的初步化合物筛选工作中的应用。1
粒子群优化的飞机配平分析
在本研究中，首先开发了 F-16 飞机全动力学的详细非线性模型，并用 MATLAB 进行编码。该模型包括重力模型、可变大气参数、表格气动函数、推进模型、非线性控制面驱动模型和六自由度运动方程。然后开发了一种使用上述模型计算所有可能配平值的数值工具。该工具可以计算不同操作点的配平值。在开发的算法中，使用了粒子群优化 (PSO) 方法，这是一种在连续搜索空间上具有高收敛速度的元启发式方法。然后使用开发的模型围绕计算出的配平值进行模拟。模拟结果证实，基于 PSO 的配平算法可以高精度地找到所有配平值。
