XiaoMi-AI文件搜索系统
World File Search System收敛速度
具有单元耦合簇和结构学习假设的 Lipkin 模型的量子计算 *
虽然在本研究中我们模拟了经典计算机中的量子计算，但我们应该注意到量子力学测量是随机的，因此，每次评估期望值时我们都将进行1000次测量。对于每种相互作用强度，进行50次基态能量估计，并得到它们的中位数和百分位数。另外，在本研究中，我们采用了Nakanishi等人[31]提出的序贯最小优化（SMO）方法进行参数优化。SMO方法具有以下优点：收敛速度更快、对统计误差具有鲁棒性、无需超参数优化。SMO方法基于这样一个事实，即期望值表示为具有一定周期的三角函数的简单和。更多详细信息可参见参考文献[31]。
考虑用户满意度的弹性微电网优化经济运行
提出了一种微电网极端条件下系统恢复能力的优化模型，该模型综合考虑灾前预防和灾后恢复，由以用户满意度为目标的上层优化模型和以经济运行与恢复能力最优为目标的下层优化模型组成。提出了一种融合惯性权重和Lévy飞行等策略的混合Pelican算法。与测试函数的数值比较验证了所提算法具有更好的求解精度和收敛速度。针对小概率、高破坏性的场景进行了仿真实验，并与其他算法进行了比较，证明了所提算法在解决微电网最优经济运行与恢复能力问题上具有更强的优越性。
空间蜂窝机器人轨道桁架无碰撞路径规划
摘要：针对空间站桁架上元胞机器人的移动路径规划问题，以三棱柱桁架为研究对象，提出一种融入引力搜索算法的优化蚁群算法。创新性地采用了限制探索区域的分层搜索策略，利用引力搜索算法求得桁架节点的最优解，并进一步将其转化为蚁群算法中信息素的初值，可以有效防止算法在前期陷入局部最优解，使得优化算法具有更快的收敛速度。本文提出了一种包含目标间夹角的启发式函数，可以有效避免前期的盲目搜索，提高路径搜索能力。仿真结果表明，在选择桁架路径时可以有效减少元胞机器人的路径和规划时间。
二次量子变分蒙特卡罗
本文介绍了二次量子变分蒙特卡罗 (Q 2 VMC) 算法，这是量子化学中的一种创新算法，可显著提高求解薛定谔方程的效率和准确性。受虚时间薛定谔演化的离散化启发，Q 2 VMC 采用了一种新颖的二次更新机制，可与基于神经网络的假设无缝集成。我们进行了大量的实验，展示了 Q 2 VMC 的卓越性能，在跨各种分子系统的波函数优化中实现了更快的收敛速度和更低的基态能量，而无需额外的计算成本。这项研究不仅推动了计算量子化学领域的发展，还强调了离散化演化在变分量子算法中的重要作用，为未来的量子研究提供了一个可扩展且强大的框架。
光滑粒子流体动力学的量子算法
我们提出了一种用于光滑粒子流体动力学 (SPH) 方法的量子计算算法。我们使用规范化程序将 SPH 运算符和域离散化编码到量子寄存器中。然后，我们通过量子寄存器的内积执行 SPH 求和。使用一维函数，我们使用高斯和 Wendland 核函数以经典方式测试一维函数的核和以及一阶和二阶导数的方法，并将各种寄存器大小与分析结果进行比较。误差收敛速度在量子比特数上呈指数级增长。我们扩展了该方法以解决流体模拟中常见的一维平流和扩散偏微分方程。这项工作为更通用的 SPH 算法奠定了基础，最终导致在基于门的量子计算机上对复杂工程问题进行高效模拟。
随机凸优化中适应性的价格
现代机器学习中的随机优化方法通常需要仔细地调整算法参数，以大量的时间，计算和专业知识。这种现实导致人们对开发自适应（或无参数）算法的持续兴趣，这些算法需要最小或不需要调整[1、2、4-8、10-10-15、17-20]。但是，这些适应性方法通常比非自适应对应物的次级次数范围更差。存在“尽可能自适应”，还是有改进的空间？换句话说，是否有基本价格要支付（按照收敛速度），因为不知道问题参数吗？为了回答这些问题，我们从算法游戏理论中的“无政府状态价格” [16]中汲取了灵感，并介绍了“适应性价格”（POA）。大致说明，由于问题参数的不确定性，POA衡量了次优的乘法增加。我们显示了以下非平滑随机凸优化的POA下限：
travolta：GPU加速度和算法改进，用于在光兴奋的系统中构建量子最佳控制场
我们提出了一个开源软件包Travolta（用于加速，验证和优化大的时间依赖性算法的曲目），用于对GPU进行大规模平行的量子最佳控制计算。Travolta软件包是对我们以前的NIC-CAGE算法的重要大修，还包括对梯度上升程序的算法改进，以实现更快的收敛速度。我们检查了GPU并行化的三种不同变体，以评估它们在构建各种量子系统中构建最佳控制场的性能。此外，我们还提供了几个示例，这些示例具有GPU增强的Travolta代码的广泛基准，以表明它与以前基于CPU的算法相同的结果，但加速速度快十倍以上。我们的GPU增强功能和算法改进实现了大型量子最佳控制计算，可以在现代的多核计算硬件上有效地执行。
补偿抽样，以改善扩散模型的收敛性
摘要。扩散模型在图像一般方面具有出色的质量，但以一定的代价。迭代denoising需要许多时间步骤来产生高保真图像。由于目标数据的初始不准确重建，重建误差的积累至关重要的限制。这会导致质量降低，收敛速度较慢。为了解决这些问题，我们提出了补偿抽样，以指导生成目标领域。我们引入了一个用U-NET实施的薪酬术语，该薪酬添加了可忽略的培训间接费用。我们的方法是灵活的，我们将其在基准数据集Cifar-10，Celeba，Celeba-HQ，FFHQ-256和FSG上的无条件生成，面对介绍和面对外划分中的应用。我们的方法始终从图像质量方面产生最先进的结果，同时加速了在训练过程中以最高数量级收敛的转化过程。
基于面部视频序列的实时驾驶员疲劳检测算法研究
摘要：驾驶员疲劳检测研究对提高驾驶安全具有重要意义。为提高检测准确率，本文提出一种基于面部特征点的驾驶员疲劳实时综合检测算法，利用面部视频序列检测驾驶员疲劳状态，无需在驾驶员身上配备其他智能设备。构建任务约束的深度卷积网络，基于68个关键点检测人脸区域，解决各任务收敛速度不同导致的优化问题。根据实时人脸视频图像，基于面部特征点计算眼部纵横比（EAR）、嘴部纵横比（MAR）和闭眼时间百分比（PERCLOS）眼部特征。建立驾驶员疲劳综合评估模型，通过眼部/嘴部特征选择评估驾驶员疲劳状态。经过一系列对比实验，结果表明，该算法在驾驶员疲劳检测的准确率和速度上均取得了良好的效果。
无线传感器网络中节点的优化和节能部署
摘要。针对节能和最佳WSN的最佳部署问题，本文建立了最佳覆盖模型。同时，提出了一种基于粒子群理论和量子的粒子群优化的节能部署算法。准物理策略，即准实体和准库仑力，在量子粒子群优化算法的位置进化方程中引入，这可以合理地调节传感器节点之间的距离。此外，该算法可以以低区域重复速率获得快速优化。此外，对WSN节点的传感半径进行动态调整，以最大程度地减少节点的能量消耗。模拟结果表明，与传统的粒子群和量子性粒子群群优化方案相比，所提出的算法在网络覆盖率和收敛速度方面具有更好的性能。同时，该算法在减少WSN中的节点能量消耗方面具有一定的优势。