XiaoMi-AI文件搜索系统
World File Search System收敛速度
基于混合模型的锂离子电池剩余使用寿命预测
摘要：准确预测剩余使用寿命（RUL）是保证锂离子电池安全稳定性的关键功能。为解决不同工况下的容量再生和模型适应性，提出了一种基于带自适应噪声的完全集合经验模态分解（CEEMDAN）和双向门控循环单元（BiGRU）的混合RUL预测模型。利用CEEMDAN将容量划分为固有模态函数（IMF）以降低容量再生的影响。此外，提出一种改进的灰狼优化器（IGOW）来保持BiGRU网络的可靠性。利用混沌帐篷映射提高GWO算法中初始种群的多样性，采用改进的控制因子和动态种群权重来加速算法的收敛速度。最后，进行容量和RUL预测实验，验证不同训练数据和工况下的电池预测性能。结果表明，所提出的方法仅使用 30% 的训练集即可实现小于 4% 的 MAE，并使用 CALCE 和 NASA 电池数据进行了验证。
考虑用户满意度的弹性微电网的最佳经济运作
微电网来研究在极端条件下系统的弹性。考虑到预防前预防和污染后恢复，该模型由一个高级优化模型组成，以实现用户满意度，以及寻求最佳经济运行和弹性的低级优化模型。提出了一种结合各种策略（例如惯性重量和Lévy飞行）的混合鹈鹕算法。与测试功能的数值比较已经证实了所提出的算法具有更好的解决方案准确性和收敛速度。对概率低但损害较高的方案的仿真实验已经进行了高度损害，并与其他算法进行了比较，这表明了拟议算法在解决微网络中最佳的经济运行和弹性问题方面的优势。对概率低但损害较高的方案的仿真实验已经进行了高度损害，并与其他算法进行了比较，这表明了拟议算法在解决微网络中最佳的经济运行和弹性问题方面的优势。
基于压缩感知多通道脑电信号加速稀疏性重建
能够记录和传输生物信号的可穿戴电子设备可以提供便捷且普遍的健康监测。典型的脑电图记录会产生大量数据。传统的压缩方法无法将数据压缩到奈奎斯特速率以下，因此即使压缩后数据量仍然很大。这需要大量存储空间，因此传输时间也较长。压缩感知提出了解决这个问题的方法，并提供了一种将数据压缩到奈奎斯特速率以下的方法。本文提出基于双时间稀疏性的重建算法来恢复压缩采样的脑电图数据。通过使用schattern-p范数修改基于双时间稀疏性的重建算法并在处理前对脑电图数据进行去相关变换，进一步改善了结果。所提出的改进双时间稀疏性的重建算法在SNDR和NMSE方面优于基于块稀疏贝叶斯学习和Rackness的压缩感知算法。仿真结果进一步表明，所提出的算法具有更好的收敛速度和更短的执行时间。
量子化学中激发态的全电路量子算法
利用量子计算机研究量子化学是当今的一个重要的研究领域。除了广泛研究的基态问题外，激发态的确定在化学反应和其他物理过程的预测和建模中起着至关重要的作用。本文提出了一种基于非变分全电路的量子算法来获得量子化学哈密顿量的激发态谱。与以前的经典-量子混合变分算法相比，我们的方法消除了经典的优化过程，减少了不同系统之间相互作用带来的资源成本，实现了更快的收敛速度和更强的抗噪性，没有贫瘠的平台。确定下一个能级的参数更新自然取决于前一个能级的能量测量输出，并且只需修改辅助系统的状态准备过程即可实现，几乎不会引入额外的资源开销。本文给出了氢、LiH、H2O 和 NH3 分子算法的数值模拟。此外，我们还提供了一个示例
通过在线学习中使用BUNDIT反馈
由于沟通成本高，联合学习（FL）系统需要采样每一轮培训的客户的子集。因此，客户采样在FL系统中起着重要作用，因为它影响了用于训练机器学习模型的优化算法的收敛速率。尽管其重要性，但如何有效地对客户进行采样的工作有限。在本文中，我们将客户取样作为在线学习任务，并使用Bandit反馈进行，我们使用在线随机镜下降（OSMD）算法来解决，该算法旨在最大程度地减少采样差异。然后，我们在理论上展示了我们的采样方法如何在广泛使用的均匀采样上提高联合优化算法的收敛速度。通过模拟和实际数据实验，我们从经验上说明了拟议的客户采样算法的优势，而不是统一采样和现有的基于在线学习的采样策略。所提出的自适应采样程序适用于此处研究的FL概率，可用于改善随机优化程序的性能，例如随机梯度下降和随机坐标下降。
能量收集和储能系统
可持续发展体系基于三大支柱：经济发展、环境管理和社会公平。在这些支柱之间寻找平衡的指导原则之一是限制不可再生能源的使用。解决这一挑战的一个有希望的方法是从周围环境中收集能量并将其转化为电能。当代对太阳能、风能和热能等新能源发电技术的发展需求很高，以促进用更清洁的可再生能源替代化石燃料能源。能量收集系统已成为一个突出的研究领域，并继续快速发展。现代技术，包括便携式电子设备、电动交通、通信系统和智能医疗设备，都需要高效的储能系统。电能存储设备还用于智能电网控制、电网稳定性和峰值功率节省，以及频率和电压调节。由于电力供应波动，可再生能源（例如太阳能和风能）产生的电力并不总是能够立即响应需求。因此，有人建议将收获的电能保存起来以供未来使用。而电能存储技术的现状远不能满足必要的需求。本期特刊发表了 13 篇论文，涵盖优化算法的各个方面、风能涡轮机的评估、静电振动能量传感器、电池管理系统、热电发电机、配电网络、可再生能源微电网接口问题、基于模糊逻辑控制器的直接功率控制、燃料电池参数估计以及超低功率超级电容器。Sharma 等人 [1] 提出了一种鲸鱼优化算法 (WOA) 和粒子群优化 (PSO) 算法 (WOAPSO) 的混合版本，用于光伏电池的参数优化。在 WOA 的流水线模式下利用具有自适应权重函数的 PSO 的开发能力来增强基本 PSO 的能力和收敛速度。将所提出的混合算法与六种不同的优化算法在均方根误差和收敛速度方面的性能进行了比较。仿真结果表明，所提出的混合算法不仅能在不同辐照水平下产生优化参数，而且即使在低辐照水平下也能估算出最小均方根误差。采用海鞘群算法 (TSA) 估算标准温度条件下的 Photowatt-PWP201 PV 板模块参数 [ 2 ]。结论是，TSA 是一种有效且稳健的技术，可用于估算标准工作条件下太阳能 PV 模块模型的未知优化参数。将模拟结果与四种不同的现有优化算法进行了比较：引力搜索算法 (GSA)、粒子群优化和引力搜索算法的混合算法 (PSOGSA)、正弦余弦算法 (SCA) 和鲸鱼
摘要。为了克服有限元方法的网格依赖性，作者提出了遗传算法在无网状opti
摘要。为了克服有限元方法的网格依赖性，作者提出了遗传算法在用肋板和梁对弹性基础的无网状优化中的应用。肋板被视为板和梁的组合。基于无网状方法并与遗传算法相结合，优化了矩形肋板的肋骨排列位置，以最大程度地减少侧向载荷下肋骨板的中心点的偏转。与传统的有限元方法相比，使用作者的无网格方法进行肋骨位置优化肋板的分析不需要网格重建，并且在板上离散的节点和肋骨总是不需要更改。结果表明，与第二代人相对应的中心点的挠度值更加集中，并且与第一代相比，挠度值较小的个体也更加集中。混合遗传算法确实有效。作者添加了受约束的随机方向方法，以基于遗传算法形成混合遗传算法，该算法会加速收敛速度，降低计算重复速率，并显着降低遗传算法的计算代数，从而将其降低到两到三代。
一项关于非线性普通差方程的数学研究
An analytical study is carried out to obtain the approximate solution for the Magnetohydrodynamic (MHD) flow issue of Darcy-Forchheimer nanofluid containing motile microorganisms having viscous dissipation effect through a non-linear extended sheet employing a new approximate analytical method namely Ananthaswamy-Sivasankari Method (ASM) and also修改的同义分析方法（MHH）。衍生的分析解决方案以显式形式给出，并与数值解决方案进行比较。图形结果被交织在一起，以反映问题中涉及的各种物理参数的效应。比较并在表中进行了比较并显示了Nusselt数字，局部皮肤摩擦参数和舍伍德数的数值计算。使用此策略获得更快的收敛速度。通过此方法获得的解决方案更接近精确的解决方案。另外，该解决方案是最简单，最明确的形式。它适用于所有具有非零边界条件的初始和边界价值问题。可以轻松扩展此方法以解决其他非线性高阶边界价值问题中的物理，化学和生物学科学问题。
负责任的创新和数字平台：在线食品交付的情况
摘要 - 近年来，软机器人模拟器已经发展为提供各种功能，包括不同材料类型（例如弹性，超弹性）和驱动方法（例如，气动，电缆驱动，伺服运动）的模拟。这些模拟器还为各种任务（例如校准，设计和控制）提供工具。但是，在这些模拟器中有效，准确地计算衍生物仍然是一个挑战，尤其是在存在物理接触相互作用的情况下。结合这些衍生物可以显着提高控制方法的收敛速度，例如增强学习和轨迹优化，启用基于梯度的设计技术，或促进端到端的机器学习方法以减少模型。本文通过引入一种统一的方法来解决这些挑战，以计算有限元方法框架中的机械方程的衍生物，包括模拟为非线性互补性问题的触点交互。所提出的方法处理碰撞和摩擦阶段，解释其非平滑动力学，并利用基于网格的模型引入的稀疏性。通过几个控制和校准软系统的示例来证明其有效性。关键字：软动物模拟，可区分的物理，可区分优化，非平滑动力学。
集成电的数据驱动的调度方法...
摘要氢能系统的参与已被认为是缓解气候问题的有希望的方法。作为一种有效的多能互补系统，水力发电 - 伏托抗氢（HPH）系统可能是将氢与已安装的可再生能源系统相结合的理想方法，以提高能量管理的功能，以提高能量管理的功能并减少电力降低。然而，由于时间相关的非线性水力发电过程，复杂的能量转换过程和不确定的自然资源供应，HPH系统的日内调度带来了挑战。面对这些挑战，提出了改进的深层确定性政策梯度（DDPG）基于数据驱动的调度算法。与普遍的DDPG相反，两组参与者 - 批判网络是基于先验基于知识的深神经网络的正确设计，用于搜索近乎最佳的策略和近似参与者价值功能。此外，提出了定制的奖励功能，并考虑了不同能源供应之间的相互作用，这有助于提高收敛速度和稳定性。最后，案例研究结果表明，提出的系统模型和基于改进的DDPG算法的最佳能源管理策略可以指导电力 - 氢系统以实现快速响应和更合理的能源管理。