XiaoMi-AI文件搜索系统
World File Search System最优
风力涡轮机群隐式相位协调最优控制
惯性质量，J 101 537 . 5 kg m 2 阻尼，B 100 N ms / rad 极对数，p 2 变速箱速比，N 24 . 12 叶片长度 + 轮毂，R m 13 . 5 m 转子电阻，R r 0 . 007 645 44 Ω 转子电感，L r 0 . 007 067 33 H 定子电阻，R s 0 . 009 585 76 Ω 定子电感，L s 0 . 000 252 35 H 定子电流。 d 轴，isdisd ≥ 0 A 定子频率，ω s ω s ≥ 0 rad / s 初始转子频率，ω r 0 2 rad / s 转子频率，ω r ω r ∈ [ 0 , 9 . 208 ] rad / s 直流母线电压，vv ∈ [ 437 , 483 ] V (460 V ± 5%) 直流母线电阻，R 1000 Ω 直流母线电容，C 0 . 1 F 连接电感，L 0 . 001 H 连接电阻，R 0 . 05 Ω 时间窗口 600 s 直流母线电压，vv ′′ ∈ [ − 20 , 20 ] V / s 2
Julia 中的交流最优功率流
具有 13 个条目的 Dict{String,Any}：“source_type”=>“matpower” “name”=>“pglib_opf_case5_pjm” “source_version”=> v“2.0.0” “baseMVA”=> 100.0 “per_unit”=> true “bus”=> Dict{String,Any}(...) “branch”=> Dict{String,Any}(...) “dcline”=> Dict{String,Any}(...) “gen”=> Dict{String,Any}(...) “load”=> Dict{String,Any}(...) “shunt”=> Dict{String,Any}(...) “storage”=> Dict{String,Any}(...)
用于对神经系统进行最优控制建模的计算机框架 Rückauer, BJ; Gerven, MAJ van 2023，文章 / 致编辑的信 (Frontiers i
我们提出了一个控制理论框架来研究嵌入在模拟环境中的生物驱动人工神经系统（Sussillo，2014）的稳定性和可控性。从高层的角度来看，这个框架模拟了脑-机-环境的相互作用。我们首先考虑建模一个神经系统在虚拟环境中执行行为任务的问题。用控制理论的语言来说，神经系统与环境过程形成一个闭环反馈控制器。在第二步中，我们模拟神经系统的退化（例如在传感器或执行器处）并添加一个二级控制器（假肢），目的是恢复行为功能。在此过程中，我们考虑了大脑模型中的不确定性、非线性、测量噪声以及可观察状态和可控神经元的有限可用性。神经系统，从单个神经元到大规模群体，都以复杂的动态为特征，建模和控制可能具有挑战性（Ritt and Ching，2015）。经典控制理论（Khalil，2002；Brunton 和 Kutz，2017；Astrom 和 Murray，2020）为设计控制律提供了强大的工具，并在神经技术领域得到广泛应用，例如机械臂或计算机光标的闭环脑机接口 (BMI) 控制（Shanechi 等人，2016）、癫痫发作缓解的模型预测控制（Chatterjee 等人，2020）以及大脑在认知状态之间转换的机制解释（Gu 等人，2015）。闭环控制的一个特别成功的应用是通过深部脑刺激治疗帕金森病。在那里，可以使用基于阈值、比例积分或自调节控制器将病理性 β 波段振荡活动抑制在所需的目标水平（Fleming 等人，2020a、b）。 Schiffi (2011) 建立了一种将控制理论与神经科学和生物医学联系起来的典型方法，其中时空皮质动态模型与卡尔曼滤波器相结合，以估计未观察的状态并跟踪未知或漂移的模型参数。神经形态社区中的团队最近通过实现生物学上合理的操作和学习状态估计和控制规则（Friedrich 等人，2021；Linares-Barranco 等人，2022）以及神经形态 BMI 电路（Donati 和 Indiveri，2023）为这项工作做出了贡献，这有望在低功耗运行时实现更好的生物相容性。在上述许多方法中反复出现的一些挑战是线性（可实现）或低维系统的假设、对底层动态的知识或所需目标状态的可用性（如帕金森病的 DBS）。本文针对这些局限性做出了两项主要贡献。首先，我们建议一致使用动力系统来模拟大脑、环境、和假肢。除了统一方法论之外，这种选择还可以灵活地对不同程度的真实模型进行实验。在这里，我们展示了循环神经网络 (RNN) 作为神经系统和假肢的简单、高度可扩展的构建块的使用。其次，我们逐步消除了线性、系统知识、完全可观测性和监督目标状态的假设，通过使用强化学习 (RL)（Sutton 和 Barto，2020 年）进行系统识别和合成假肢控制器。
储能参与能源和储备市场的累积收入与最优频率调节模型
π t da 日前市场-DA 电能价格（€/MWh） π t id 日内市场-ID 电能价格（€/MWh） π t fcr, r ,π t fcr, a FCR 底价（€/MW/4h），激活电能价格（€/MWh） π t afrr, r ,π t afrr, a aFRR 底价（€/MW/1h），激活电能价格（€/MWh） π t mfrr, r ,π t mfrr,a +/- mFRR 底价（€/MW/30min），激活电能价格（€/MWh） π t rr, r ,π t rr,a +/- RR 底价（€/MW/30min），激活电能价格（€/MWh） π t cap 容量市场 电能价格（€/MWh） at, j bm, +/- 上行和下行底价的激活信号：bm = {fcr, afrr, mfrr, rr} at bm 上行和下行储备的手动储备信号：bm = { mfrr, rr} at cap 容量市场的激活信号 dt da DA 市场的时间分辨率（1 小时） dt id ID 市场的时间分辨率（30 分钟） dt bm BM 市场的时间分辨率：bm = {fcr, afrr, mfrr, rr} (15 分钟) P max 电池的最大功率容量（MW） E cap 电池的最大能量容量（MWh） ƞ - , ƞ + 充电和放电效率（%） β 上行和下行 BM 储备的激活部分（%） soc max , soc min 充电阶段的最大值和最小值（%）
量子技术中的量子最优控制。欧洲研究现状、愿景和目标战略报告
1 引言 量子最优控制理论 (QOCT) 是指一套设计和实现外部电磁场形状的方法，这些电磁场以最佳方式操纵原子或分子尺度上的量子动力学过程 [246]。它建立在更通用的控制理论的基础上，控制理论是在应用数学、工程学和物理学交叉领域发展起来的，涉及操纵动态过程以实现特定任务。主要目标是使所研究的动态系统以最优方式运行并达到其物理极限，同时满足现有设备施加的约束。量子过程也不例外，但控制理论的某些方面必须进行调整，以考虑到量子世界的特殊性。过去几年中，QOCT 已成为新兴量子技术不可或缺的一部分 [6]，证明了控制将科学知识转化为技术 [246]：如果叠加原理是量子力学的核心特征，那么量子控制就是叠加原理在起作用。量子技术需要相对隔离良好、特性良好的量子系统。与化学反应动力学等使用 QOCT 的其他领域相比，这一特性使其成为 QOCT 的理想试验台。另一方面，QOCT 已经成熟到如今已可在实验中使用。QOCT 的下一个挑战是成为一种
具有最优云资源分配的可配置业务流程形式化模型
摘要：在当今竞争激烈的商业环境中，组织越来越需要对灵活且经济高效的业务流程进行建模和部署。在这种情况下，可配置流程模型用于通过以通用方式表示流程变体来提供灵活性。因此，类似变体的行为被分组到包含可配置元素的单个模型中。然后根据特定需求定制和配置这些元素。但是，配置元素的决策可能不正确，从而导致严重的行为错误。最近，流程配置已扩展到包括云资源分配，以通过允许访问按需 IT 资源来满足业务可扩展性的需求。在这项工作中，我们提出了一个基于命题可满足性公式的形式化模型，允许找到正确的元素配置，包括资源分配配置。此外，我们建议根据云资源成本选择最佳配置。这种方法可以为设计人员提供正确且经济高效的配置决策。
零流动性经济中的无保险失业风险和最优货币政策
∗ 我感谢 Daniel Carrol、Wouter den Haan、Brigitte Hochmuth、Roozbeh Hosseini、Monika Merz、Xavier Ragot 和三位审稿人对本文早期版本的详细评论。我还从 SED 会议、ASSA 会议、牛津-纽约联邦储备银行货币经济学会议、康斯坦茨货币理论与政策研讨会、维也纳宏观研讨会、T2M 年会、马拉喀什宏观周的与会者以及来自不同地方的研讨会参与者那里得到了有益的反馈。我感谢法国国家研究机构 (Labex Ecodec/ANR- 11-LABX-0047) 的资金支持。我没有与本文所述研究相关的物质或经济利益。† 巴黎综合理工学院和 CREST；地址：5 av. Le Chatelier, 91120 Palaiseau, France；电子邮件：edouard.challe@gmail.com。 ‡ 第一稿：2017 年 2 月。
通过最优稀疏决策树预测医学实验室测试的紧急程度：超声心动图案例研究
背景：在当代医疗保健领域，实验室测试是推动精准医疗进步的基石。这些测试提供了对各种医疗状况的深入见解，从而促进了诊断、预后和治疗。然而，某些测试的可及性受到诸如高成本、专业人员短缺或地理差异等因素的阻碍，这对实现公平的医疗保健构成了障碍。例如，超声心动图是一种极其重要且不易获得的实验室测试。对超声心动图的需求不断增加，凸显了更高效的调度协议的必要性。尽管有这种迫切的需求，但在这一领域的研究却有限。目标：本研究旨在开发一种可解释的机器学习模型，以确定需要超声心动图检查的患者的紧急程度，从而帮助确定调度程序的优先级。此外，本研究旨在利用机器学习模型的高可解释性，深入了解影响超声心动图预约优先级的关键属性。方法：基于来自电子健康记录的大量现实世界超声心动图预约数据集（即 34,293 个预约），进行了实证和预测分析以评估患者的紧急程度，该数据集包含管理信息、转诊诊断和潜在患者状况。我们使用了一种最先进的可解释机器学习算法，即最佳稀疏决策树 (OSDT)，该算法以高准确性和可解释性而闻名，来研究与超声心动图预约相关的属性。结果：与表现最佳的基线模型相比，该方法表现出令人满意的性能（F 1 -score=36.18%，提高了 1.7% 和 F 2 -score=28.18%，比表现最佳的基线模型提高了 0.79%）。此外，由于其高度可解释性，结果为通过从 OSDT 模型中提取决策规则来识别紧急患者进行测试提供了宝贵的医学见解。结论：该方法表现出了最先进的预测性能，证实了其有效性。此外，我们通过将 OSDT 模型得出的决策规则与既定的医学知识进行比较来验证这些决策规则。这些可解释的结果（例如 OSDT 模型中的属性重要性和决策规则）强调了我们的方法在优先考虑患者紧急程度的超声心动图预约方面的潜力，并且可以扩展到使用电子健康记录数据优先考虑其他实验室测试预约。
基于最优信号分解的多阶段学习电池健康评估
摘要 — 电池健康评估对于确保电池安全和降低成本至关重要。然而，由于电池复杂的非线性老化模式和容量再生现象，实现准确的评估一直具有挑战性。在本文中，我们提出了 OSL，一种基于最佳信号分解的多阶段机器学习，用于电池健康评估。OSL 对电池信号进行最佳处理。它使用优化的变分模态分解来提取捕获原始电池信号不同频带的分解信号。它还结合了多阶段学习过程，以有效地分析空间和时间电池特征。使用公共电池老化数据集进行了实验研究。OSL 表现出色，平均误差仅为 0.26%。它明显优于比较算法，无论是没有还是具有次优信号分解和分析的算法。OSL 考虑了实际的电池挑战，可以集成到现实世界的电池管理系统中，对电池监控和优化产生良好的影响。索引词 — 锂离子电池、健康状态、信号分解、变分模态分解、优化。
挑战最优于最高的 - 格拉德 - > - ...
高重力技术解决了与常规方法相关的关键挑战，例如溶胶 - 凝胶，水热和化学还原，这通常会导致由于次优混合和传质而导致的异质粒径和分布。高重力合成中使用的RPB反应器会产生离心力，从而产生高效的混合区，从而确保均匀的反应物分布并减少成核和生长所需的时间。这种受控的环境促进了具有一致的大小和形态的纳米颗粒的合成，这是需要高精度的应用的先决条件，例如药物输送和光电子。