XiaoMi-AI文件搜索系统
World File Search System最优解
无线网络中数据传播的能源和社会成本最小化：集中式和分散式方法
摘要 — 我们研究无线网络中从一个源到多个节点的多跳数据传播，其中网络中的某些节点充当转发节点并帮助源进行数据传播。在这个网络中，我们研究了两种情况；i) 传输节点不需要传输激励；ii) 它们需要激励并由其相应的接收节点以虚拟代币支付。我们研究了两个问题；P1) 第一种情况的网络功率最小化和 P2) 第二种情况的社会成本最小化，定义为网络节点为接收数据支付的总成本。在本文中，为了解决 P1 和 P2，我们提出了集中式和分散式方法，以确定网络中的哪些节点应该充当传输节点，找到它们的传输功率及其相应的接收节点。为了提高能源效率，在我们的模型中，我们在接收器处采用最大比率合并 (MRC)，以便接收器可以由多个发射器提供服务。所提出的分散式方法基于非合作成本分摊博弈 (CSG)。在我们提出的博弈中，每个接收节点都会选择各自的传输节点，因此，根据施加在其所选传输节点上的功率为其分配成本。我们讨论了如何以分散式方式形成网络，找出了游戏中节点的动作，并表明尽管是分散式的，但所提出的博弈仍会收敛到稳定的解决方案。为了找到集中式全局最优解（这是我们分散式方法的基准），我们使用了混合整数线性规划 (MILP)。模拟结果表明，我们提出的分散式方法在能源效率和社会成本方面优于传统算法，同时它可以满足对协作激励的需求。
论气候政策的有效性
这些事实是我们认为的科学共识，涵盖自然科学和社会科学。此外，很明显，导致全球变暖的人类活动——碳排放——以纯粹的外部性形式出现。对于这种情况，经济学教科书有一个简单的方法：对造成损害的活动征收与外部性损害相等的税，这样就能获得“效率”：人类福利（以某种方式在时间和空间上加权）将在自然对我们施加的限制（即我们的资源约束）下最大化。自然科学机制以及所涉及的经济传导存在很大的不确定性，而对人的加权是一个哲学决定，因此很难非常准确地提出定量建议，即碳排放税率的水平。然而，原则是明确的。那么，除了在损害估计方面提供更好的精度之外，经济学家还需要做什么呢？这个问题激发了我们写这篇文章。事实上，我们怀疑许多领先的经济学家在概念上将气候变化问题视为一个微不足道的问题：我们知道如何解决它，因此高水平研究的作用有限。也许这就是 Oswald 和 Stern (2019) 最近观察到的现象背后的原因：他们认为，经济学家在这一研究领域基本上缺失了，尤其是在我们顶级期刊上发表的论文中。从这个角度来看，我们在本文中传递的信息是乐观的：我们认为，至少在气候变化与宏观经济分析重叠的领域，存在着重要且极为重要的研究问题。我们在这里强调的关键思想是，虽然我们都知道如何找到最优解——我们应用 Pigou (1920)——但我们迄今为止在提供各种次优政策之间的定量比较方面做得很少。我们在这里提供的正是框架——
利用仿射变换扩大树形结构的帕累托优化：评估亚马逊地区的混合浮动太阳能水电系统
可持续性挑战本质上涉及对多个相互竞争的目标的考虑。帕累托边界（即所有最优解的集合，这些解不能针对一个目标进行改进，否则会对另一个目标产生负面影响）是应对可持续性挑战的关键决策工具，因为它强调了相互冲突的目标之间的内在权衡。我们的研究动机是亚马逊河流域水电战略规划，亚马逊河流域是地球上最大、生物多样性最丰富的河流系统之一，增加能源生产的需求与最大限度地减少有害环境影响的迫切要求不谋而合。我们研究了一种将水电与浮动光伏太阳能电池板 (FPV) 配对的创新战略。我们提供了一种新的扩展多树网络公式，可以考虑多种水坝配置。为了应对扩大帕累托优化框架以解决整个亚马逊河流域的多个目标的计算挑战，我们通过两项改进进一步增强了树形结构网络中帕累托边界的最先进的算法。我们引入了由子边界引起的仿射变换来计算帕累托优势，并提供了合并子树的策略，从而显著提高了优势解决方案的修剪率。我们的实验表明，在保持最优性保证的同时，速度显著提高，在某些情况下甚至提高了一个数量级以上，从而使我们能够更有效地近似帕累托边界。此外，我们的研究结果表明，当将混合水电与 FPV 解决方案配对时，帕累托边界的能量值会显著向更高的方向转变，从而有可能在减轻不利影响的同时扩大能源生产。
储能杂志
实施有效的存储系统对于间歇性可再生能源的更深市场渗透至关重要。酸碱液流电池 (AB-FB) 是一种很有前途的环保能源存储技术。在充电阶段，它通过双极膜电渗析以 pH 和盐度梯度的形式存储电能，而在放电阶段，它应用逆过程进行相反的转换。尽管与其他渗透电池相比 AB-FB 具有明显的优势，但其潜力尚未得到充分开发。本研究首次提出了 AB-FB 在净往返效率 (RTE net ) 和每单位膜面积平均净放电功率密度 (NPD d ) 方面的双目标优化。我们的研究团队之前开发的综合数学模型用于预测电池性能。通过让几个操作和设计参数变化，ε 约束方法用于在各种场景下构建帕累托最优解曲线。使用目前的商用膜，最佳解决方案产生的 RTE 净值范围为 32% 到 64%，而相应的 NPD d 范围为 19.5 W m − 2 到 4 W m − 2。这些结果凸显了 AB-FB 的巨大潜力，以及需要适当设计实验堆栈。模拟具有改进但真实特性的假设膜分别将 RTE 净值和 NPD d 的范围转移到 59.1 – 76.3% 和 23.2 – 4.4 W m − 2，表明膜制造技术的进步对于高性能 AB-FB 系统的开发至关重要。虽然 AB-FB 的性能与其他电池相似，但它可以由不受供应中断或经济依赖的非关键材料制成，使 AB-FB 成为可持续发展的友好选择，也是未来储能系统场景的理想候选者。
通过量子电路表示具有二元特征的二元分类树
决策树是众所周知的预测模型，常用于数据挖掘和机器学习的广泛应用 [1-3]。一般来说，决策树可以看作是一种流程图结构，可用于查询数据。从根开始，每个内部节点代表对查询数据的测试，每个传出分支代表此测试的可能结果。对于二叉树，测试结果是一个布尔值，因此可以是真也可以是假（即每个内部节点有两个分支）。树的每个叶子都可以与一个决策相关联。因此，从根到叶子的路径意味着一组针对查询数据的决策规则，就像一个顺序决策过程。具体来说，我们考虑二叉分类树，其中叶子的决策决定了数据点对预定义的离散类集的成员资格。从给定数据集推断决策树是一项监督机器学习任务，也称为决策树归纳（或决策树学习）。然而，寻找全局最优解是 NP 难问题 [4, 5]，因此启发式递归算法在实践中更受青睐 [6]。此类算法通常以贪婪的自上而下的方式工作 [7]：从根开始，通过最小化数据不纯度函数来估计每个内部节点的最佳测试。相应地，沿着两个传出分支将数据集分成两个子集。对每个内部节点递归重复此过程，直到停止标准终止树的遍历并产生一个叶子节点，该叶子节点的分类决策基于节点内数据子集中存在的多数类。当所有路径都通向叶子节点时，算法结束。启发式创建的决策树并不能保证全局最优，但可能仍然适合实际用途。在量子计算的背景下，决策树可以被分配到量子机器学习领域 [8]。之前的几篇论文考虑了决策树和量子计算之间的相互作用。在 [9] 中，研究了决策树的遍历速度，并比较了经典方法和量子方法。作者发现两者之间没有优势。[10] 提出了一种启发式算法来诱导量子分类树，其中数据点被编码为量子态，并使用测量来找到最佳分割。然而，部分算法
不规则声呐浮标模式的设计和性能...
摘要 - 冷战期间开发了最佳单基地声纳浮标场模式，用于深而均匀的海底环境，其中简单的中值检测范围可用于定义声纳浮标之间有用的固定间距。然而，当前经常进行作战的沿海环境中的海洋和声学条件非常复杂且动态，以至于空间和时间的变化破坏了与传统战术搜索概念相关的同质假设。已经开展了多项研究工作来设计更好的被动和单基地主动声纳浮标位置，但其中大多数是评估算法，而不是真正的规划算法。一种不同的算法方法已成功开发并最初应用于单基地移动传感器，该方法从一组随机的传感器位置开始，然后使用遗传算法找到近似最优解。遗传算法解决方案是非标准搜索路径，可适应复杂的海洋学、可变的底部特性和假定的目标战术 [D.P.Kierstead 和 D.R.DelBalzo，《军事运筹学杂志》（2003 年 3 月/4 月）]。随后开发了一种新功能，用于优化复杂沿海环境中多静态主动声纳浮标的位置（纬度、经度和深度）和 ping 时间。这些算法称为 SCOUT（传感器协调以实现最佳利用和战术）。SCOUT 包含对移动传感器遗传算法方法的两项重大修改，以解释双静态和多静态声纳浮标场，其中每个接收器都能够观察来自每个源的数据。第一个修改是在结构上，引入了一个新的染色体来描述战术计划。每个声纳浮标都有一个基因，由一个位置、一个有序的部署序列和一组 ping 时间组成。新染色体中的位置和时间独立变异，并以不规则的模式和非连续的 ping 序列为特征。第二个修改是在检测建模上，引入了一种新的双基地检测模型。它允许相干和非相干处理的组合。对于这项工作，我们假设可以同时监控所有声纳浮标。本文讨论了现实环境中的新染色体结构和模拟结果。结果表明：a) SCOUT 可以有效地将多基地传感器场适应SCOUT 算法是我们之前的遗传算法工作的扩展，据我们所知，它们是唯一从头开始设计复杂环境中多静态主动声纳浮标位置的解决方案，而不是推荐一般的努力分配或简单地评估具有不同参数的标准模式。
基于规则的多目标蚱蜢优化算法优化的独立于电网的微电网长期最优容量规划能量管理方案
使用可持续能源系统 (SES) 为偏远社区提供离网电气化是实现可持续发展目标的必要条件。尽管如此，SES 的容量规划仍具有挑战性，因为它需要从长期角度满足波动的需求，此外还具有可再生能源 (RES) 的间歇性和不可预测性。由于容量规划问题的非线性和非凸性，必须采用有效的技术来实现具有成本效益的系统。现有技术受到目标函数可导性和连续性方面的一些限制，容易过早收敛，计算要求高，在不同应用中遵循严格的程序来微调算法参数，并且通常无法在优化过程的开发和探索阶段提供公平的平衡。此外，文献综述表明，研究人员在计算微电网容量规划问题时通常不会实施和检查微电网的能源管理方案 (EMS)。本文提出了一种基于规则的 EMS (REMS)，它由受自然启发的草跳优化算法 (GOA) 优化，用于独立于电网的微电网的长期容量规划，该微电网包含风力涡轮机、光伏发电、电池 (BT) 组和柴油发电机 (D gen)。其中，基于规则的算法用于实施 EMS，以优先使用 RES 并协调所提议微电网组件的功率流。随后，尝试探索和确认与 GOA 结合的所提议 REMS 的效率。目标函数的最终目标是最小化能源成本 (COE) 和供电概率不足 (DPSP)。通过长期模拟研究检查 REMS 的性能，以确定 REMS 的弹性并确保不违反 BT 存储的运行限制。将 GOA 的结果与粒子群优化 (PSO) 和布谷鸟搜索算法 (CSA) 进行了比较。模拟结果表明，所提出的技术在收敛到最优解方面具有优越性。模拟结果证实，所提出的 REMS 有助于更好地采用更清洁的能源生产系统，因为与传统的 D gen 相比，该方案分别显着降低了燃料消耗、二氧化碳排放量和 COE 92.4%、92.3% 和 79.8%。算法的比较评估表明，REMS-GOA 的结果更佳，因为它提供的 COE（目标函数）最低，为 0.3656 美元/千瓦时，而 REMS-CSA 为 0.3662 美元/千瓦时，REMS-PSO 为 0.3674 美元/千瓦时，对于期望的 DPSP 为 0%。最后，进行敏感性分析，以突出未来可能出现的不确定性对系统输入的影响。
用于能源、燃料和商品应用的可持续氢气
如图 1 所示，氢气作为能源载体在可持续低碳未来中发挥着重要作用。氢气具有较高的重量密度，是能源和交通运输领域有效的储能介质。氢燃料电池和涡轮机高效清洁地发电和供热为能源和建筑行业脱碳提供了新途径。氢气也是氨和钢铁等各种行业减少碳足迹的重要化学原料。最近，一些国家和地区发布了各自的氢能战略和路线图，如加拿大（加拿大自然资源部，2020 年）、欧盟（欧盟委员会，2020 年）和澳大利亚（澳大利亚政府能源委员会，2019 年）。科学界迫切需要通过发明新的低碳氢气生产和分配技术、量化氢气的好处以及优化各个领域的氢气利用，为向可持续氢气生产和利用的过渡提供有价值的见解。本研究课题涉及氢在能源、燃料和商品应用方面的不同科学、技术和经济方面。发表文章的范围从氢气和氢载体生产到交通和电力领域的氢气利用。本研究课题展示了科学界解决氢相关问题的各种技术和能力：文献综述和专家意见、实验研究、系统规模建模和部门规模分析。来自中国、英国、美国、法国、泰国和德国的作者为本研究课题的出版物做出了贡献。氢气的好处取决于它的生产方式。在全球生产的 6900 万吨氢气中（不包括副产品氢气），近 99% 来自化石燃料（即 76% 来自天然气，23% 来自煤炭）（国际能源署，2019 年），导致了大量碳排放。随着全球对氢的需求不断增加，迫切需要开发更可持续的氢气生产技术以降低相关的碳强度。在本研究课题中，张等人研究了基于生物质的氢电联产系统的系统优化。分析了木屑、日用粪肥、高粱和葡萄修剪废料等原料。在他们的设计中，制氢系统与有机朗肯循环相结合，利用生物质气化炉的高温废热进行发电。最优解预测使用木屑作为生物质原料的氢气产量为 39.31 mol/kg，发电量为 0.99 kWh/kg，氢气产量和发电量在优化中同样重要。Chuayboon 等人在太阳能驱动的热化学氧化还原循环中，分别对甲烷部分氧化和水分解产生的合成气和氢气进行了实验研究。以二氧化铈为基础的网状多孔陶瓷作为氧气
加速药物开发的新“燃料”
人工智能 (AI) 已经改变了医疗保健，从诊断和治疗到医疗服务管理，当然还有制药制造。人工智能在生物制药行业的应用已经在 2020 年产生了近 7 亿美元的全球市场价值，预计到 2025 年将大幅增长至近 30 亿美元，到不远的 2030 年将达到 90 亿美元 [1]。但是，这个被大肆宣传的人工智能概念是什么，以及它如何应用于药物开发领域，需要讨论。虽然没有明确的定义，但从广义上讲，人工智能渴望使机器获得类似人类的能力，例如通过示例学习、适应环境和决策 [2]。它主要涉及“摄取”任何类型的输入数据的算法（生物信号、医学图像和基因序列都在发挥作用），学习识别其中的常见模式，最后主要利用这些知识根据它们的相似性对它们进行聚类（这一领域称为“无监督学习”）或接受识别其类别的训练（所谓的“标签”或“类别”），以便能够对新的数据样本进行分类（这一领域称为“监督学习”）。深入研究人工智能的“内部工作原理”，存在多种方法可以执行这些任务，从更传统的机器学习（ML）到更先进和新颖的深度学习（DL）子领域，包括复杂且计算量大的算法，通常应用于大量数据，以便得出结论并以极高的准确性做出决策。AI 模型从数据中“自行”学习的基本特性，加上其针对特定任务的架构适应性，赋予了它们复杂的功能（推理、知识提取、最优解搜索），使其适用于药物制造的各种程序，从药物发现和开发到临床测试、扩大生产和质量控制 [3]。高效、安全的化合物输送一直是传统药物制造的“致命弱点” [4]。开发新药物的经济和时间成本，其中大多数在测试期间被认定为不合格，给行业带来了严重的“痛苦”，而 AI 可以缓解这种痛苦。然而，药物发现和设计并不是 AI 升级的唯一领域。一种新药的测试从开始到获批可能要花 10 多年的时间 [9]，因此人工智能在加速此类程序方面的关键作用显而易见。通过利用与病理生理机制目标和候选化合物特性相关的大量数字化数据（“组学”和来自相关数据库的数据），以及来自类似化合物临床试验的效率和安全性信息，AI可以巧妙地“混合”这些“大数据”来预测手头药物的特性和相互作用，这一过程通常称为计算机实验[5]。这种先进的计算技术可以升级药物发现和新颖设计的许多关键过程，包括预测3D蛋白质结构，以谷歌的“AlphaFold” [6]为突出例子，识别针对疾病特异性靶标的生物活性配体[7]，以及寻找新物质的有效合成途径[8]。临床试验如此耗时并损害该领域的投资有两个基本原因：患者纳入不理想以及对预期和不良反应的监测不完整。人们已经努力解决这两个问题。IBM 开发了一个系统，该系统利用大量患者的过往病历和临床数据，为详细的患者匹配提出最佳策略，从而避免招募失败、退出风险和设计动力不足 [10]。还有其他方法可以在早期测试阶段准确预测不良反应，从而最大限度地降低进行可能失败的试验的风险 [11]。此外，先进的人工智能计算机视觉在质量控制中发挥着重要作用，为此类技术的应用增加了价值。通过提供大量相关的视觉示例来训练人工智能模型检测有缺陷的产品或批次，人工智能可以在生产线进入市场之前有效地发现生产线中存在的故障 [12]。最后，药品制造的“物流”也是一个可以提高生产效率和可扩展性的领域。人工智能可用于分析生产流程的步骤（材料的生产、储存和运输，以及相关的成本和时间要求），将这些信息与市场需求数据相结合，并为生产计划提出最佳解决方案 [13]。所有这些子域集成都揭示了人工智能在生物制药行业当前的适用性和未来潜力。然而，这并不意味着这些方法可以摆脱与大规模人工智能解决方案相关的典型瓶颈：数据稀疏、硬件不足和缺乏专业知识。除了数据需求之外，先进的技术基础设施也是实现大型企业产生了大量无价的数据，这些数据可能会推动“数据饥渴型”人工智能方法的发展，但它们在很大程度上保持着专有性，并拒绝共享。尽管有鼓励数据开放的积极举措，但相关社区的心态在这方面还远未成熟 [14]。