XiaoMi-AI文件搜索系统
World File Search System最优
成本最优规划作为可满足性
简介 命题可满足性 (SAT) 或其他约束形式主义的编译已成为解决不同规划和模型检查变体的成功方法（Kautz 和 Selman 1992；Biere 等人 1999）。大多数此类基于编译的技术通过向约束求解器（例如 SAT 求解器）提交多个查询来工作，并且每个查询都对问题进行编码“是否存在最多有 h 个步骤的见证转换序列？”，其中 h 是某个自然数，通常称为地平线。对多个增加的 h 值重复此操作。为了使这些方法完整，h 必须有一个上限，通常称为完整性阈值，如果没有更短的上限，则不会找到任何见证人。此外，界限越严格，这些基于编译的程序就越有效。先前的研究已经将状态空间的不同拓扑属性确定为不同变体模型检查和规划问题的完备性阈值。例如，对于安全属性的有界模型检查，Biere 等人将直径（状态空间中最长最短路径的长度）确定为完备性阈值。直径也是基于 SAT 的满意规划的完备性阈值。Biere 等人还将递归直径（状态空间中最长简单路径的长度）确定为活性属性有界模型检查的完备性阈值。Edmund Clarke（Clarke、Emerson 和 Sifakis 2009）在其 Turing 中将识别和计算完备性阈值视为模型检查的一个活跃研究领域
含储能系统的风电场单样本最优出力平滑方法
全球环境问题（如全球变暖和化石燃料枯竭）是严重的问题。风力发电作为解决这些问题的方案已在世界范围内受到重视[1]。然而，风力发电机的输出会由于风速变化而频繁且迅速地波动。在拥有大规模风电场 (WF) 的电力系统中，频率和电压等电能质量可能会下降[2–5]。为了避免这种情况，电力公司发布了与 WF 功率波动相关的技术要求。为了缓解功率波动，人们使用了储能系统 (ESS)（如电池或飞轮 [6–8]），如图 1 所示。ESS 的主要问题之一是如何设计控制系统以降低成本。为此，需要一种控制算法来降低 ESS 的额定功率（额定能量容量），因为吸收 WF 输出短期分量的 ESS 的成本主要由额定功率决定。虽然 ESS 的成本也取决于额定能量容量，但它受到 ESS 额定功率（通过所谓的 C 速率）的制约 [9]。此外，虽然 ESS 的充电/放电损耗会影响成本，但尚未详细讨论该问题。已经报道了一些降低额定功率（额定能量容量）的 ESS 控制方法。一阶低通滤波器（FLF）通常用于 ESS 控制系统中，通过消除短期分量来减轻 WF 输出的波动。
Clifford 层次结构中成本最优的单量子比特门合成
对于通用量子计算，实际实施需要克服的一个主要挑战是容错量子信息处理所需的大量资源。一个重要方面是实现由量子纠错码中的逻辑门构建的任意幺正算子。通过组装从一小组通用门中选择的逻辑门序列，可以使用合成算法将任何幺正门近似到任意精度，这些通用门在量子纠错码中编码时可容错执行。然而，目前的程序还不支持单独分配基本门成本，许多程序不支持扩展的通用基本门集。我们使用基于 Dijkstra 寻路算法的穷举搜索分析了标准 Clifferd+T 基本门集的成本最优序列，并将其与另外包括 Clifferd 层次结构更高阶的 Z 旋转时的结果进行了比较。使用了两种分配基本门成本的方法。首先，通过递归应用 Z 旋转催化电路将成本降低到 T 计数。其次，将成本指定为直接提炼和实现容错门所需的原始（即物理级）魔法状态的平均数量。我们发现，使用 Z 旋转催化电路方法时，平均序列成本最多可降低 54 ± 3%，使用魔法状态提炼方法时，平均序列成本最多可降低 33 ± 2%。此外，我们通过开发一个分析模型来估计在近似随机目标门的序列中发现的来自 Clifford 层次结构高阶的 Z 旋转门组的比例，从而研究了某些基本门成本分配的观察局限性。
用于分布式直流最优潮流的学习加速 ADMM
摘要——我们提出了一种新颖的数据驱动方法来加速交替方向乘数法 (ADMM) 的收敛，该方法用于解决分布式直流最优潮流 (DC-OPF)，其中线路由独立的网络分区共享。利用对给定系统在不同负载下 ADMM 轨迹的先前观察，该方法训练循环神经网络 (RNN) 来预测对偶变量和共识变量的收敛值。给定系统负载的新实现，将少量初始 ADMM 迭代作为输入来推断收敛值并将其直接注入迭代中。我们通过经验证明，对于不同负载场景下的分区 14、118 和 2848 节点测试系统，将这些值在线注入 ADMM 迭代中可显著加快收敛速度。所提出的方法有几个优点：它保持了共识 ADMM 固有的私有决策变量的安全性；推理速度很快，因此可以在在线设置中使用； RNN 生成的预测可以显著缩短收敛时间，但从构造上讲，它永远不会导致不可行的 ADMM 子问题；它可以轻松集成到现有的软件实现中。虽然我们在本文中重点介绍分布式 DC-OPF 的 ADMM 公式，但所提出的想法自然会扩展到其他分布式优化问题。索引术语 — 直流最优功率流、递归神经网络、交替方向乘数法、机器学习、数据驱动优化
研究论文 最优混合可再生能源系统
本文对加纳某特定地区的两种混合可再生能源供应 (HRES) 进行了技术经济比较，并提出了成本、发电能力和排放方面的最佳解决方案。本文考虑的两种 HRES 分别是风能/氢能/燃料电池和风能/电池存储。这项研究的必要性源于分散网络中混合可再生能源供应的兴起和扩张。人们似乎已经准备好接受这些新技术，但对于选定的地点来说，带来最佳效益的最佳组合并不明显，需要对其技术和经济模型有深入的技术知识。在该方法中，首先建立了各种可再生能源发电的分析模型，并收集了加纳多德科佩城乡社区的数据来测试这些模型。使用 HOMER 软件根据相同的负载曲线设计了两个混合系统，并对结果进行了比较。事实证明，在 25 年的项目生命周期内，HRES 1（风能/氢能/燃料电池）的净现值 (NPC) 和平准化电力成本 (COE) 最低。与 HRES 1 相比，HRES 2（风能/电池存储）的能源储备量巨大，大约高出 270%。此外，就排放而言，HRES 2 比 HRES 1 更环保。尽管电池存储似乎比氢燃料电池技术更具成本效益，但后者在系统容量和排放方面表现出一些优点，随着世界开始研究更可持续的能源存储系统，这些优点值得更多关注。
AI Feynman 2.0：利用图形模块化的帕累托最优符号回归
符号回归之所以很难，是因为符号表达式的组合空间呈指数级增长。传统上，它依赖于人类的直觉，从而发现了一些最著名的科学公式。最近，在完全自动化该过程方面取得了巨大进展 [6-26]，现在已有开源软件可以通过将神经网络与受物理学和信息论启发的技术相结合来发现相当复杂的物理方程 [25]。尽管 [25] 使用未知函数的神经网络近似来发现简化函数属性，取得了最先进的性能，但它是以一种非原则性和临时性的方式实现的，我们用一种通用的、有原则的、更有效的方法取而代之，该方法包含四个主要贡献：
利用深度神经网络解决量子动力学中的逆问题：机器学习对时间相关最优控制场的预测 Xi
逆问题在物理科学中持续引起人们的极大兴趣，特别是在控制非平衡系统中所需现象的背景下。在这项工作中，我们利用一系列深度神经网络来预测时间相关的最优控制场 E(t)，从而实现降维量子动力系统中所需的电子跃迁。为了解决这个逆问题，我们研究了两种独立的机器学习方法：(1) 用于预测频域中功率谱的频率和幅度内容的前馈神经网络（即 E(t) 的傅里叶变换）；(2) 用于直接预测时域中的 E(t) 的互相关神经网络方法。这两种机器学习方法都为探索底层量子动力学提供了互补的方法，并且在准确预测最优控制场的频率和强度方面也表现出色。我们为这些深度神经网络提供了详细的架构和超参数，并为每个机器学习模型提供了性能指标。从这些结果中，我们表明机器学习方法，特别是深度神经网络，可以作为一种经济有效的统计方法来设计电磁场，以实现这些量子动力系统中所需的转变。
基于...的耦合量子系统的最优控制
本文提出了一种对具有多个耦合自由度的量子系统进行近似最优控制模拟的方法。使用相互作用图中的一阶马格努斯展开来模拟时间演化，其中不同自由度之间的耦合被视为扰动。提出了一种数值实现程序，利用成对耦合和零阶时间演化算子的可分离性来降低计算成本，并根据自由度数对其进行了分析。该公式与无梯度方法兼容，可以优化控制场，并为此采用了随机爬山算法。作为说明，在控制场的影响下，对两个和三个偶极-偶极耦合分子转子系统进行了最优控制模拟。对于双转子系统，优化场以实现取向或纠缠目标。对于三旋翼系统，磁场经过优化，要么使所有三个旋翼朝向同一方向，要么使一个旋翼朝向特定方向，而另外两个旋翼指向相反方向。
采用一种新颖的 TF/TA 最优飞行轨迹规划...
摘要。本文提出了一种新方法，以增强保形映射在地形跟随 (TF) 和地形规避 (TA) 飞行中最佳轨迹规划过程中的应用。新方法使用保形映射概念作为修饰工具，将由于存在障碍物而导致飞行高度受限的受限轨迹规划问题转换为没有障碍物和最小高度约束的再生问题。在这方面，利用 Schwarz-Christoel 定理将高度约束纳入飞机动态运动方程。然后通过数值方法（即直接 Legendre-Gauss-Radau 伪谱算法）求解再生的最优控制问题。优化了飞行时间、地形遮蔽和气动控制力的综合性能指标。此外，为了获得真实的轨迹，在求解算法中将飞机的最大爬升率和下降率作为不等式约束。二维飞行场景的几个案例研究表明该方法在 TF/TA 轨迹规划中的适用性。大量模拟证实了所提方法的有效性，并验证了解决方案的可行性，满足了问题的所有约束。
袁启恒 (2020) 风能和太阳能可变性分析及最优电力系统整合。博士论文。
图 1.1 能源三难困境。 ........................................................................................................... 1 图 1.2 全球能源消耗 [10]。 ......................................................................................................... 2 图 1.3 风电输出呈现 Kolmogorov 谱特征 [52]。 .................................................... 6 图 1.4 独立的光伏氢能发电系统 [62]。 ......................................................................................... 7 图 1.5 参考文献 [102] 将风能划分为每小时能量、负荷跟踪和调节部分的概念图。 ........................................................................... 11 图 2.1 风力涡轮机的理论功率曲线。 ........................................................................................... 22 图 2.2 美国为研究风能变化和 SAWP 系统而选定的六个地点。 ........................................................................................... 24 图 2.3 美国科罗拉多州 12 个选定的风电互联地点。 ........................................................................................................................................... 25 图 2.4 2012 年西半球 2012 年在 (a) 旧金山、(b) 洛杉矶、(c) 丹佛、(d) 休斯顿、(e) 芝加哥、(f) 纽约的风速。 ........................................................................... 26 图 2.5 北美和南美选定的六个地点，用于研究太阳能变化、SAPVP 系统和独立的风能和太阳能混合发电系统。 30 图 2.6 2017 年西半球 2017 年在 (a) 基多、(b) 瓦伦西亚、(c) 墨西哥城、(d) 休斯顿、(e) 盐湖城、(f) 温哥华的太阳辐照度。 ........................................................................... 31 图 2.7 不同纬度地区太阳辐射发射示意图。 ........................................................................................................................................................ 33 图 2.8 2007 年至 2012 年，相关系数随两台风力涡轮机之间的距离而变化。 ........................................................................................................................... 44 图 2.9 2007 年至 2012 年（a）基多、（b）瓦伦西亚、（c）墨西哥城、（d）休斯顿、（e）盐湖城、（f）温哥华相关系数随太阳能/风能混合比例而变化。 ........................................................................................................... 45 图 2.10 2012 年休斯顿（a）风能和（b）太阳能的频谱。 ........................................................................................................................................... 48 图 2.11 2007 年（a）、2008 年（c）、2009 年（d）2010 年（e）12 个选定地点不同数量的互连风力涡轮机的频谱2011 年、（f）2012 年。..............................................................................49 图 2.12 2012 年 (a) 基多、(b) 瓦伦西亚、(c) 墨西哥城、(d) 休斯顿、(e) 盐湖城、(f) 温哥华不同混合比例互联风能和太阳能的频谱。 ........................................................................................................... 50 图 2.13 美国选定的 6 个地点的 D wavg ( j ) 与 f ( j ) 的关系以及 (b) 北美和南美选定的 6 个地点的 D Savg ( j ) 与 f ( j ) 的关系。 ........................................................... 56 图 2.14 2007 年至 2012 年 (a) 旧金山、(b) 洛杉矶、(c) 丹佛、(d) 休斯顿、(e) 芝加哥、(f) 纽约的 DW ( y ) (j) 与频率 f ( j )。 .................................................... 57 图 2.15 2007-2012 年 (a) 基多、(b) 瓦伦西亚、(c) 墨西哥城、(d) 休斯顿、(e) 盐湖城、(f) 温哥华的 DS ( y )( j ) 和频率 f ( j )。 ........................................................... 58 图 3.1 典型的独立 (a) 风力发电、(b) 太阳能发电、(c) 混合风能和太阳能发电系统。 ............................................................................................................. 62 图 3.2 P RE 和 PL 之间的功率不匹配 . ........................................................................................... 64 图 3.3 典型的年平均住宅用电量 (a) 24 小时负荷数据 (b) 一年负荷数据，(c) 负荷谐波频谱。 ............................................................................................. 65