XiaoMi-AI文件搜索系统
World File Search System最优
用于 SPD 流形上域自适应的深度最优传输
摘要 — 机器学习界对解决对称正定 (SPD) 流形上的域自适应问题表现出越来越浓厚的兴趣。这种兴趣主要源于脑信号生成的神经成像数据的复杂性，这些数据通常会在记录会话期间表现出数据分布的变化。这些神经成像数据以信号协方差矩阵表示，具有对称性和正定性的数学性质。然而，应用传统的域自适应方法具有挑战性，因为这些数学性质在对协方差矩阵进行运算时可能会被破坏。在本研究中，我们介绍了一种基于几何深度学习的新型方法，该方法利用 SPD 流形上的最佳传输来管理源域和目标域之间边缘分布和条件分布的差异。我们在三个跨会话脑机接口场景中评估了该方法的有效性，并提供了可视化结果以获得进一步的见解。该研究的 GitHub 存储库可通过 https://github.com/GeometricBCI/Deep-Optimal-Transport-for-Domain-Adaptation-on-SPD-Manifolds 访问。
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。
长期合同、理性预期和最优货币供应规则
本文关注的是货币政策的作用，并认为积极的货币政策可以影响实际产出的行为，尽管存在理性预期。构建了一个具有重叠劳动合同的理性预期模型，每个劳动合同为期两个时期。这些合同为模型注入了短期工资粘性的元素。由于货币当局改变货币存量的频率比重新谈判劳动合同的频率高，并且考虑到劳动合同的假定形式，货币政策能够影响产出的短期行为，尽管它对长期产出行为没有影响。
净零能耗房屋的随机最优投资策略
1 东京工业大学工学院系统与控制工程系，东京 152-8550，日本。2 早稻田大学理工学院先进科学与工程学院电气工程与生物科学系，东京 169-8555，日本。3 富山大学工学院电气与电子工程系，富山 930-8555，日本。4 大阪大学信息科学技术研究生院信息与物理科学系，大阪 565 0871，日本 5 北九州大学经济学与工商管理学院，福冈 802-8577，日本。* 电子邮件：{li.m; tanaka; carnerero}@hfg.sc.e.titech.ac.jp；wasa@waseda.jp；hirata@eng.u-toyama.ac.jp；藤崎@ist.osaka-u.ac.jp； ushifusa@kitakyu-u.ac.jp； hatanaka@sc.e.titech.ac.jp。
通过动态 NEM 定价实现能源社区的社会最优
摘要 — 我们提出了一种在一般净能源计量 (NEM) 政策下聚合个人和共享社区资源的能源社区社会福利最大化机制。该机制称为动态 NEM，采用标准 NEM 关税模型，并根据社区内共享的可再生能源总量动态设定 NEM 价格。我们表明，动态 NEM 保证每个社区成员获得比社区外更高的利益。我们进一步表明，动态 NEM 将个人成员的激励与整个社区的激励相一致；每个成员在动态 NEM 下优化个人盈余可实现社区社会福利最大化。动态 NEM 还被证明满足成本因果关系原则。使用假设能源社区的真实数据进行的实证研究表明，社区成员和电网运营商受益。索引词 — 分布式能源资源聚合、能源社区、净计量、定价机制。
多导弹追逃最优毁伤效能协同控制策略
摘要：针对多导弹追击—规避问题，本文提出了一种基于毁伤效能模型和虚拟力法的最优毁伤效能协同控制策略。首先，区别于传统追击—规避问题中过于理想的假设，建立并求解最大化毁伤效能的优化问题，使最优毁伤效能策略更具有实际应用意义。其次，提出一种改进的虚拟力法来获得该最优毁伤效能控制策略，解决了高复杂度毁伤函数带来的数值求解挑战。第三，该策略基于制导一体化引信技术，设计自适应增益，在不可预测的拦截条件下实现稳健的最大毁伤效能。最后，通过数值仿真验证了所提策略的有效性和稳健性。
能源社区利益公平分配的最优分配方法
自 2018 年欧盟 RED II 指令引入能源社区以来，能源社区一直是分布式光伏系统的关键主题。然而，参与者之间的经济效益分配和能源社区最佳组成的评估仍有待充分了解。本文提出了一种基于参与者对系统的贡献在参与者之间进行效益最优分配的方法。该方法将与其他可能的分配方法进行比较，为实现这一目标，我们将使用一个考虑能源交换和经济支出的能源社区模型。该模型是基于单目标优化方法的线性规划模型。用户对社区的经济贡献可以通过连续优化来量化。能源社区的组成会影响优化结果以及每个用户的贡献：组成越多样化，参与者的总有效贡献就越高，所分析案例研究中的总体收益从最低到最高的异质性增加了 12%。在后一种情况下，用户的贡献也不同，他们的贡献经过测量，范围在 10% 到 97% 之间。
风电和太阳能发电的最优协调竞价策略...
摘要：风电和太阳能是电网中主要的可靠可再生能源，但这些可再生能源的波动性和不可预测性要求使用辅助服务，从而增加了接入成本。本研究提出了一种风电、太阳能和抽水蓄能合作 (WSPC) 模型，可应用于与分散可再生能源连接的大规模系统。该模型提供了日前市场中优化的协调竞价策略以及促进参与成员之间收益分配的方法。该模型利用风电和太阳能自然互补的特性，同时利用抽水蓄能来调节总输出功率。在协调竞价策略中，一定比例的能源作为固定功率提供，这可以降低辅助服务要求。此外，采用多时段固定供电模式，以准确反映各时段的风电和太阳能输出特性。选择每个时段的持续时间作为变量以适应季节特性，保证在风光接入比变化的情况下，能够维持较高的稳定电力供给比例，从而获得较高的收益。在收益分配方法中，考虑合作模式的短期影响因素，以提供风电场和光伏电站的经济性，从而在参与成员之间实现公平的收益分配。最后，基于美国加州电网的实际数据，验证了所提模型的有效性和经济性。
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
采用信念随机最优控制的稳健空间轨迹设计
步进轨迹通常经过优化以满足标准场景中的科学和飞行系统约束。然而，在实际应用中，完全遵循参考轨迹是不可能的，因为不确定性总是影响系统；不确定性可能是由于不完善的状态知识、不完善的动态参数、错过的推力事件或执行错误造成的。在设计阶段，通常通过导航分析事后评估参考轨迹对这些不确定性的稳健性和可靠性，并通过多次迭代调整标准设计。通过评估轨迹受到不同不确定性实现影响时的任务结果来进行稳健性和可靠性评估。为了提高稳健性，通过增加推进剂裕度和强制滑行弧进行轨迹校正机动 (TCM)，或降低推力水平来确保对轨迹进行微小调整。因此，该迭代过程主要将标准轨迹优化视为与不确定性处理阶段分离。此过程通常很耗时，并且可能导致具有过于保守的裕度的次优轨迹。组件和发射器的最新发展现在使深空微型卫星和纳米卫星任务成为可能。此类航天器的轨道控制能力有限（DV 有限），状态知识（地面站访问有限）和执行（TRL 组件低）的不确定性很大，裕度和系统冗余的可能性低（尺寸和成本有限）。因此，对于这些任务，轨迹的设计更重要的是其对不确定性的稳健性。虽然不确定性下的轨迹优化是小型航天器的一种可行方法，但大型传统任务也将受益于随机轨迹优化，既可以提高性能，因为随机最优轨迹通常与具有经验裕度的确定性轨迹不同，也可以减少设计迭代次数。如上所述，目前主要的实际方法是分配后验经验裕度 [1,2]。最近的研究采用随机最优控制问题的不同公式生成了稳健轨迹。模型预测控制或随机闭环公式用于解释控制曲线中的校正项 [3,4]。通过随机规划研究了发动机暂时故障的情况 [5,6]。微分