XiaoMi-AI文件搜索系统
World File Search System最优
基于预测的车辆动力传动系统控制与最优交通管理相结合的机动性能源生产率评估
交通车辆和网络系统效率可以用两种方式来定义：1）减少系统中所有车辆的行程时间，2）减少系统中所有车辆的总能耗。实现这些效率的机制被视为独立的（即车辆和网络领域），当结合起来时，迄今为止尚未得到充分研究。本研究旨在整合以前开发和发表的关于预测最优能源管理策略 (POEMS) 和智能交通系统 (ITS) 的研究，以满足量化由同时进行车辆和网络优化而带来的系统效率改进的需求。POEMS 和 ITS 是部分独立的方法，它们不需要彼此发挥作用，但各自的有效性可能会受到彼此存在的影响。为了
针对低分辨率和非连续切片的临床 MRI 数据集的最优脑肿瘤分割算法
摘要背景：从磁共振图像（MRI）中分割脑肿瘤及其组成区域对于规划诊断和治疗非常重要。在临床实践中，经验丰富的放射科医生通常使用多模态 MRI 来描绘肿瘤区域。但这种手动分割容易出现重现性差且耗时。此外，常规临床扫描通常分辨率较低。为了克服这些限制，需要一种基于计算机视觉的自动精确分割算法。方法：我们研究了三种广泛使用的分割方法的性能，即区域增长、模糊 C 均值和深度神经网络 (deepmedic)。我们通过随机选择 48 名患者数据（高级别，n = 24 和低级别，n = 24）在 BRATS 2018 数据集上以及在我们的常规临床 MRI 脑肿瘤数据集（高级别，n = 15 和低级别，n = 28）上评估了这些算法。我们使用骰子相似系数、豪斯多夫距离和体积测量来测量它们的性能。结果：与模糊 C 均值 (FCM) 和 deepmedic 网络相比，区域增长法表现非常差。对于 BRATS 和临床数据集，FCM 和 deepmedic 算法的 Dice 相似系数得分彼此接近。这两种方法的准确率一般都低于 70%。结论：尽管 deepmedic 网络在 BRATS 脑肿瘤分割挑战中表现出非常高的准确率，但它必须针对低分辨率常规临床扫描进行定制训练。它还需要大量训练数据才能用作临床应用的独立算法。尽管如此，与区域增长或 FCM 相比，deepmedic 可能是脑肿瘤分割的更好算法。关键词：脑肿瘤、分割、深度神经网络、MRI
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。
考虑电池储能和价格响应需求的主动配电网最优协调能源管理
摘要 当代配电网具有多种可调度和不可调度能源资源。这些可调度资源与不可调度资源的协调调度可以带来多种技术经济和社会效益。由于电池储能系统 (BESS) 和微型燃气轮机机组是资本密集型的。考虑到动态电价和可再生能源发电和负荷需求的不确定性，从纯经济角度彻底研究它们的协调调度将是一项有趣且具有挑战性的任务。本文提出了一种新方法，用于考虑现有可再生能源和动态电价对 BESS 和微型燃气轮机机组进行最优协调调度，以最大化公用事业的每日利润函数。在本研究中，采用了最近探索的改进型非洲水牛优化算法。所提出方法的主要属性包括嵌入决策机制系统中的基于平均价格的自适应调度，以最大化套利收益。决策机制系统会先验地跟踪系统状态，从而指导基于人工智能的顺序优化解决方案技术。这也可以减少复杂的实际工程优化问题的计算负担。此外，提出了一种与 BESS 管理算法相协调的虚拟电荷新概念，以限制 BESS 的反生产性运营管理。在基准 33 总线测试配电系统上调查和比较的应用结果突出了所提出方法的重要性。
小型开放经济模型的基础与...
具有投入产出关联的模型分析了 1990-2010 年乌拉圭回合关税和最优关税，他们发现了一些负的最优关税。Lashkaripour 和 Lugovskyy (2020) 理论上分析了具有多个部门和投入产出关联的最优第一最优关税，以及在没有投入产出关联的条件下的第二最优关税。最近，Balistreri 和 Tarr (2022) 分析了 Armington、Krugman 和 Melitz 市场结构下具有投入产出关联的定量模型，该模型适用于全球关税和最优关税，他们发现在垄断竞争下这些关税和最优关税较低。具有产品差异化的模型也已用于分析关税谈判和战争的定量模型，例如 Ossa (2014)、Bagwell、Staiger 和 Yurukoglu (2021) 以及 Lashkaripour (2021)。2 我们感谢 Elhanan Helpman 的这句话。3 我们将展示，有效出口价格仍然包括用 τ 0 表示的冰山成本成分，因此这些冰山成本可以纳入 SOE 模型。
小型开放经济模型的基础与...
具有投入产出关联的模型分析了 1990-2010 年乌拉圭回合关税和最优关税，他们发现了一些负的最优关税。Lashkaripour 和 Lugovskyy (2020) 理论上分析了具有多个部门和投入产出关联的最优第一最优关税，以及在没有投入产出关联的条件下的第二最优关税。最近，Balistreri 和 Tarr (2022) 分析了 Armington、Krugman 和 Melitz 市场结构下具有投入产出关联的定量模型，该模型适用于全球关税和最优关税，他们发现在垄断竞争下这些关税和最优关税较低。具有产品差异化的模型也已用于分析关税谈判和战争的定量模型，例如 Ossa (2014)、Bagwell、Staiger 和 Yurukoglu (2021) 以及 Lashkaripour (2021)。2 我们感谢 Elhanan Helpman 的这句话。3 我们将展示，有效出口价格仍然包括用 τ 0 表示的冰山成本成分，因此这些冰山成本可以纳入 SOE 模型。
AE 8803：最佳传输理论及应用
最优传输是研究概率分布的强大数学框架。它在图像/信号处理、系统控制、物理、金融、经济学和机器学习中有着广泛的应用。在本课程中，我们将系统地介绍最优传输理论。我们将介绍最优传输中的经典主题，例如 Kantorovich 对偶、Wasserstein 距离、梯度流、位移插值等。我们还将研究最近的发展，例如熵正则化、与随机控制的联系、Wasserstein 生成对抗网络和统计最优传输。将详细讨论最优传输的算法和应用。学生有望在学期结束前建立坚实的最优传输背景。本课程以项目为基础。学生将有机会对这个及时的主题进行研究，并可能在 NeurIPS 等顶级场所发表论文。
基于强化学习的先进配电系统中最优电源管理的智能控制策略：综述
摘要：在向能源网络分散化、数字化和脱碳转型的背景下，基于可再生能源的配电应用（如微电网、智能电网、智能建筑和电动汽车系统）中的智能能源管理变得越来越重要。可以说，通过引入智能技术（特别是人工智能），采用基于计算机的智能自主决策，可以克服许多挑战并利用这一转型带来的好处。与其他数值或软计算优化方法不同，基于人工智能的控制允许分散的电力单元协作做出最佳决策，以满足管理员的需求，而不仅仅是基于任务分工的原始分散。在智能方法中，强化学习是最相关和最成功的，尤其是在配电管理应用中。原因是它不需要精确的模型来获得与环境交互的优化解决方案。因此，我们始终需要对发展水平有一个清晰、最新的认识，尤其是在缺乏对这一至关重要的研究领域的最新全面详细评论的情况下。因此，本文满足了这一需求，并全面回顾了基于 RL 的最先进的成功和杰出的智能控制策略，以优化电力流和配电管理。其中，对新兴策略、基于 RL 多智能体的提案以及管理微型和智能电网（特别是储能）电力流的多智能体主要次级控制的文献进行了分类，并给予了广泛重视。结果，我们审查了 126 篇最相关、最新和非增量的论文，并将其归入相关类别。此外，我们还确定了每个选择的主要正面和负面特征。
利用深度强化学习构建量子控制动力学的时间相关最优场
逆问题持续引起人们的极大兴趣，特别是在量子控制动力学和量子计算应用领域。在此背景下，量子最优控制理论试图构建一个外部控制场 E(t)，使量子系统从已知的初始状态演化到目标最终状态。预测 E(t) 的时间形式对于控制量子计算 [1]、量子信息处理[2–4]、激光冷却[5, 6] 和超冷物理 [7, 8] 中的潜在动力学至关重要。在复杂的多体量子系统中，预测最优 E(t) 场为控制光捕获复合物和多体相干系统中所需的动力学效应提供了关键的初始条件 [9–13]。解决这些量子控制问题的传统方法是使用基于梯度的方法或其他数值密集型方法最大化所需的跃迁概率 [14–17]。这些方法包括量子轨迹上的随机梯度下降 [18]、Krotov 方法 [19]、梯度上升脉冲工程 (GRAPE) [20] 方法和斩波随机基算法 (CRAB) [21] 方法。虽然每种算法都有自己的目的和优势，但大多数方法都需要复杂的数值方法来求解最优控制场。此外，由于这些逆问题的非线性特性，这些算法中的迭代次数和浮点运算次数可能非常大，有时甚至会导致相对简单的一维问题的结果不收敛 [16, 22]）。为了解决前面提到的计算瓶颈，我们小组最近探索了使用监督机器学习来解决这些复杂的逆问题
用于量子态转移和最优空间搜索的离子阱长距离 XY 模型
量子信息处理需要能够相干且精确地控制和测量的量子比特 [1]。被电磁场捕获并保存在真空室中的原子离子线性链可以满足这些要求，并且已经成为一个令人兴奋且有前途的量子计算平台 [2-4]。量子比特可以在超精细基态或塞曼基态中编码，其中离子通过 Mølmer-Sørensen 方案受到自旋相关力 [5]。然后，虚拟声子在库仑力的作用下介导离子之间的自旋-自旋相互作用 [6]。这样，离子阱链成为自旋-自旋相互作用系统的量子模拟的天然平台 [7]。大量的研究兴趣集中在为量子模拟设计特定的哈密顿量 [8-12]。尤其独特的是 XY 自旋模型，它们的长程相互作用以 1 / r α 衰减，其中 α 是一个可调参数。该模型存在模型空间外的相干泄漏，特别是对于较小的 α 。在这里，我们展示了如何完全缓解这种相干误差，并提供了两个应用：最佳空间量子搜索和 O ( √