XiaoMi-AI文件搜索系统
World File Search System混合算法
未校正的作者证明
摘要。在现实世界中，大多数组合优化问题都是多目标的，很难同时优化它们。在文献中，某些单独的算法（ACO，GA等）可用于解决此类离散的多目标优化问题（MOOPS），尤其是旅行推销员问题（TSP）。在这里开发了一种混合算法，将ACO和GA与多样性相结合以求解离散的多目标TSP并命名为Moacogad。通常在TSP中，由于路线长度保持不变，因此不认为行进路线。在现实生活中，可能有几条从一个目的地到另一个目的地的路线，这些路线的条件也可能不同，例如好，粗糙，坏等。在实际，旅行成本和旅行时间并未准确定义，并由模糊数据代表。当涉及模糊的旅行成本和模糊的旅行时间时，路线的长度和条件以及旅行的运输道类型变得很重要。在某些情况下，旅行风险也涉及。在本文中，由开发的Moacogad制定和解决了四维不精确的TSP，包括来源，目的地，输送和途径。该模型是数值说明的。由于特定情况三维和二维多目标不精确的TSP被得出和解决。
软计算与人工智能杂志
在本文中，我们介绍了两种受自然过程启发的混合元启发式算法：蜂群优化 (BCO) 和鲸鱼优化算法 (WOA)。BCO 算法由 Karaboga 于 2005 年首次提出，借鉴了蜜蜂的觅食行为。它以简单和有效解决各种优化问题而闻名。我们将概述 BCO 算法，包括其在群体智能背景下的原理和修改。这种技术研究由众多相互作用的元素组成的分散系统，其探索能力尤为突出。Mirjalili 和 Lewis 于 2016 年提出的鲸鱼优化算法模仿了座头鲸的气泡网狩猎行为。该算法采用群体智能来避免局部最优，并通过模拟渔网方法平衡探索和开发。它的设计有助于实现最优解并有效避免局部陷阱。我们将 BCO 和 WOA 混合成一种新算法，称为 ABCWOA。该混合算法在 16 个优化任务中进行了测试，频率分别为 (100、200、500、1000)。结果表明，ABCWOA 有效地达到了最优解，通常通过在大多数任务中实现较低的最小值 (𝑓_𝑚𝑖𝑛) 来优于传统搜索算法。
使用PEV停车场作为虚拟能源存储的全面利益/成本分析，用于未来分销系统的能源供应可持续性
插电式电动汽车的扩散导致全球城市的公共充电基础设施增加。网格连接的停车场空间是最常见的充电选择，因为它们的技术准备和采用便利性。由于停车场汇总的电池可被视为虚拟储能，因此预计与网格连接的停车场有望为城市分销网格提供许多好处。本文提出了一个全面的方法学框架，以评估利用网格连接的停车场基础设施的潜在利益和成本，以促进未来电源分销网格中的能源供应可持续性。基于容量值的基于容量值和成本效益指数正在量化停车场对电源可靠性的潜在贡献以及相关的经济影响。实际描述了停车场资源的可用发电能力，提出了一个全面的模型，该模型明确考虑了外部刺激（激励率）对批次用户行为模式的影响。车辆用户对激励等级的响应能力来自社会领域调查。进行评估，采用了基于蒙特卡洛模拟的混合算法。在北京的真实分布网格上说明了所提出的方法。结果证实了我们提出的方法的有效性，并支持实践政策建议。
用微流体生物芯片进行样品制备的关键
摘要 - 微流体生物芯片最近在微型芯片上自动化各种生化方案时具有重要的希望和多功能性。样品制备涉及将流体与小规模的指定目标比的混合，这是这些协议的重要组成部分。算法与基础混合模型，混合序列和流体体系结构紧密相互交织。尽管在文献中已经研究了许多混合模型，但它们对混合步骤动态的影响迄今尚未完全了解。在本文中，我们表明可以根据整数的主要分解来设想各种混合模型，从而在混合算法，芯片体系结构和性能之间建立联系。这种见解导致了提出的基于分解的稀释算法（FACDA）的开发，该算法（FACDA）考虑了适用于微电极 - 点阵列（MEDA）生物芯片的广义混合模型。它进一步导致目标体积稀释算法（TVODA），以满足用户对给定音量的输出的需求。我们在确定混合序列的同时，在满足能力模量理论（SMT）的结构上提出了优化问题。对大量测试箱的仿真结果表明，对于反应物成本，混合时间和废物产生，FACDA和TVODA的最先进的MEDA生物芯片的最先进稀释算法。
自主驾驶系统中的路径计划算法
这项综合审查的重点是自主驾驶系统（ADS），该系统旨在减少人为错误，这是大约95％的汽车事故的原因。广告包括六个阶段：传感器，感知，本地化，评估，路径计划和控制。我们解释了每个阶段中使用的主要最新技术，分析了275篇论文，其中162个专门针对路径计划，因为其复杂性，NP-HARD优化性质和在AD中的关键作用。本文将路径规划技术分为三个主要组：传统（基于图，基于抽样的，基于梯度，基于优化的，插值曲线算法），机器和深度学习以及元数据效果优化，详细介绍了他们的优势和缺陷。的发现表明，代表我们研究的23％的元海拔优化方法是成为能够处理复杂问题的一般问题解决者的优先选择。此外，它们具有更快的收敛性和局部最小值的风险降低。占25％的机器和深度学习技术，以其学习能力和对已知方案的快速响应而受到青睐。混合算法的趋势（27％）结合了各种方法，合并了每种算法的好处并克服了对方的缺点。此外，自适应参数调整对于提高效率，适用性和平衡搜索能力至关重要。本评论阐明了自动驾驶系统中路径规划的未来，有助于应对当前的挑战并解锁自动驾驶汽车的全部功能。
网格空间中的凸包计算
摘要 当输入点来自结构化配置（例如二维 (2D) 或三维 (3D) 网格）时，许多实际应用都要求计算凸包 (CH)。网格空间中的凸包已应用于地理信息系统、医学数据分析、机器人/自动驾驶汽车的路径规划等。用于 CH 计算的传统和现有的 GPU 加速算法不能直接在以矩阵格式表示的 2D 或 3D 网格上运行，并且不能利用这种光栅化表示中固有的顺序。这项工作引入了新颖的过滤算法，最初为 2D 网格空间开发，随后扩展到 3D 以加速外壳计算。它们进一步扩展为 GPU-CPU 混合算法，并在商用 NVIDIA GPU 上实现和评估。对于 2D 网格，对于 ( n × n ) 网格，贡献像素的数量始终限制为 ≤ 2 n。此外，它们是按字典顺序提取的，从而确保了 CH 的高效 O(n) 计算。同样，在 3D 中，对于 (n×n×n) 体素矩阵，贡献体素的数量始终限制为 ≤ 2n2。此外，2D CH 滤波在 3D 网格的所有切片上并行启用，从而进一步减少了要输入到 3D CH 计算过程的贡献体素的数量。与最先进的方法相比，我们的方法更胜一筹，尤其是对于大型和稀疏的点云。
基于变分量子发射的波导模式模拟
摘要 — 当前的量子计算机 (QC) 属于嘈杂的中型量子 (NISQ) 类，其特点是量子比特嘈杂、量子比特能力有限、电路深度有限。这些限制导致了混合量子经典算法的发展，该算法将计算成本分摊到经典硬件和量子硬件之间。在混合算法中，提到了变分量子特征值求解器 (VQE)。VQE 是一种变分量子算法，旨在估计通用门量子架构上系统的特征值和特征向量。电磁学中的一个典型问题是波导内特征模的计算。按照有限差分法，波动方程可以重写为特征值问题。这项工作利用量子计算中的量子叠加和纠缠来解决方波导模式问题。随着量子比特数的增加，该算法预计将比传统计算技术表现出指数级的效率。模拟是在 IBM 的三量子比特量子模拟器 Qasm IBM Simulator 上进行的。考虑到基于计算的量子硬件测量，进行了基于镜头的模拟。以二维本征模场分布形式报告的概率读出结果接近理想值，量子比特数很少，证实了利用量子优势制定创新本征解法的可能性。
量子微电网状态估计 - NSF-PAR
微电网是一种经过验证的范例，可以灵活管理分布式能源 (DER) 并确保电力在停电时的弹性[1,2]。在众多微电网功能中，状态估计至关重要，因为它能够基于有限数量的传感器（例如微型PMU（微相量测量单元））对微电网进行在线监控。微电网状态估计的基本要求主要包括准确性、效率和抗噪声能力[3]。对于现代微电网，由于社区扩大、不确定可再生能源的高渗透率和不稳定的运行条件，对高频状态估计的需求日益迫切和重要[4]。然而，几乎所有经典状态估计方法的复杂性都随着问题规模呈多项式增长，这使得这些方法不再适合具有强大实时运行需求的未来电网。为了克服复杂性问题，量子计算提供了一种有前途的解决方案。与经典计算不同，量子计算需要更少的比特（即量子比特）来处理复杂问题。对于微电网状态估计，一个主要的瓶颈是建立一种高效的稀疏线性方程组求解器。目前，量子线性系统算法主要有两种：混合量子/经典算法和基于量子电路的算法[5,6]。混合算法是为噪声中尺度量子（NISQ）时代开发的。例子包括变分量子线性系统
结合机器学习算法以检测网络钓鱼网址：堆叠式方法H. Hamidi*，A。Sayah工业工程系，信息
随着数字技术的增长和互联网的越来越多，网络钓鱼攻击已成为最重要的安全威胁之一。这些攻击旨在访问敏感用户信息并造成财务和安全损失。准确，迅速检测到这些攻击已成为重大复杂性，已成为一个重大挑战。本文研究了用于检测网络钓鱼URL的机器学习模型的使用。对先前研究的综述表明，基本算法可以有效地检测这些攻击，但是它们具有局限性，例如处理复杂数据的能力较低。为提高准确性和性能，已经提出了混合算法结合多个模型以提高检测准确性。本研究中提出的模型是使用混合方法设计的，以解决基本算法的弱点并提高检测准确性。该混合模型利用极端的梯度提升和随机森林作为基本模型，并以逻辑回归为最终模型。该研究采用了标记的网络钓鱼和合法URL的数据集，其特征是从URL结构和行为中提取的特征来训练和评估模型。实验结果表明，与单独使用基本模型相比，所提出的杂种模型可以达到更高的精度和精度。该模型的应用可以有效地提高网络安全性并防止网络钓鱼攻击。
Roboboat 2025：技术设计报告
1。总结我们的团队，由五名学员和一名来自土耳其国防大学海军学院的博士学位和一名博士生组成。学术顾问教授成立于2024年，参加了Roboboat 2025无人驾驶汽车比赛。由我们的团队设计的无人海事车辆具有稳定性和安全性的双体船船体，并使用Rhino3D软件开发。在研究和创新的驱动下，我们的团队遵守竞争的规格和限制，以设计能够完成所需任务的车辆。精心开发了设计参数，包括机械，电子和算法元素。使用实验室资源在设计阶段进行了性能测试，从而获得成功的结果。在这些评估后，开始生产阶段，并实际测试了设计，将分析结果与在实际海洋条件下获得的结果进行了比较。受到米尔格姆项目建筑师的已故海军上将ÖzdenÖrnek的启发，我们的敬业团队已成功完成了无人海上车辆的设计，并采用了作为未来榜样的原则。2。技术内容2.1竞争策略在设计竞争策略时，主要目标是确保所有任务的准确而完整的执行。在战略上计划了任务的顺序，以避免混合算法的复杂性，优先考虑可靠性和效率。使用专业分析软件分析了这些测试期间收集的数据，以完善性能指标。速度被认为是团队的次要优先级，其最佳速度值在表面测试过程中确定为任务开发阶段的一部分。