XiaoMi-AI文件搜索系统
World File Search System遗传算法
bpags：使用交替决策树，遗传算法和线性支持VECT
鉴于它们能够用宽阔和狭窄的自然光谱杀死细菌，因此在开发新药物来打击抗生素耐药性的新药中，出现了使用细菌素的使用。因此，对于可以准确预测新型细菌蛋白的精确且有效的计算模型产生了令人信服的要求。机器学习能够从细菌素序列中学习模式和特征的能力，这些序列很难使用基于序列匹配的方法捕获，这使其成为准确预测的潜在优越选择。使用机器学习方法，在本研究中创建了用于预测细菌素的Web应用程序。使用交替决策树（ADTREE），遗传算法（GA）和线性支持向量分类器（线性SVC）基于基于的特征评估方法选择了应用程序中使用的功能集。最初，从细菌蛋白和非细菌蛋白蛋白序列的物理化学，结构和序列属性属性中提取了潜在特征。我们使用Pearson相关系数评估了候选人的特征，然后对Adtree，GA和Lineare SVC进行了单独的评估，以消除不必要的特征。最后，我们构建了随机森林（RF），支持向量机（SVM），决策树（DT），Logistic回归（LR），K -Neart -Neart Neirbors（KNN）和GaussianNaïve的贝叶斯（GNB）模型，使用功能集降低。，我们使用具有ADTREE还原功能的SVM获得了总体性能模型，在测试数据集中获得了99.11％的精度，AUC值为0.9984。我们还评估了相对于我们先前开发的软件解决方案，一种基于序列对齐的工具和深度学习方法，每个还原功能集的最佳模型的预测能力。开发了一种标题为BPAGS（基于ADTREE，GA和Linear SVC的细菌素预测）的Web应用程序，以合并使用ADTREE，GA和基于线性SVC的特征集构建的预测模型。当前，基于Web的工具提供了具有关联概率值的分类结果，并具有在培训数据中添加新样本以提高预测效率的选项。bpags可以在https://shiny.tricities.wsu.edu/bacteriocin-预测中自由访问。
基于新的有效遗传算法 - 塔古奇...
库存路由问题源于车辆路由问题和供应商管理的库存问题的组合。在本文中，我们提出了一种数学模型和一种用于解决多个周期库存路由问题的新型遗传算法。目标是在给定时间范围内向分散客户提供产品，同时管理客户库存以避免短缺并最大程度地减少总库存和运输成本。为代表此问题的解决方案，我们引入了一种新的染色体结构。此结构在编码和解码解决方案，保持交叉和突变操作后保持可行性，在一个步骤中解决路由和库存管理，并全面合并有关每个解决方案方法的信息。使用Taguchi方法对算法参数，包括跨界和突变率，人口大小，迭代次数和选择压力进行微调。为了评估算法效率，我们利用文献中的标准实例。我们的结果表明，与以前的方法相比，所提出的算法表现出色。
具有遗传算法的基于零件的设计研究
摘要在将上循环描述为将一组现有 /二手材料安装到新设计中的问题时，本文利用遗传算法（GA）和树叉在有限的材料清单中锻炼设计。它提出了一种自下而上的生成方法，旨在通过降低材料选择性来增加上循环的适用性。纸张介绍了两种情况：第一个基于树叉从一棵树中采购的树叉，第二个利用废物材料，即从森林地面收集的树叉。IT研究了从较早设计阶段的材料尺寸和制造约束的气体，以扩大这些元素的形态参与并创建自下而上的生成系统。该论文在没有事先选择的情况下利用废料，而不会改变或变形其独特的几何形状以最大程度地减少制造能耗。它提出了由十个叉子制成的制作的桌子结构。关键字树叉，遗传算法，生成设计，最大程度地减少废物，可持续性，材料上循环，物质可用性的设计，循环经济1.简介
使用遗传算法对非对称封装基板的翘曲进行...
随着芯片技术的出现，用于人工智能应用的高端封装变得越来越密集。其中，封装基板的密度也在不断提高，最近的基板倾向于采用非对称基板结构。然而，这种非对称基板会因芯片接合的加热过程而引起翘曲，因此在设计阶段控制基板中的铜剩余率以抑制翘曲是必不可少的。本文采用遗传算法来优化铜剩余率，并提出了一种考虑芯片接合时允许的翘曲值的算法流程。实际优化评估的结果证实了所提流程的优越性。
基于约束量子优化的新型量子遗传算法
摘要 摘要 在过去的几十年中，已经开发出了许多量子算法。阻碍这些算法广泛实施的主要障碍是可用量子计算机的量子比特规模太小。盲量子计算 (BQC) 有望通过将计算委托给量子远程设备来处理此问题。在这里，我们介绍了一种新颖的约束量子遗传算法 (CQGA)，该算法以非常低的计算复杂度选择约束目标函数（或庞大的未排序数据库）的最佳极值（最小值或最大值）。由于约束经典遗传算法 (CCGA) 收敛到最优解的速度高度依赖于最初选择的潜在解的质量水平，因此 CCGA 的启发式初始化阶段被量子阶段取代。这是通过利用约束量子优化算法 (CQOA) 和 BQC 的优势实现的。所提出的 CQGA 用作上行链路多小区大规模 MIMO 系统的嵌入式计算基础设施。该算法在考虑不同用户目标比特率类别的同时，最大化上行大规模 MIMO 的能量效率 (EE)。仿真结果表明，建议的 CQGA 通过仔细计算每个活跃用户的最佳发射功率，使用比 CCGA 更少的计算步骤，实现了能量效率的最大化。我们证明，当整体发射功率集或总体活跃用户数量增加时，与 CCGA 相比，CQGA 始终执行较少数量的生成步骤。例如，如果我们考虑将总体活跃用户数量 () 设置为 18 的场景，CQGA 会使用较少的生成步骤数（等于 6）找到最优解，而 CCGA 则需要更多的生成步骤数，达到 65。
使用机器学习和遗传算法来预测激光peen形成的区域
激光peen形成使用激光 - 脉冲诱导的应变来通过调节激光参数和镀金模式来变形。在几乎有限解决方案的广阔空间中找到最佳模式是具有挑战性的。本研究使用简化的模型提出了一种工作流，以预测变形。使用基于机器学习的细胞自动机神经网络（CANN）和遗传算法（GA）用于模式词典。实验显示高过程不确定性，证明了简化的建模合理。CANN预先指定的模式可靠，但由于各种过程参数的不足变形数据而缺乏概括。GA所需的优化工作以减少计算时间，但在概括模式预测方面取得了成功。2023作者。由Elsevier Ltd代表制造工程师协会（SME）出版。这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
量子启发遗传算法解决组合优化问题
工程、金融和基因组学等众多行业都遇到了组合优化问题。这些问题需要通过从有限的集合中选择最佳组合或排列来优化给定的目标函数，但要受到特定限制（Smith，2010 年）。然而，由于这些问题本身就很复杂，因此有时很难通过计算解决，而且需要很长时间。研究人员已经使用了各种优化策略来解决这些问题，其中遗传算法 (GA) 脱颖而出（Goldberg，1989 年）。在问题的解空间中寻找解决方案是通过遗传算法完成的，遗传算法的灵感来自自然选择和进化的思想。它们使用选择、交叉和突变等遗传运算符在几代中开发出一个潜在解决方案群体（Holland，1975 年）。尽管 GA 能够有效地处理各种优化问题，但 Mitchell（1998 年）发现，在处理具有高维解空间的困难组合优化问题时，它们的性能可能会下降。此外，搜索过程可能会陷入局部最优，这使得找到整体最优解决方案变得更加困难（Vose，1999）。
计算机网络优化的遗传算法中的定向交叉
摘要：使用遗传算法（GA）的优化是几个科学学科的众所周知的策略。交叉是遗传算法的必不可少的操作员。这是为该操作数开发可持续形式的研究领域。在这项工作中，提出了一个新的跨界操作数。该操作数取决于对染色体的描述，并为父母的等位基因带来了新的结构。建议每个等位基因都有两种态度，一种态度与另一种态度不同，两者都与等位基因相称。因此，如果一种态度是好的，则另一种态度应该不好。这适用于许多包含钦佩参数和未加工参数的系统。拟议的跨界将改善所需的态度，并抑制不希望的态度。可以在两个阶段实现所提出的跨界：第一阶段是一种父母的态度的一种交配方法，以提高一种态度，以牺牲另一种态度。第二阶段是在不同父母之间交配的第一个改进阶段之后。因此，将采用两个并发的改进步骤。系统的仿真实验显示出拟合函数的改善。所提出的跨界车可能对不同的领域有所帮助，尤其是优化路由算法和网络协议，该应用程序已在这项工作中被测试为案例研究。
使用遗传算法对 MRI 图像中的脑肿瘤进行分类...
脑肿瘤对大多数患者来说是致命的，肿瘤细胞的不同性质需要使用综合医疗措施，对此类肿瘤进行分类对放射科医生来说是一项艰巨的任务。基于 PC 的诊断结构已被用于辅助使用磁共振成像 (MRI) 诊断脑肿瘤。从神经网络的最低层检索一般功能，这些最低层负责捕获原始输入数据中的低级特征和模式，这些特征和模式对于原始图像来说可能是特别独特的。为了验证这一点，EfficientNetB3 预训练模型用于对三种类型的脑肿瘤进行分类：神经胶质瘤、脑膜瘤和垂体瘤。首先，从预训练的 EfficientNetB3 版本中获取几个 EfficientNet 模块的特征来定位脑肿瘤。使用三种类型的脑肿瘤数据集来评估每种方法。与现有的深度学习模型相比，EfficientNetB3 和遗传算法的连接函数具有更高的准确性。还采用了 Tensor Flow 2 和 Nesterov 加速自适应矩估计 (Nadam) 来改进模型训练过程，使其更快、更好。所提出的使用 CNN 的技术达到了 99.56% 的准确率、98.9% 的灵敏度、98.6% 的特异性、98.9% 的 F 分数、98.9% 的精确度和 99.54% 的召回率。