XiaoMi-AI文件搜索系统
World File Search SystemAlgorithms
STEM471：分析，算法，AI和人类
较晚的作业期望学生在课堂上列出的到期日期提交作业。较晚的作业，包括但不限于作业，讨论，帖子和答复，测验和考试，可能会在课程结束日期之后接受或可能不接受。在截止日期后提交任务可能会导致每天延迟的10％的罚款，不超过成绩的最高50％。罚款的金额是由教职员工酌情决定的。教师认识到，如果提前传达潜在的延迟，学生的时间有限，也许会更灵活。*
解密未来：量子计算以及 Grover 和 Shor 算法对经典密码学的影响
摘要。本文旨在直接分析量子计算算法的能力，特别是 Shor 和 Grovers 算法，分析其时间复杂度和强力能力。Shor 算法使我们能够以比传统系统快得多的速度找出大素数的素因数。这对依赖于传统算法无法计算大素数素因数的经典密码系统构成了威胁。Grover 算法使我们的计算机系统搜索能力提高了一倍，这将对密码系统密钥和哈希的强力能力产生重大影响。我们还分析了这些算法对当今经典密码系统的影响，以及可以对安全算法进行的任何重大改进，以使其更安全。
航天/航空航天飞行器先进制导与控制算法综述
在过去的几十年里，航天/航空航天飞行器的先进制导与控制 (G&C) 系统的设计受到了全世界的广泛关注，并将继续成为航空航天工业的主要关注点。毫不奇怪，由于存在各种模型不确定性和环境干扰，基于鲁棒和随机控制的方法在 G&C 系统设计中发挥了关键作用，并且已经成功构建了许多有效的算法来制导和操纵航天/航空航天飞行器的运动。除了这些面向稳定性理论的技术外，近年来，我们还看到一种日益增长的趋势，即设计基于优化理论和人工智能 (AI) 的航天/航空航天飞行器控制器，以满足对更好系统性能日益增长的需求。相关研究表明，这些新开发的策略可以从应用的角度带来许多好处，它们可以被视为驱动机载决策系统。本文系统地介绍了能够为航天/航空航天飞行器生成可靠制导和控制命令的最先进的算法。本文首先简要概述了航天/航空航天飞行器的制导和控制问题。随后，讨论了有关基于稳定性理论的 G&C 方法的大量学术著作。回顾并讨论了这些方法中固有的一些潜在问题和挑战。然后，概述了各种最近开发的基于优化理论的方法，这些方法能够产生最佳制导和控制命令，包括基于动态规划的方法、基于模型预测控制的方法和其他增强版本。还讨论了应用这些方法的关键方面，例如它们的主要优势和固有挑战。随后，特别关注最近探索 AI 技术在飞行器系统最佳控制方面的可能用途的尝试。讨论的重点说明了航天/航空航天飞行器控制问题如何从这些 AI 模型中受益。最后，总结了一些实际实施考虑因素以及一些未来的研究主题。
DermEngine 面向未来皮肤病学的 AI 算法
结果，他们必须能够获得高效、优质和有效的服务。不幸的是，由于皮肤科医生短缺问题日益严重，北美大多数患者的情况并非如此，平均等待专业医生的时间超过两个月。因此，越来越多的医疗专业人员提供皮肤科服务，以满足这种快速增长的需求。识别皮肤病变的性质在很大程度上依赖于护理提供者的专业知识。然而，由于皮肤图像分析和分类的复杂性，这个过程通常对即使是最有经验的专家来说也很有挑战性，因此会产生大量不必要的活检标本。患者接受侵入性手术的经济负担和身体创伤，再加上皮肤癌病例的低假阳性率，使得有必要采用新一代工具来支持准确的、基于证据的临床决策。人工智能如何支持这一日益增长的需求？利用技术的力量代表着对色素性皮肤病变的分析和诊断有了巨大的进步。人工智能 (AI) 技术有能力彻底改变医疗专业人员为患者提供最佳医疗结果的方式。机器学习能力成为战略技术盟友，可根据对数百万先前分类的病例的累积分析提供高度准确的决策支持。旨在与该领域的主要利益相关者密切合作的全球举措更好地展示了 AI 在皮肤病学中的实施潜力。可以通过该领域不同研究领导者的累积参与来研究和促进 AI 算法的力量和特异性，就像 ISIC 图像分类挑战赛所鼓励的那样。
使用量子算法进行全息特征分解
本文讨论了超维计算（HDC）（又称向量符号架构（VSA））中全息特征向量的分解。HDC 使用具有类似大脑特性的高维向量来表示符号信息，并利用高效的运算符以认知方式构建和操作复杂结构化数据。现有模型在分解这些结构时面临挑战，而分解过程对于理解和解释复合超向量至关重要。我们通过提出 HDC 记忆分解问题来应对这一挑战，该问题捕捉了 HDC 模型中常见的构造模式。为了有效地解决这个问题，我们引入了超维量子记忆分解算法 HDQMF。HDQMF 的方法独特，利用量子计算提供高效的解决方案。它修改了 Grover 算法中的关键步骤来实现超向量分解，从而实现了二次加速。
评估机器学习算法的有效性
人工智能 (AI) 和机器学习 (ML) 在医疗保健领域的融合彻底改变了疾病诊断，为早期发现、提高准确性和个性化治疗提供了潜力。本文评估了各种 ML 算法在诊断多种疾病（包括心血管疾病、癌症、神经系统疾病和传染病）方面的有效性。通过分析关键的监督和非监督学习算法（如支持向量机、随机森林、神经网络和 K 均值聚类），本研究探索了它们在临床环境中的应用、优势和局限性。评估指标包括准确度、精确度、召回率和 AUC，用于评估这些算法的性能。本文还强调了人工智能诊断面临的重大挑战，例如数据质量、模型的可解释性、道德考虑以及与临床工作流程的集成。最后，它探讨了人工智能在疾病诊断中的未来前景，强调了深度学习、个性化医疗和人工智能与人类协作模型的进展。研究结果强调了人工智能在提高诊断效率方面的变革作用，同时也承认需要进一步研究、道德监督和监管框架以确保安全和公平实施。
修改模糊遗传算法：规则生成和缓存的最近邻居策略
摘要：遗传算法（GA）比其他方法（例如梯度下降或随机搜索）更有用，尤其是对于具有许多局部最小值和Maxima的非不同的函数，例如梯度下降或随机搜索。标准GA方法的缺点之一是需要设置许多超参数，并且基于复杂规则而不是更直观的模糊规则，选择压力是基于复杂的规则。通过模糊逻辑调整此类参数的遗传算法的变体，以使参数更新原理更容易解释，构成模糊遗传算法（FGAS）的类别。本文提出了对具有N个特性和自动生成规则的两个相对模糊遗传算法（FGA）的修改，以及旨在改善模拟运行时的计算优化。在基准功能（Ackley，Griewank，Rastrigin和Schwefel）上评估了修改，并且选择了每个修改方法的最佳设置（即成员资格功能，术语数，T-norm和t-conorm）。将结果与标准GA和粒子群优化（PSO）进行了比较。结果表明，FGA方法可以使用缓存和最近的邻居方法进行优化，而不会失去准确性和收敛性。证明这两种修改后的方法在统计学上的表现明显比基线方法差。结果，我们提出了对现有两种算法的两种优化：通过缓存和测试其性能，通过规则生成和最近的邻居估算进行外推。
从算法、实现和特性方面对经典随机游走和量子游走的比较研究
近年来，随着硬件和软件技术的进步，高性能计算取得了长足的发展。计算机的性能按照摩尔定律不断提高，但似乎在不久的将来就会达到极限。量子计算机有可能大大超越经典计算机的性能，因此成为研究的焦点。本研究从理论角度和模拟实现两个方面探讨了经典随机游动与量子游动的区别，并探讨了量子游动在未来的适用性。概述了经典随机游动和量子游动的基本理论，并根据经典随机游动和量子游动的行为和概率分布，比较了它们之间的特征差异。同时，我们使用Qiskit作为量子模拟器实现了量子行走。表示量子行走的量子电路主要由硬币算子、移位算子和量子测量三部分组成。硬币算子表示量子行走中的抛硬币，这里我们使用了Hadamard算子。移位算子表示根据硬币算子的结果进行量子行走的移动。量子测量是提取量子比特的量子态的过程。在一维量子行走中，我们准备了四种情况，作为从两个到五个量子比特位置的量子比特数的差异。在所有情况下，都已看到量子行走的成功实现，这与量子比特的数量和初始状态的差异有关。然后，我们广泛研究了二维量子行走的实现。在二维量子行走中，就每个 x 和 y 坐标位置的量子比特数量而言，准备了三种情况，从两个到四个量子比特。虽然与一维情况相比，问题设置的复杂性大大增加，但可以看出量子行走实现的成功。我们还看到，量子行走的行为和概率分布的扩展在很大程度上取决于初始硬币状态和初始位置的初始条件。本研究证明了量子行走作为解决未来广泛应用中复杂问题的工具的适用性。最后，我们给出了本研究的可能观点和未来展望。
应用遗传算法设计微型...
摘要使用微型氢发电厂（MHPP）已将自己确立为解决农村孤立地区能源贫困问题的基本工具，不仅在此领域，而且在大规模发电中也成为了最常用的可再生能源。尽管所使用的技术在过去几十年中取得了重要进步，但通常已应用于大型水力系统。这个事实将孤立的MHPPS的使用降级到背景。在这种情况下，这些项目的选项策略的制定仍然有很大的改善，实际上，这些项目仍然限于使用拇指规则。它导致了可用资源的次级最佳使用。这项工作建议使用遗传算法（GA）来协助MHPP的设计，从而找到MHPP不同元素的最合适位置，以实现对资源的最有效使用。为此，第一个开发了植物的详细模型，然后是最佳设计的优化问题，该问题是通过考虑真实的地形地形数据来提出的。这个问题都以single（以最大程度地降低成本）和多目标（以最大程度地降低成本，同时最大化生成的功率）模式，从而对使用气体在农村孤立区域设计MHPP的潜力进行了深入的分析。为了验证所提出的方法，它将应用于洪都拉斯的真实场景的一组地形数据。将所达到的结果与基线整数变量算法和其他元元素算法进行了比较，这表明在成本方面，解决方案的改善显着改善。