XiaoMi-AI文件搜索系统
World File Search SystemConstrained
通过深钢筋学习辅助操作员选择的受约束多目标优化
摘要 - 分解有限的多目标优化问题，其进化算法引起了相当大的关注。使用不同的算法策略，进化运算符和约束处理技术，已经开发出各种受约束的多目标优化算法（CMOEAS）。CMOEA的性能可能很大程度上取决于所使用的操作员，但是，通常很难为当前的问题选择合适的操作员。因此，改善操作员的选择是有希望的，对于CMOEAS来说是必要的。这项工作提出了一个在线操作员的选择框架，并在深入的强化学习中有助于。人口的动态，包括融合，多样性和可行性，被视为国家；候选运营商被视为行动；人口状态的改善被视为奖励。通过使用Q-Network学习策略来估计所有动作的Q值，建议的方法可以适应地选择一个操作员，该操作员根据当前状态最大程度地提高人口的改善，从而改善算法性能。该框架嵌入了四个流行的CMOEAS中，并在42个基准问题上进行了评估。实验结果表明，与九个最先进的CMOEA相比，提出的深钢筋学习辅助操作员的选择显着提高了这些CMOEAS的性能，并且所得算法获得了更好的多功能性。
经济行为的信息受限的协调
我们与信息受限的玩家分析了一个协调游戏。玩家的动作是基于在特定情况下对游戏回报的嘈杂压缩表示，在这种情况下，压缩表示是由变异自动编码器（VAE）学到的潜在状态。我们的广义VAE经过优化，以权衡通过可能的游戏分配获得的平均收益，以衡量代理商内部模型与其环境统计数据之间的一致性。我们将模型应用于Frydman和Nunnari（2023）的实验中的协调游戏，并表明它为实验证据的两个显着特征提供了解释：玩家的行动概率相对连续的变化，并且游戏付费的变化以及玩家选择范围的范围差异范围的依赖于游戏范围的范围范围的选择性范围。我们的方法还提供了有关游戏应逐渐适应遇到的游戏回报的变化的方式的说明，为Arifovic等人记录的历史依赖游戏提供了解释。（2013）。
micronas：内存和延迟约束硬件 -
设计域特定的神经网络是一项耗时，容易出错且昂贵的任务。神经体系结构搜索（NAS），以简化特定于域的模型开发，但在微控制器上进行时间分类的文献存在差距。因此，我们调整了可区分的神经修道搜索搜索（DNA）的概念，以解决有关资源约束的Mi-Crocontrollers（MCUS）的时间序列分类问题。我们介绍了Micronas，这是DNA，延迟查找表，动态音量和专门针对MCUS时序列分类设计的新颖搜索空间的DNA，延迟查找表，动态结合表和新颖的搜索空间的Micronas。所得系统是硬件感知的，可以生成满足用户定义的执行延迟和峰值内存消耗的限制的神经网络体系结构。我们在不同的MCUS和标准基准数据集上进行的广泛研究表明，Micronas找到了达到性能的MCU量身定制的体系结构（F1得分），附近是最先进的桌面模型。我们还表明，与独立于域的NAS基准（如DARTS）相比，我们的方法在遵守记忆和潜伏期限制方面具有优越性。
文章利用太阳能光伏和固定储能来缓解撒哈拉以南非洲电网受限地区电动小巴充电的影响
摘要：尽管全球对电动汽车的追求势不可挡，但撒哈拉以南非洲随处可见的非正规多乘客小巴出租车的电气化却引发了人们的极大担忧。这是由于电力系统受限，无论是发电容量还是配电网。如果不仔细规划和缓解，在高峰需求时段为数十万辆电动小巴出租车充电的额外负荷可能会带来灾难性的后果。本文评估了在南非约翰内斯堡为 202 辆出租车充电的影响。本文评估了使用外部固定电池存储和太阳能光伏发电的潜力，以减少峰值电网需求和从电网中吸收的总能量。通过增加相当于 60 kWh/辆出租车的固定电池存储和相当于 9.45 kW pk/辆出租车的太阳能发电厂，电网负荷影响减少了 66%，从 12 kW/辆出租车减少到 4 kW/辆出租车，每日电网能量减少了 58%，从 87 kWh/辆出租车减少到 47 kWh/辆出租车。该国对煤炭发电的依赖，包括太阳能光伏供电，也减少了 58% 的温室气体排放。
限制了对单调系统的最佳控制，并应用于电池快速充电
R。Drummond曾在She -fild University，Mappin ST，She -eld，S1 3JD的自动控制与系统工程系任职。电子邮件：ross.drummond@sheffield.ac.uk。N. E. Courtier和D. A. Howey与牛津大学工程科学系，牛津大学，牛津公园17号，OX1 3PJ，牛津，英国牛津，电子邮件：{David.howey，Nicola.courtier}@eng.ox.ac.ac.ac.uk。l D. Couto与控制工程和系统分析部，Brussels，Brussels，B-1050，BELGIUM，BRUSSELS UNIVER。电子邮件：luis.daniel.couto.mendonca@ulb.be。C. Guiver在爱丁堡纳皮尔大学（Edinburgh University，Edinburgh），英国EH10 5DT的工程与建筑环境学院工作。电子邮件：c.guiver@napier.ac.uk。罗斯·德拉蒙德（Ross Drummond）要感谢皇家工程学院通过英国情报界研究奖学金的资助。克里斯·吉夫（Chris Guiver）要感谢埃德·伊特堡（Ed-Inburgh）皇家学会（RSE）通过RSE个人研究奖学金提供的资金。EPSRC FARADAY机构多尺度建模项目（EP/S003053/1，授予号FIRG025）为Nicola Courtier和David Howey提供了支持。
用生物学约束深度学习体系结构解释V1属性
卷积神经网络（CNN）最近已成为腹侧视觉流的有前途的模块。虽然主要视觉皮层（V1）的当前最新模型已经从具有对抗性示例的训练中浮出水面并广泛增强了数据，但这些模型仍然无法解释V1中观察到的关键神经特性，这些神经特性是由生物逻辑电路引起的。为了解决这一差距，我们系统地将神经科学衍生的架构组件纳入CNN中，以确定一组更全面地解释V1活动的机制和体系结构。通过使用建筑组件增强任务驱动的CNN，这些组件模拟了中心旋转的拮抗作用，局部接收场，调整归一化和皮质放大倍数，我们以潜在的表示模型来产生V1神经活动和调谐特性的潜在模型。此外，对这些成分的学习参数和最大激活评估网络神经元的刺激的分析为它们在解释V1的神经特性中的作用提供了支持。我们的结果突出了神经ai领域的重要进步，因为我们系统地建立了一组建筑成分，这些组件有助于v1的前所未有的解释。可以从越来越准确的大脑内部模型中收集的神经科学见解有可能大大推进神经科学和人工智能的领域。
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。
www.migrationletters.com具有新型模块化的受约束的Louvain算法，以增强复杂网络中的社区检测
结论：这项研究引入了一种创新的方法，可以在复杂的网络中进行社区检测。具有𝐹2模块化的受约束卢旺算法有效地克服了传统模块化的局限性，尤其是分辨率限制问题。它促进了准确且细粒度的社区检测，使其成为分析各个领域广泛网络的宝贵工具。这项研究通过提供强大的社区检测方法来有助于持续的努力来增强我们对网络结构和动态的理解。
安全约束单元详细流程...
格式-3(b)：提前通知未来两天需要上线的单位名单...................................................................................................................................................... 27
低成本，调度限制的电力的潜在可用性和供应曲线
这项工作是由NREL撰写的，由Alliance for Sustainable Energy，LLC运营，为DOE，合同号DE-AC36-08GO28308。能源效率办公室和可再生能源氢和燃料电池技术办公室提供的资金。本文中表达的观点并不一定代表DOE或美国政府的观点。美国政府保留和出版商，通过接受该文章的出版物，承认美国政府保留了不可限制的，有偿的，不可撤销的，全球范围内的许可，以出版或复制这项工作的已发表形式，或允许其他人这样做，以实现美国政府的目的。本研究的一部分是使用DOE的能源效率和可再生能源办公室赞助的计算资源进行的，并位于NREL。