XiaoMi-AI文件搜索系统
World File Search SystemFuzzy
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。
针对 Pico Hydro 的模糊控制电池储能系统 (BESS) 的设计
摘要 — 微微水力系统是水力涡轮机调速器、电子负荷控制器和发电机的组合，被概述为农村社区离网供电选项的推荐方法之一。在传统的水力系统安装中，具有比例-积分-微分 (PID) 的电子负荷控制器是提供发电和负荷消耗需求之间功率平衡的最佳选择。然而，白天的电力需求总是会出现高峰，但夜间的能源消耗却很低。这种情况导致大量能源被倾倒和浪费，并且缺乏与工厂电力稳定性有关的能源管理。因此，本研究旨在为能够满足关键负载要求的能源系统设计模糊逻辑控制 (FLC)，然后使用 MATLAB SIMULINK 进行仿真以评估过剩能源的有效利用。使用 Mamdani 的方法和 25 条成员规则来实现基于模糊逻辑的控制系统，可以在放电、电池备份和负载供应等场景之间执行有效的功率流控制。结果表明，通过对微型水电系统 2 秒到 3 秒的剩余发电量实施模糊控制，这种方法是一种更好的替代方案，可以更有效地稳定系统并提高能源供应。
基于模糊代理的仿真，用于管理一支自动工业车队的电池电池
摘要：本文提出了使用模糊逻辑来探索自动工业工具（AIVS）的电池充电管理的多代理模拟。这种方法通过分布式系统提供适应性和韧性，可容纳AIV电池容量的变化。结果突出了自适应模糊模型在优化充电策略，提高运营效率和遏制能耗的功效。动态因素（例如工作负载变化和AIV基础结构通信）以启发式方式考虑，强调了自主系统中灵活的协作方法的重要性。值得注意的是，能够根据能源关税优化充电的基础设施可以大大减少高峰时段的消耗，从而强调了此类策略在动态环境中的重要性。总体而言，该研究强调了将适应性模糊的多代理模型纳入AIV能源管理以推动工业运营中的效率和可持续性的潜力。
全局PM2.5暴露和不平等
在计算机科学和人工智能不断发展的景观中，模糊图理论和拓扑指数的整合为决策过程提供了强大的框架。模糊图，其特征是它们处理不确定性和不精确的能力，扩展了传统的图形概念，从而使复杂网络的更细微的表示。本研究探讨了模糊拓扑指数在梯子和网格图中的应用，这些阶梯和网格图是网络理论中的基础结构。梯子图，类似于梯子的梯级，以及代表网状结构的网格图，通过模糊图理论的镜头进行分析，以提取有意义的见解，有助于决策。模糊拓扑指数与这些图形结构的融合为评估网络鲁棒性，优化路线和增强整体系统可靠性提供了强大的工具。本文深入研究了传统拓扑指数的探索，例如randić索引以及模糊的拓扑指数和模糊的Zagreb索引，专门用于梯子和网格图。我们通过机器学习技术分析上述图表，并提供全面的统计分析。我们发现梯子和模糊阶梯图之间以及网格和模糊的网格图之间存在很强的相关性。我们的发现表明，如果已知梯形图和网格图中的拓扑索引的值，那么我们可以准确地预测梯形图和网格图的模糊拓扑索引的值。使用机器学习技术对清晰和模糊图中的拓扑指数进行分析是一种创新的方法，不仅可以节省时间，而且还提供了更全面，更精确的评估。
确定使用新型模糊决策模型
应对可再生能源转变的决定因素进行必要的改进。但是，由于所有改进都会增加成本提高，因此有必要优先考虑更重要的问题。因此，需要进行新的分析，其中将确定这些标准中最重要的分析。这项研究的目的是确定可再生能源过渡的最重要项目。在这种情况下，根据文献综述结果选择了五个标准。球形模糊（基于TOPSIS的DEMATEL）上符号方法可以考虑计算这些指标的权重。在研究的第二部分中，替代方案按球形模糊排名技术排名，几何平均值与最佳解决方案（Ratgos）的几何平均值。在这种情况下，将金砖国家（巴西，俄罗斯，印度，中国，南非）选为替代方案。主要贡献是在考虑比例概念中的几何平均值时创建了一种新方法（Ratgos）。在另一边，还提出了一种新的方法（顶级）来克服Dematel中的批评。得出的结论是，技术发展对于可再生能源转变的成功起着最重要的作用。同样，在这种情况下，找到有效的财务来源也非常重要。排名结果还表明，中国和俄罗斯是关于可再生能源转型的最成功国家。技术发展对于能源储能过程的效率也是必需的。但是，还可以确定的是，南非和印度在与其他金砖国家的可再生能源过渡方面的成功率较低。可以理解，技术发展在提高可再生能源过渡过程的效率方面起着至关重要的作用。由于使用了最新技术，因此可以更有效地使用能源。气候条件下的变化会导致能源生产过程中的不规则性。由于有效的能源存储过程，可以解决此问题。
通过优化的模糊逻辑系统
推理引擎推理引擎是专家系统的关键组成部分，采用逻辑规则来得出信息或基于知识库做出决策。它将fuzzi输入（通过模糊过程获得）映射到规则库，从而为应用电缆规则生成模糊输出。模糊推理引擎遵循一个结构过程，其中包括多个关键步骤。最初，它通过从知识库中识别相关规则并将输入数据与每个规则中指定的条件进行比较来执行规则匹配。一旦确定了相关规则，发动机就会评估每个规则的真实程度，从而确定输入SATIS符合条件的程度。随后，它通过结合其输出以产生连贯的决策或结论来汇总从匹配规则得出的结论。此过程是迭代的，引擎不断应用规则并更新知识库，直到实现解决方案或不适用其他规则为止。此系统ATIC方法使模糊推理引擎可以处理
大数据和模糊逻辑用于供应需求预测
需求预测是一项重要活动，它直接影响供应链的运作，为决策提供了坚实的基础。运营策略长期以来一直专注于需求预测，以更好地管理库存并最大限度地提高客户满意度。然而，大多数需求预测方法都无法向企业揭示任何信息，因为它们没有考虑到产品的季节性、当前的市场趋势，或者预测如何影响牛鞭效应。迫切需要建立能够智能、快速地检查供应链中大量数据的技术。大数据可以帮助企业解决他们的问题。同时，模糊逻辑模型有助于在缺乏历史数据、主观消费者偏好或不可预测的市场环境的情况下捕捉和管理不确定性。因此，本文提出了一种基于模糊逻辑的大数据驱动需求预测框架 (FL-BDDF)，该框架确定促销营销工作、过去的需求和其他变量在做出预测方面的作用，这些预测可以塑造、感知和响应实际消费者需求。借助大数据分析 (BDA)，企业可以提高需求预测的准确性。模糊逻辑让它们包括定性指标，如市场情绪、专家观点或主观风险评估以及典型的定量信息。运营和供应链管理 (OSCM) 与其他领域一样，提供了实时创建大量数据的机会。这项研究的结果可能有助于学术界和行业专业人士更好地掌握大数据为 SCM 和需求预测提供的可能性。实验结果表明，与其他现有模型相比，建议的 FL-BDDF 模型将准确率提高了 98.4%，供应链预测率提高了 97.3%，客户满意度提高了 95.4%，成本降低了 57%。关键词：供应链管理、模糊逻辑、大数据、需求预测、数据驱动。
通过自学习模糊强化学习实现燃料电池混合动力汽车的终身延长能源管理策略
摘要 — 建模困难、模型时变和外部输入不确定是燃料电池混合动力汽车能源管理面临的主要挑战。本文提出了一种基于模糊强化学习的燃料电池混合动力汽车能源管理策略，以降低燃料消耗、维持电池的长期运行并延长燃料电池系统的使用寿命。模糊 Q 学习是一种无模型强化学习，可以通过与环境交互进行自我学习，因此无需对燃料电池系统进行建模。此外，燃料电池的频繁启动会降低燃料电池系统的剩余使用寿命。所提出的方法通过在强化学习的奖励中考虑燃料电池启动次数的惩罚来抑制燃料电池的频繁启动。此外，在 Q 学习中应用模糊逻辑来近似值函数可以解决连续状态和动作空间问题。最后，基于 Python 的训练和测试平台验证了所提出方法在初始状态变化、模型变化和驾驶条件变化条件下的有效性和自学习改进。
将人工智能整合到模糊决策分析
防止刻板印象的威胁对于改善业务绩效至关重要。由于这种情况，企业必须采取必要的预防措施。但是，这些行动会影响企业的成本提高。对这些因素进行优先分析的文献研究数量非常有限。这种情况增加了对这些变量分析优先级的新研究的需求。因此，本研究旨在评估可持续商业环境中刻板印象威胁的因素。在第一阶段实施了一个人工智能模型来权衡专家。在以下阶段，在T-Spherical Fuzzy Dematel的帮助下评估了选定的标准。第三，使用不同的值进行了比较分析。最后，针对刻板印象的威胁，选定的行业被球形模糊的Ratgos对。可以在分析过程中确定专家的权重。这种情况对调查结果的有效性有很大的贡献。得出的结论是，培训活动对于最大程度地减少公司中刻板印象的威胁至关重要。
动态数据的自适应模糊启发式算法...
物联网（IoT）设备的爆炸爆炸创造了大量的实时数据，需要复杂的数据挖掘方法（DMT），这些方法可以快速提取有价值的见解。管理处理高数据量的计算复杂性，整合各种物联网数据格式，并确保系统可以扩展是最重要的问题之一。模糊动态自适应分类器优化分析（FDACOA）是一种方法，已被建议作为一种方法，以解决数据模式变化，实时处理和数据异质性引起的困难。通过合并自适应模糊逻辑（AFL）和启发式优化，FDACOA提高了数据分类的精度和效率，同时确保该算法可以适应数据流的变化。这种适应性在物联网应用中至关重要，在物联网应用中，数据波动可能会影响分析质量。FDACOA使用动态适应来根据实时反馈改变分类器参数，以提高预测准确性并降低计算成本。优化层微型模糊规则和成员资格功能，以优化跨数据情况的性能。仿真分析证明了该算法以高准确性和低计算成本进行分类的能力。智能医疗保健，工业物联网中的预测维护和智能运输系统使用FDACOA进行实时决策和数据驱动的见解。FDACOA是一种可行的方法，用于在IOT支持的大数据上下文中进行动态数据挖掘，因为它的速度更快，更准确且更适应性地适应性模拟结果。关键字：模糊启发式算法，动态数据挖掘，物联网，集成的大数据环境，分类优化。