XiaoMi-AI文件搜索系统
World File Search SystemLagrangean
低成本供应链网络的最佳设计
文学工作模型类型解决方案方法和技术Amini and Li（2011）Minlp外近似Amiri（2006）MILP Lagrangean松弛Baptista等。（2019）MILP分解Costantino等。（2013）MILP层次/顺序方法Devika等。（2014）MILP帝国主义竞争算法；可变邻里搜索Fattahi等。（2015）MILP模拟退火；线性放松Javid and Azad（2010）Minlp/混合式凸编程
研究论文 洛伦兹对称性破坏引起的朗道型量子化对狄拉克场的影响
最近，Kostelecký 和 Samuel [1] 证明，在弦场论的背景下，当扰动弦真空不稳定时，由张量场控制的洛伦兹对称性 (LS) 破坏是自然的。Carroll 等人 [2] 在电动力学的背景下，研究了在修正的陈-西蒙斯拉格朗日空间中，即在 (3 + 1) 维中，存在背景矢量场的理论和观察结果，这种空间保持了规范对称性，但破坏了洛伦兹对称性。这些研究的目的之一是扩展可能涉及 LS 破坏的理论和模型，以寻找可以回答通常物理学无法回答的问题的基础物理理论。从这个意义上讲，标准模型 (SM) 已成为这些扩展的目标，这些扩展以 LS 破坏为特征，最终形成了我们今天所知道的扩展标准模型 (ESM) [3, 4]。近年来，LS 破坏已在物理学的各个分支领域得到广泛研究，例如磁矩产生 [5]、Rashba 自旋轨道相互作用 [6]、Maxwell-Chern-Simons 涡旋 [7]、涡旋状结构 [8]、卡西米尔效应 [9, 10]、宇宙学
人工智能中的物理和数学约束...
灾难，包括洪水和干旱，是许多国家（尤其是巴西）的紧迫问题，因为它们造成了生命损失和经济损失。预计气候变化的影响会通过增加极端天气事件的频率和强度来加剧这一问题。因此，开发准确可靠的灾难预测模型对于减少这些事件的影响至关重要。基于机器学习（ML）的方法，例如神经网络，已广泛用于开发洪水和干旱预测预测模型。但是，这些模型通常缺乏透明度和解释性，从而使他们的预测背后的推理挑战。缺乏解释性限制了这些模型在实际情况下，利益相关者需要清晰可理解的信息以做出决定[1，2]。将物理和数学约束纳入ML模型可以提高准确性和解释性。物理定律，例如群众保护或节能，可以限制ML模型的输出，以确保它们遵守已知的物理原理。数学约束，例如将特定于领域的知识纳入模型，也可以提高其准确性和解释性。这项多学科工作概述了有关洪水和干旱预测中ML应用的物理和数学约束的文献。涵盖的方法范围从简单的群众保护策略到更复杂的方法，例如Lagrangean