XiaoMi-AI文件搜索系统
World File Search SystemNSGA
区块链增强的NSGA-III GKM透明和可信赖的电子商务供应链
本研究的重点是通过集成区块链技术来提高电子商务供应链的透明度和信任。这在区块链中非常重要，因为有必要保护，记录，验证，验证和共享多个各方的数据，以确保透明度和信任。为了实现这一目标，我们介绍了称为基于区块链的NSGA III-GKM的先进组合技术。遗传K-均值聚类（GKM）和非主导的分类遗传算法（NSGA-III）是两种高级算法，结合了以新颖方式使用的高级区块链技术来实现这一目标。区块链系统会产生大量的复杂数据，因此确定有意义的模式和趋势很重要。NSGA III和GKM解决了区块链的这些问题。本研究使用NSGA III来解决多个目标的问题，例如提高信任，透明度和运输成本降低。通过使用NSGA，有效地确定了最佳解决方案，可以平衡这些具有挑战性的目标。同时，GKM通过微调分类为类似群集的数据点来改善分组过程。这有助于确定基于区块链的供应链数据中的特定趋势。通过结合这些方法，我们能够改善电子商务供应链中的趋势和行动机制。这些合并的方法协助公司确定有效的供应链策略，这有助于最大程度地降低风险，并能够调整不断变化的区块链系统。来自电子商务供应链的现实世界数据用于测试该方法的功效。根据调查结果，成功地展示了各种目标之间的平衡，并提供了改善区块链驱动的供应链网络的建议。总体而言，通过将区块链与NSGA III和GKM相结合，它不仅可以确保安全性和信任，而且还利用高级分析来提高透明度和运营效率。因此，它将帮助组织实现弹性有效的供应链管理。
NSGA-II算法辅助可靠性优化...
摘要 隔离式 DC-DC 转换器通常用于多种系统，包括分布式发电系统、储能系统和飞机电源转换系统。本研究涉及设计全桥 DC-DC 转换器并使用 NSGA-II 算法提高其可靠性。该研究评估了输出功率、开关频率、变压器匝数比和输入电压等各种参数对转换器可靠性性能的影响。可靠性和平均故障时间是通过考虑所有组件中的开路和短路故障的马尔可夫可靠性模型确定的。转换器组件故障率是使用 MIL-HDBK-217 标准计算的。结果表明转换器的可靠性性能有所提高。
基于NSGA-III算法的罐底液压成形工艺参数优化
2. 上海航天设备制造有限公司，上海 200245) 摘要：液压胀形工艺可以实现大型储罐底部的整体成形，但其质量受诸多工艺参数的影响。针对整体储罐底部液压胀形过程中出现的起皱、开裂缺陷，建立了以预胀压力、液压压力、压边力、压边圆角半径等工艺参数为优化目标的多目标优化模型。基于有限元仿真，利用Kriging技术建立工艺参数与质量标准之间的代理模型。采用NSGA-III算法，在储罐底部达到壁厚变化量最小、断裂趋势最小、翻边皱褶最小、皱褶趋势最小等目标的条件下，确定最优工艺参数。与粒子群优化（PSO）算法相比，NSGA-III算法更适合求解该优化问题。通过仿真实验验证了该方法的有效性和结果的准确性。关键词：储罐·液压成形·克里金法·NSGA-III
基于改进SPEA2和改进NSGA2的智能电网经济调度方法
当前环境危机的严重性促使可再生能源发电与智能电网的融合发展。可再生能源的接入使得智能电网的经济调度变得复杂。因此，智能电网的经济调度模型非常必要。本文提出了一种同时考虑经济性和污染排放的智能电网经济调度模型。用于仿真的智能电网模型由风能、太阳能、燃料电池和火电构成，燃料电池的使用使智能电网实现多能源互补。针对传统集中式通信方式容易发生通信拥塞的缺陷，本文采用多智能体信息交换方法提高稳定性和效率。在该模型的解决方法方面，本文提出了改进强度帕累托进化算法2（ISPEA2）和改进非支配排序遗传算法2（INSGA2）来解决智能电网的经济调度问题。将强度帕累托进化算法2(SPEA2)、非支配排序遗传算法2(NSGA2)及其改进算法同时应用于所提出的智能电网经济调度仿真模型，仿真结果表明ISPEA2和INSGA2是有效的，ISPEA2和INSGA2在精度或运行时间上均比SPEA2和NSGA2有所提高。
NSGA-II 目标对运动想象相关脑电图特征选择的影响
选择与运动想象 (MI) 具有功能相关性的脑电图 (EEG) 特征是基于脑机接口 (BCI) 的运动康复成功的关键任务。MI 期间的个体 EEG 模式需要基于受试者的特征选择，由于特征的复杂性和数量庞大，这是一项艰巨的任务。一种解决方案是使用元启发式算法，例如遗传算法 (GA)，以避免不切实际的穷举搜索。在本研究中，使用最广泛使用的 GA 之一 NSGA-II 和分层个体表示来排除与 MI 无关的 EEG 通道。本质上，在先前记录的 MI EEG 数据集上评估了 NSGA-II 中不同目标的性能。实证结果表明，k-最近邻（k-NN）与皮尔逊相关系数（PCFS）相结合作为目标函数，与其他目标组合相比，分类准确率更高（73% vs. 69%）。线性判别分析（LDA）与特征减少（FR）相结合作为目标函数，最大程度地减少了特征（99.6%），但降低了分类性能（65.6%）。所有与 PCFS 相结合的分类器目标都根据 MI 期间的预期活动模式选择了类似的特征。总之，PCFS 和分类器作为目标函数构成了 MI 数据的良好权衡解决方案。
NSGA-II 设计用于 EEG 中的特征选择...
对于与运动想象 (MI) 相关的脑机接口 (BCI) 系统，由于特征数量巨大而样本数量很少，特征选择是脑电图 (EEG) 分类的重要步骤。这使得分类过程在计算上非常昂贵，并且限制了 BCI 系统的实时适用性。解决此问题的一个方法是引入特征选择步骤，以在分类之前减少特征数量。需要解决的问题是，通过减少特征数量，分类准确性会受到影响。许多研究提出使用遗传算法 (GA) 作为特征选择问题的解决方案，其中非支配排序遗传算法 II (NSGA-II) 是这方面使用最广泛的 GA 之一。有许多不同的配置适用于 GA，特别是个体表示、育种算子和目标函数的不同组合。本研究评估了表示、选择和交叉算子的不同组合，以了解不同组合在与 MI 相关的 EEG 分类的准确性和特征减少方面的表现。总共对 24 种 NSGA-II 组合进行了评估，结合了三种不同的目标函数，针对六个受试者。结果表明，育种算子对平均准确率和特征减少的影响很小。但是，具有分层和基于整数的表示的个体表示和目标函数在表示方面取得了最有希望的结果，而皮尔逊相关特征选择与 k-最近邻或特征减少相结合，在目标函数方面获得了最显著的结果。这些组合用五个分类器进行了评估，其中线性判别分析、支持向量机（线性核）和人工神经网络产生了最高且最一致的准确率。这些结果可以帮助未来的研究开发他们的 GA，并选择分类器，用于基于 EEG 的 MI 分类中的 BCI 系统的特征选择。