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。
材料
摘要：由于切削力过大、表面完整性低和刀具磨损，通过传统金属切削工艺加工用于骨科植入物的钛合金 (Ti6Al4V) 具有挑战性。为了克服这些困难并确保高质量的产品，各行各业都采用线切割电火花加工 (WEDM) 来精确加工形状复杂的钛合金。目标是使用 Box-Behnken 设计 (BBD) 和非支配排序遗传算法 II (NSGA II) 使 WEDM 加工参数尽可能高效地加工生物相容性合金 Ti6Al4V。创建了一个二次数学模型来表示生产率和质量因子 (MRR 和表面粗糙度)，输入参数包括不同的输入参数，例如脉冲有效 (T on) 时间、脉冲无效 (T off) 时间、峰值幅度 (A) 电流和施加的伺服 (V) 电压。建立的回归模型和相关的预测图提供了一种可靠的方法来预测工艺变量如何影响两个响应，即 MRR 和 SR。研究了四个工艺变量对两种响应的影响，结果表明脉冲持续时间和电压对材料去除率 (MRR) 有重大影响，而脉冲持续时间则影响质量 (SR)。当包含重要的工艺因素时，MRR 和 SR 之间的权衡强调了对可靠的多目标优化方法的需求。利用名为非支配排序遗传算法 II (NSGA II) 的智能元启发式优化方法提供帕累托最优解，以实现高材料去除率 (MRR) 和低表面粗糙度 (SR)。
非电网储能容量优化...
摘要：为提高电解槽产氢效率，充分利用风能，保证供电可靠性，针对产氢效率特点，提出非并网风氢混合储能系统容量优化配置方案，分析电解槽工作区间特点，优化电解槽工作区间；综合考虑电池充放电、设备容量及功率特点，制定适用于6种工况的能量管理策略，建立系统成本与可靠性定量多目标函数，采用快速非支配排序遗传算法（NSGA）-II求解优化模型，确定最优储能容量组合。随后，对内蒙古某牧区风速数据进行实测，并进行详细分析。分析结果表明，电解槽始终运行在最优工作区间，优化后的风氢系统供电经济可靠。该研究为实际工程应用提供了参考。
网格的最佳尺寸和技术经济分析 -
摘要：缺乏电力是阻止国家发展的最严重的问题之一。混合可再生能源系统（HRES）在减少此问题方面起着至关重要的作用。这项研究的主要目标是使用多个能源资源（Homer）Pro软件的非主导分类遗传算法（NSGA）-II和混合优化的优化，以降低净现在成本（NPC），能源成本（COE）和CO 2的CO 2拟议的电力系统排放。五个案例被认为是了解孟加拉国库特布迪亚岛的最佳HRES系统，并分析了该系统的技术可行性和经济潜力。为了证明建议策略的效率，比较了两种方法的最佳案例结果。该研究的最佳解决方案还经过敏感性分析，以考虑年度风速，太阳辐射和燃油成本中的波动。根据数据，优化的PV/风电/电池/DG系统（711,943美元）的NPC低于其他情况。通过NSGA-II技术获得的NPC比基于荷马的系统低2.69％。
基于多目标优化的非支配排序遗传算法对风能潜力的评估 III
摘要：风能是一种丰富的可再生能源，近年来在世界范围内得到广泛应用。本研究提出了一种新的基于多目标优化 (MOO) 的风能系统遗传算法 (GA) 模型。所提出的算法包括非支配排序，其重点是最大化风力涡轮机的功率提取，最小化发电成本和电池寿命。此外，还分析了风力涡轮机和电池储能系统 (BESS) 的性能特征，特别是扭矩、电流、电压、充电状态 (SOC) 和内阻。完整的分析是在 MATLAB/Simulink 平台上进行的。将模拟结果与现有的优化技术（如单目标、多目标和非支配排序 GA II（遗传算法 II））进行了比较。从观察结果来看，非支配排序遗传算法 (NSGA III) 优化算法提供了卓越的性能，特别是更高的涡轮机功率输出、更高的扭矩率、更低的速度变化、更低的能源成本和更低的电池退化率。该结果证明，与传统的优化工具相比，所提出的优化工具可以从自激感应发电机（SEIG）中提取更高的功率。
设计一个基于跨对接的人道主义供应链
摘要在本研究中，考虑了一个用于设计人道主义供应链网络和车辆路由问题的数学模型，考虑了跨dock的情况，其中使用了非主导的排序遗传算法（NSGAIII），用于在大规模问题中实现所提出的模型。由于在大规模的情况下实现了模型，因此进行了各种灵敏度分析以提取结果。因此，结果表明，成本对第一个目标功能（与总受伤相比）和第二个（短缺）具有更大的影响。与其他两个目标函数相比，对成本函数的影响可以忽略不计。第一个目标功能从供应商到仓库的救济商品/物资的运输成本的影响高于其他目标；但是，与以前的成本相比，这一成本的效果远远超过供应商到分销商的成本，输出对此成本的反应更大。与从供应商到仓库的运输成本不同，从分销商到仓库的运输成本对成本功能的影响较小。然而，结果表明，成本的增加可能导致患者与总受伤和短缺的比率相当大。换句话说，当此参数倾向于增加时，目标函数将恶化。关键字：供应链网络，人道主义救济，车辆路线问题，交叉对接，NSGA（III）
基于 YOLOv2 和卷积神经网络的 MRI 脑肿瘤分析改进框架
摘要 脑肿瘤是一组异常细胞。大脑被包裹在更坚硬的头骨中。异常细胞生长并引发肿瘤。由于肿瘤形状不规则，肿瘤检测是一项复杂的任务。所提出的技术包含四个阶段，即病变增强、特征提取和选择以进行分类、定位和分割。磁共振成像 (MRI) 图像由于某些因素（例如图像采集和磁场线圈的波动）而带有噪声。因此，使用同态小波滤波器进行降噪。然后，使用非支配排序遗传算法 (NSGA) 从 inceptionv3 预训练模型中提取特征并选择信息特征。优化的特征被转发进行分类，之后肿瘤切片被传递到为肿瘤区域定位而设计的 YOLOv2-inceptionv3 模型，以便从 inceptionv3 模型的深度连接 (mixed-4) 层提取特征并提供给 YOLOv2。将定位图像传递给 McCulloch 的 Kapur 熵方法以分割实际肿瘤区域。最后，在三个基准数据库 BRATS 2018、BRATS 2019 和 BRATS 2020 上验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位、分割和分类中取得了 0.90 以上的预测分数。此外，与现有方法相比，分类和分割结果更优。
改进了基于yolov2和卷积神经网络MRI的脑肿瘤分析的改进框架
抽象脑肿瘤是一组异常细胞。大脑被封闭在更刚性的头骨中。异常细胞生长并开始肿瘤。检测肿瘤是由于不规则的肿瘤形状而成为复杂的任务。所提出的技术包含四个阶段，这些阶段是病变增强，特征提取和用于分类，定位和分割的选择。磁共振成像（MRI）图像由于某些因素（例如摄取图像和磁场线圈波动）而嘈杂。因此，使用同态小波档案进行降噪。后来，使用非主导的排序遗传算法（NSGA）选择了InceptionV3预训练模型中提取的特征和信息特征。将优化的特征转发用于分类，然后将肿瘤切片传递给Yolov2-InceptionV3模型，设计用于肿瘤区域的定位，从而从深度偶联（混合-4）层的IntectionV3模型中提取特征并提供给Yolov2。将局部图像传递给麦卡洛克的卡普尔熵方法，以分割实际的肿瘤区域。最后，在三个基准数据库2018，Brats 2019和Brats 2020中验证了所提出的技术以进行肿瘤检测。所提出的方法在脑病变的定位，分割和分类中获得的预测得分大于0.90。此外，与现有方法相比，分类和分割结果优越。
基于多目标优化的癫痫发作分类脑电图通道选择方法
我们提出了一种基于非支配排序遗传算法 (NSGA) 的癫痫发作分类脑电图 (EEG) 通道选择的多目标优化方法。我们在来自 CHB-MIT 公共数据集的 24 名患者的 EEG 数据上测试了该方法。该过程首先使用经验模态分解 (EMD) 或离散小波变换 (DWT) 将来自每个通道的 EEG 数据分解为不同的频带，然后为每个子带提取四个特征；两个能量值和两个分形维数值。然后通过 NSGA-II 或 NSGA-III 迭代测试获得的特征向量以解决两个无约束目标；最大限度地提高分类准确率并减少癫痫发作分类所需的 EEG 通道数量。我们的结果表明，仅使用一个 EEG 通道就能实现高达 1.00 的准确率。有趣的是，当使用所有可用的 EEG 通道时，与使用 NSGA-II 或 NSGA-III 选择 EEG 通道的情况相比，获得的准确度较低；即，在患者 19 中，我们使用所有通道获得的准确度为 0.95，而使用 NSGA-III 仅选择的两个通道获得的准确度为 0.975。获得的结果令人鼓舞，并且已经表明可以使用少量电极对癫痫发作进行分类，这为未来开发便携式 EEG 发作检测设备提供了证据。
CCCPublications 使用扩张镜识别脑肿瘤...
脑肿瘤的识别很耗时，因此开发一个使用成像技术的自动化系统非常重要。使用磁共振图像 (MRI) 将脑肿瘤分类为良性或恶性。从基于 MRI 的脑肿瘤图像中，提取特征对于模式识别至关重要，模式识别可根据颜色、名称、形状等确定对象。因此，分类器依赖于形状、颜色等特征的强度，然而，分类器依赖于使用深度学习分类器提取的特征，而深度学习分类器依赖于提取的特征。医学领域的深度学习算法引起了计算机视觉研究人员的兴趣，它在执行过程中耗费时间。提出的扩张 U-Net 模型扩展了用于提取多尺度上下文信息的感受野。基于高分辨率条件，使用大规模特征图生成大规模特征图和高分辨率条件。它提供了丰富的空间信息，可用于执行语义分割。使用 U-Net 实现语义图像分割，因为它添加了一条扩展路径来生成属于源图像中发现的特征的像素分类。现有的基于核的 SVM 模型获得了 99.15% 的准确率，非支配排序遗传算法卷积神经网络 (NSGA-CNN) 获得了 99% 的准确率，具有自适应模糊聚类的深度 Elman 神经网络获得了 98% 的准确率，3D 上下文深度监督 U-Net 获得了 92% 的准确率。然而，与现有模型相比，所提出的基于扩张 U-Net 的 CNN 模型获得了 99.5% 的准确率。关键词：脑肿瘤、深度学习分类器、扩张 U-Net CNN 模型、磁共振图像。