XiaoMi-AI文件搜索系统
World File Search SystemOptima
优化储能系统运行和...
为改进储能系统充放电策略，提高储能系统经济性，本文提出一种基于增强鲸鱼算法的新方法。考虑到标准鲸鱼算法在高维多目标优化中容易陷入局部最优，本研究引入混沌映射和个体信息交换机制来解决这一问题。该算法通过包围和气泡搜索探索不同储能设备位置和容量的最优配置，评估各种优化多目标函数。此外，该算法改进了系统运行模型和储能配置模型，以分析储能系统年平均收益为目标函数。模型测试结果表明，该算法使储能系统容量衰减更缓和，运行时间延长至3124天，储能系统全生命周期收益高达1821623.68元。此外，无论问题的复杂程度如何，我们的算法都表现出很高的效率，具有最短的测试时间（68.36 秒）和快速优化（每个周期 0.031 秒）。
使用元学习优化量子启发式方法
摘要 变分量子算法是一类量子启发式算法，是展示有用量子计算的有希望的候选算法。找到在硬件上放大这些方法性能的最佳方法是一项重要任务。在这里，我们使用一类称为“元学习器”的现有技术来评估量子启发式算法的优化。我们在三个模拟环境中的三个问题上，针对两种量子启发式算法（量子交替算子 ansatz 和变分量子特征求解器），比较了元学习器与进化策略、L-BFGS-B 和 Nelder-Mead 方法的性能。我们表明，在嘈杂的参数设置环境中，元学习器比我们测试的所有其他优化器更频繁地接近全局最优值。我们还发现，元学习器通常更能抵抗噪音，例如，在嘈杂和采样环境中，性能下降幅度较小，并且“增益”指标的平均表现优于其最接近的竞争对手 L-BFGS-B。最后，我们提供了证据表明，在小问题上训练的元学习器将推广到更大的问题。这些结果是一个重要的迹象，表明元学习和相关的机器学习方法将成为近期嘈杂量子计算机有用应用不可或缺的一部分。
量子启发遗传算法解决组合优化问题
工程、金融和基因组学等众多行业都遇到了组合优化问题。这些问题需要通过从有限的集合中选择最佳组合或排列来优化给定的目标函数，但要受到特定限制（Smith，2010 年）。然而，由于这些问题本身就很复杂，因此有时很难通过计算解决，而且需要很长时间。研究人员已经使用了各种优化策略来解决这些问题，其中遗传算法 (GA) 脱颖而出（Goldberg，1989 年）。在问题的解空间中寻找解决方案是通过遗传算法完成的，遗传算法的灵感来自自然选择和进化的思想。它们使用选择、交叉和突变等遗传运算符在几代中开发出一个潜在解决方案群体（Holland，1975 年）。尽管 GA 能够有效地处理各种优化问题，但 Mitchell（1998 年）发现，在处理具有高维解空间的困难组合优化问题时，它们的性能可能会下降。此外，搜索过程可能会陷入局部最优，这使得找到整体最优解决方案变得更加困难（Vose，1999）。
使用遗传算法优化特征选择
分析大型数据集以选择最佳特征是机器学习和数据挖掘中最重要的研究领域之一。此特征选择过程涉及降维，这对于提高模型的性能并降低其复杂性至关重要。最近，已经提出了几种类型的属性选择方法，这些方法使用不同的方法来获取属性的代表性子集。然而，已经提出了基于种群的进化算法，例如遗传算法 (GA)，通过避免局部最优并改进选择过程本身来弥补这些缺点。本文对基于 GA 的特征选择技术的应用及其在不同领域的有效性进行了全面的回顾。本综述使用 PRISMA 方法进行；因此，对相关文献进行了系统的识别、筛选和分析。因此，我们的结果暗示该领域的混合 GA 方法（包括但不限于 GA-Wrapper 特征选择器和 HGA-神经网络）通过解决诸如探索不必要的搜索空间、准确性性能问题和复杂性等问题，已经大大提高了它们的潜力。本文的结论将讨论遗传算法在特征选择中的潜力以及提高其适用性和性能的未来研究方向。
贝叶斯优化针对个性化剂量调查试验...
在早期剂量发现试验中，最佳剂量组合的鉴定，由于精确估算了估算许多参数之间的权衡，以相当估算可观的非单调剂量反应表面所需的许多参数，以及在早期试验中的小样本量。 在个性化剂量发现的背景下，这种困难更为相关，在这种情况下，耐心特征用于识别量身定制的最佳剂量组合。 为了克服这些挑战，我们提出使用贝叶斯优化来确定标准（“全部尺寸拟合”）和个性化的多代理剂量验证试验的最佳剂量组合。 贝叶斯优化是一种估计昂贵评估目标函数的全球最佳功能的方法。 客观函数通过替代模型（通常是高斯过程）与连续设计策略配对，可以通过采集函数选择下一点。 这项工作是由行业赞助的问题激发的，在该问题中的重点是在最小的毒性中优化双重药物疗法。 为了比较在此设置下的标准和个性化方法的性能，对各种情况进行了模拟研究。 我们的研究得出结论，在存在异质性的情况下，采用个性化方法是非常有益的。鉴定，由于精确估算了估算许多参数之间的权衡，以相当估算可观的非单调剂量反应表面所需的许多参数，以及在早期试验中的小样本量。在个性化剂量发现的背景下，这种困难更为相关，在这种情况下，耐心特征用于识别量身定制的最佳剂量组合。为了克服这些挑战，我们提出使用贝叶斯优化来确定标准（“全部尺寸拟合”）和个性化的多代理剂量验证试验的最佳剂量组合。贝叶斯优化是一种估计昂贵评估目标函数的全球最佳功能的方法。客观函数通过替代模型（通常是高斯过程）与连续设计策略配对，可以通过采集函数选择下一点。这项工作是由行业赞助的问题激发的，在该问题中的重点是在最小的毒性中优化双重药物疗法。为了比较在此设置下的标准和个性化方法的性能，对各种情况进行了模拟研究。我们的研究得出结论，在存在异质性的情况下，采用个性化方法是非常有益的。
层次结构融合为反应性机器人控制的推断
摘要 - 混乱，密集和染色环境中的运动产生是机器人技术中的一个核心话题，被视为多目标决策问题。当前的安全性和性能之间的权衡。一方面，反应性策略保证了对环境变化的快速响应，其风险次优行为。另一方面，基于计划的运动产生提供可行的轨迹，但是高计算成本可能会限制控制频率，从而限制安全性。为了结合反应性策略和计划的好处，我们提出了一种分层运动方法。此外，我们采用概率推理方法来形式化层次模型和随机优化。我们将这种方法视为随机，反应性专家政策的加权产品，在该策略中，计划用于适应任务范围内的最佳权重。这种随机优化避免了局部优点，并提出了可反应性计划，以发现混乱且致密的环境中的路径。我们在平面导航和7DOF操作中进行的广泛实验研究表明，我们提出的层次运动生成方法的表现优于近视反应性控制器和在线重新规划方法。其他材料可在https://sites.google.com/view/hipbi上找到。
![arxiv：2503.07948v1 [cond-mat.supr-con] 2025年3月11日](/simg/g:\will\search\icon\source\b\b7fe77e862d2a74130d1e2e51748d475ab242687.webp)
arxiv：2503.07948v1 [cond-mat.supr-con] 2025年3月11日
顺式调节元件（CRE），例如启动子和增强子，是直接调节基因表达的相对较短的DNA序列。CRE的适应性，通过其调节基因表达的能力来衡量，高度取决于Nu-Cleotide序列，尤其是特定的基序被称为转录因子结合位点（TFBSS）。设计高素质CRE对于治疗和生物工程应用至关重要。当前的CRE设计方法受两个主要缺点的限制：（1）他们通常依靠迭代优化策略来修改现有序列并易于局部Optima，并且（2）他们缺乏序列优化的生物学先验知识的指导。在此过程中，我们通过提出一种生成方法来解决这些局限性，该方法杠杆化的增强学习（RL）以微调预先训练的自动回旋（AR）模型。我们的方法通过得出基于综合推理的奖励来模拟激活剂TFBS并去除阻遏物TFBS，从而结合了数据驱动的生物学先验，然后将其集成到RL过程中。我们在两个酵母媒体条件下的启动子设计任务和三种人类细胞类型的增强剂设计任务中评估了我们的方法，这表明了其产生高素质CRE的能力，同时保持序列多样性。该代码可在https://github.com/yangzhao1230/taco上找到。
使用加固学习的调节DNA序列设计
顺式调节元件（CRE），例如启动子和增强子，是直接调节基因表达的相对较短的DNA序列。CRE的适应性，通过其调节基因表达的能力来衡量，高度取决于Nu-Cleotide序列，尤其是特定的基序被称为转录因子结合位点（TFBSS）。设计高素质CRE对于治疗和生物工程应用至关重要。当前的CRE设计方法受两个主要缺点的限制：（1）他们通常依靠迭代优化策略来修改现有序列并易于局部Optima，并且（2）他们缺乏序列优化的生物学先验知识的指导。在此过程中，我们通过提出一种生成方法来解决这些局限性，该方法杠杆化的增强学习（RL）以微调预先训练的自动回旋（AR）模型。我们的方法通过得出基于综合推理的奖励来模拟激活剂TFBS并去除阻遏物TFBS，从而结合了数据驱动的生物学先验，然后将其集成到RL过程中。我们在两个酵母媒体条件下的启动子设计任务和三种人类细胞类型的增强剂设计任务中评估了我们的方法，这表明了其产生高素质CRE的能力，同时保持序列多样性。该代码可在https://github.com/yangzhao1230/taco上找到。
软计算与人工智能杂志
在本文中，我们介绍了两种受自然过程启发的混合元启发式算法：蜂群优化 (BCO) 和鲸鱼优化算法 (WOA)。BCO 算法由 Karaboga 于 2005 年首次提出，借鉴了蜜蜂的觅食行为。它以简单和有效解决各种优化问题而闻名。我们将概述 BCO 算法，包括其在群体智能背景下的原理和修改。这种技术研究由众多相互作用的元素组成的分散系统，其探索能力尤为突出。Mirjalili 和 Lewis 于 2016 年提出的鲸鱼优化算法模仿了座头鲸的气泡网狩猎行为。该算法采用群体智能来避免局部最优，并通过模拟渔网方法平衡探索和开发。它的设计有助于实现最优解并有效避免局部陷阱。我们将 BCO 和 WOA 混合成一种新算法，称为 ABCWOA。该混合算法在 16 个优化任务中进行了测试，频率分别为 (100、200、500、1000)。结果表明，ABCWOA 有效地达到了最优解，通常通过在大多数任务中实现较低的最小值 (𝑓_𝑚𝑖𝑛) 来优于传统搜索算法。
基于超扭转分数阶滑模控制的最优模型预测调节直流微电网直流侧电压
摘要：本文旨在从本质上调节电力系统扰动条件下直流微电网的直流母线电压。因此，提出了一种新型最优模型预测超扭转分数阶滑模控制 (OMP-STFOSMC)，用于三相交流-直流转换器，可有效提高微电网的稳定性和动态性能。传统的模型预测控制器严重影响动态稳定性，导致过冲、下冲和稳定时间过长。可以用滑模控制器代替这些传统控制器，以适当解决此问题。传统滑模控制器的主要缺点是控制信号中的高频抖动，这会影响系统，并且使其在实际应用中不令人满意且不可行。所提出的 OMP-STFOSMC 可以有效提高控制跟踪性能并减少高频抖动问题。随机分形搜索 (SFS) 算法因其高探索性和良好的局部最优规避能力而被用于最佳地调整控制器参数。考虑不同的运行条件来评估所提出的控制器的动态和无抖动性能。通过比较分析的仿真结果，可以观察到所提出的OMP-STFOSMC具有更好的动态稳定性特性。关键词：直流微电网，跟踪性能，抖动问题，OMP-STFOSMC，SFS算法