XiaoMi-AI文件搜索系统
World File Search SystemOptimized
基于优化模糊的 Ant-Hocnet 路由协议...
无人机或无人驾驶飞机通常被称为无人驾驶飞行器 (UAV)，由这些无人机组成的自组织网络通常被称为飞行自组织网络 (FANET)。无人机和飞行自组织网络最初与军事监视和情报收集有关；此外，它们现在被广泛用于民用领域，包括搜索和救援、交通监控、消防、摄像和智能农业。然而，由于其独特的架构，它们带来了相当大的设计和部署挑战，主要与路由协议有关，因为传统的路由协议不能直接用于飞行自组织网络。例如，由于高移动性和稀疏拓扑，频繁的链路中断和路由维护会导致高开销和延迟。在本文中，我们采用基于优化模糊逻辑的生物启发式蚁群优化 (ACO) 算法“Ant-Hocnet”来改进飞行自组织网络的路由。模糊逻辑用于分析无线链路状态信息（例如可用带宽、节点移动性和链路质量），并在没有数学模型的情况下计算最佳无线链路。为了评估和比较我们的设计，我们在 MATLAB 模拟器中实现了它。结果表明，我们的方法在吞吐量和端到端延迟方面有所改进，从而提高了 FANET 的可靠性和效率。
基于蚂蚁优化 PID 控制器的效率...
摘要 —本文采用带单位反馈的闭环系统中的 PID 控制器来控制机器人机械手。控制器的使用难点在于参数调整，因为调整参数仍然使用试错法来找到 PID 参数常数，即比例增益 (K p )、积分增益 (K i ) 和微分增益 (K d )。在这种情况下，蚁群优化算法 (ACO) 用于寻找 PID 的最佳增益参数。蚂蚁算法是一种组合优化方法，它利用蚂蚁从巢穴到食物所在位置寻找最短路径的模式，该概念应用于通过最小化目标函数来调整 PID 参数，从而使机器人机械手具有改进的性能特征。本研究采用 Matlab Simulink 环境，首先建立系统模型，然后利用蚁群算法确定适当的系数 𝐾 p 、 𝐾 i 和 K d ，以使机器人机械手两个关节的轨迹误差最小化。然后，将这些参数应用于机器人系统。根据计算机仿真结果，与经典 PID 相比，所提出的方法 (ACO-PID) 给出了一个具有良好性能的系统。
深度优化的替换盒量子实现
近年来，量子计算被认为是对我们日常通信中使用的安全 / 隐私算法的完整性的严重威胁。特别是，它促使人们加速研究捍卫后量子世界的密码学。为了了解我们当前使用的哪些加密协议容易受到此类攻击，我们旨在自己使用或模拟量子计算机来诊断加密弱点。最近的研究成果如 [6]、[18]、[19] 反映了这一点。为了优化针对给定协议的 Grover 搜索算法密钥恢复攻击，我们需要一个负担最小的协议量子电路实现。一个与计算负担成比例的指标是电路的深度。在量子计算机模拟中，深度优化的量子电路减少了计算模拟攻击结果所需的时间。在量子计算机的物理实现中，深度优化的电路减少了组件之间的接近度，从而减少了电路中的噪声量。
核优化系统的材料创新研讨会
核电的复杂系统可能暴露在严酷的使用条件下（辐射、温度、机械负荷、腐蚀环境）。因此，依赖高性能和耐用的材料和结构至关重要。为了延长反应堆的使用寿命并提高核电站的可用性，必须进行研究以确保可以安全地进行。优化当前和未来的包壳和燃料以及设计用于第四代反应堆的新材料需要创新突破，以提高有关标称条件和潜在事故场景的预测模型的可靠性。 MINOS（核优化系统材料创新）核材料卓越中心由 CEA 的核能部门 (DEN) 于 2011 年启动。MINOS 由 600 名科学家组成，他们参与核材料在化学、物理、力学和辐照下行为等领域的基础和应用研究。它涵盖了致力于核应用（核反应堆、废物管理）的材料科学领域的广泛研发活动，并涉及 CEA 的其他主要部门。作为国际参考，MINOS 有助于巩固 CEA 的科学和技术潜力。MINOS 维持与材料（精细加工、特性、设计和建模/模拟）和结构相关的战略研究伙伴关系和创新研究计划
航空用钛合金优化材料选择...
全球航空工业市场呈现强劲增长趋势。最近，空中客车公司预测，到 2035 年，新飞机的需求将不断增长，投资额将超过 5 万亿美元 1 。在这种不断扩大的形势下，多个航空项目都提出了降低飞机运行过程中的燃油消耗、二氧化碳和氮氧化物排放量的要求 2 ，因此减轻重量是飞机制造商面临的关键问题。钛合金用于制造多种飞机部件，如起落架、发动机部件、弹簧、襟翼导轨、气动系统管道和机身部件 3-5 。这种广泛的适用性源于一系列令人印象深刻的优良特性，如高强度重量比、高抗氧化性、断裂韧性、耐腐蚀性、疲劳强度和抗蠕变性 6-8 。钛合金可分为三种不同的合金类别，分别称为 α、α+β 和 β 合金。抗蠕变性、可焊性、弹性模量和韧性等特性受每种类别的微观结构特征的影响 9-11 。人们已经探索了钛合金的物理冶金学，以增强各种工程应用的特定性能。用于结构飞机部件的钛合金的一些主要性能是疲劳强度、冲击强度、杨氏模量和硬度 12 。这些性能可以根据合金成分和微观结构控制进行定制，从而实现
在Intel和Cortex-M4
摘要。SQISIGN是一种著名的量子后签名计划，因为它的组合签名和公钥尺寸很小。然而，SqiSign的su su su su su su s squisign squisign squisign squignition时间也不短。为了改善这一点，最近的研究探索了Sqisign的一维和二维变体，每个变体都有不同的特征。特别是Sqisign2d的效果签名和验证时间使其成为最近研究的重点。然而，缺乏含有光学的一维验证实现阻碍了这些不同变体之间的彻底比较。这项工作弥合了文献中的这一差距：我们提供了一维SQISIGN验证的最先进的实现，包括新的优化。我们报告了一个破纪录的一维SQISIGN验证时间为8.55 mcycles在猛禽湖上的处理器上，在同一处理器上与Sqisign2D紧密相匹配。对于未压缩的签名，签名大小会加倍，我们仅在5.6 mcycles中验证。利用了等级计算中可用的固有的并行性，我们提出的5核变体可以低至1.3 mcycles。此外，我们提出了支持32位和64位处理器的第一个实现。它包括Cortex-M4的优化汇编代码，并已与PQM4项目集成在一起。我们的结果激发了对一维SQISIGN的进一步研究，因为它具有基于ISEGEN的方案的独特特征。
深度强化学习，实现能量和时间优化......
物联网 (IoT) 的广泛采用和集成不可避免地导致物联网设备数量的激增。这反过来又导致了大量数据的产生，这些数据需要传输、处理和存储，以便有效地解释和利用。边缘计算已成为一种可行的解决方案，它补充了云，从而使集成的边缘云范式能够成功满足物联网应用的设计要求。绝大多数现有研究都提出了针对单个任务的调度框架，只有极少数研究考虑了更具挑战性的复杂工作负载调度问题，例如跨边缘云环境的工作流。工作流调度是分布式基础设施中的 NP 难题。当调度框架需要协调资源受限且高度分布的边缘云环境中的工作流执行时，情况会变得更加复杂。在这项工作中，我们利用深度强化学习来设计一个能够克服上述挑战的工作流调度框架。与所有现有工作不同，我们设计了一个新颖的分层动作空间，以促进边缘和云节点之间的明确区分。除此之外，还提出了一种基于混合参与者-评论家的调度框架，该框架增强了近端策略优化技术，以有效处理边缘云环境中的复杂工作流调度问题。使用能耗、执行时间、截止日期命中率和完成的作业百分比作为评估指标，将所提出的框架的性能与几种基线算法进行了比较。与时间和能量优化的基线相比，所提出的深度强化学习技术在能耗方面表现更好 56%，在执行时间方面表现更好 46%。这是在保持与能量优化基线相当的能源效率和与时间优化基线相当的执行时间的情况下实现的。因此，结果证明了所提出的技术在建立最小化能耗和执行时间的相互冲突的目标之间的最佳权衡方面的优越性。© 2022 由 Elsevier BV 出版
基站收发器优化电源系统规划...
摘要 — 用于手机服务的电信塔包含基站收发站 (BTS)。由于 BTS 系统需要不间断供电，并且由于其运行关键性，在公用电力不可靠且间歇性的地区对备用电源的需求有所增加。对于位于停电不必要的地区的 BTS，需要部署备用电源以保持 BTS 站点通电。为了满足这种日益增长的需求，我们开发了一个优化框架，以优化各种 BTS 电力系统配置的运营成本。在本文中，我们提出了三种这样的备用框架，用于在停电时为 BTS 供电；为站点提供不间断和连续的电力。具体来说，我们的优化框架由三种电力系统配置组成；带电池备份的公用电网（配置 1）、带电池备份和柴油发电机的公用电网（配置 2）以及带电池备份和太阳能的公用电网（配置 3）。然后通过结合各种系统约束，基于线性优化对这三种配置进行评估。在案例研究中应用这些配置后，结果表明配置 2 每天可在长达 8 小时的电网停电期间提供可靠电力，并且是其他配置中可靠性最高的。但配置 2 的缺点是成本高。由于太阳能光伏电力供应有限，配置 3 在经济上可行且具有成本效益，但可靠性较差的电力系统配置。在太阳能容量有限的情况下，配置 3 的实用性可能会因大规模停电而成为问题。对于我们的特定电源规格和容量（包括电池规格、负载需求、柴油发电机和太阳能光伏容量），研究结果表明，对于 8 小时的停电，配置 2 的能源成本高达每天 12.86 美元，而经济上更可行的配置 1 和配置 3 的成本分别高达 12.44 美元和 10.56 美元。
非马尔可夫反馈用于优化量子误差校正
玻色子代码允许在单个组件设备中对逻辑量子位进行编码，利用谐振子的无限大希尔伯特空间。特别是，最近已证明 Gottesman-Kitaev-Preskill 代码的可校正性远远超过同一系统中最佳被动编码的盈亏平衡点。目前针对该系统的量子误差校正 (QEC) 方法基于使用反馈的协议，但响应仅基于最新的测量结果。在我们的工作中，我们使用最近提出的反馈-GRAPE（带反馈的梯度上升脉冲工程）方法来训练循环神经网络，该网络提供基于记忆的 QEC 方案，以非马尔可夫方式响应之前测量结果的完整历史，优化所有后续的单一操作。这种方法明显优于当前策略，并为更强大的基于测量的 QEC 协议铺平了道路。
整合多模式治疗以优化癌症治疗
癌症仍然是全球发病和死亡的主要原因之一。在过去的几十年里，癌症的治疗有了很大的发展，靶向治疗、免疫治疗等新型治疗方式的引入，以及手术技术的进步。多模式治疗的概念涉及整合不同的治疗方法——如手术、化疗、放疗和较新的生物疗法——以最大限度地提高癌症治疗的疗效。本综述深入探讨了多模式治疗在优化癌症治疗中的作用[1]。