XiaoMi-AI文件搜索系统
World File Search SystemOptimizer
语言模型作为视觉的黑盒优化器...
在Web-scale数据集中预先训练的视觉语言模型（VLMS）在用最小数据调整时，在下游任务上表现出了显着的功能。但是，许多VLM依赖于专有数据，而不是开源数据，这限制了使用白色框的使用进行精细调整。因此，我们旨在开发一种黑匣子方法来通过自然语言提示来优化VLM，从而避免需要访问模型参数，功能嵌入甚至输出逻辑。我们采用基于聊天的LLMS来搜索VLM的最佳文本提示。特别是，我们采用了一种自动的“爬山”程序，该程序通过评估当前提示的性能并要求LLMS根据文本反馈来对其进行融合，从而将其融合到有效的提示中，所有这些程序都在没有人类的对话过程中进行了反馈。在具有挑战性的1-Shot图像分类设置中，我们的简单方法平均超过了白色框连续提示方法（COP）1。在包括Imagenet在内的11个数据集中有5％。我们的方法还优于人工工程和LLM生成的提示。我们高出了对话反馈的优势，该反馈既不是正面和负面提示，表明LLM可以在文本反馈中利用隐式“梯度”方向，以进行更有效的搜索。此外，我们发现通过我们的策略生成的文本提示不仅更容易解释，而且还以黑盒方式在不同的VLM架构上良好地转移。最后，我们在最先进的Black-Box VLM（DALL-E 3）上演示了我们的框架，以进行文本对图像优化。
我的能源优化器® 合作伙伴+参与者协议...
SMUD 的服务提供商和您正在参与第 1 节中指定的“我的能源优化器合作伙伴+计划”，我们也称之为“电网计划”。通过签订本协议，您同意配合这些努力以换取第 2 节（“计划激励措施”）中规定的利益。具体而言，您同意 SMUD 的服务提供商可以远程管理您房产上的设备，以修改特定时间的能源使用情况并实现第 4 节（“优化服务”）中规定的计划的其他目标。SMUD 的服务提供商将监控和管理设备的功能，以使其能够提供第 3 节（“电网服务”）中规定的电网服务。除了 SMUD 计划之外，其他电网计划可能不时可用。在这些其他电网计划之一开始之前，我们将向您提供计划详细信息并让您有机会选择加入该计划。如果您在收到详细信息后三十 (30) 天内没有以书面形式通知 SMUD 选择加入，您可能会失去参与和获得新电网计划利益的机会。
使用大猩猩部队优化器
主要目标是通过最大程度地减少运营成本，污染物排放和传输损失来优化发电输出的小时分配，并确保遵守一系列平等和不平等约束。为了应对这一挑战，提出了一种受大猩猩行为启发的新型元疗算法。Gorilla部队优化器（GTO）用于5和10分单元系统，将可变的风能和太阳能整日集成，负载需求各不相同。证明了GTO算法在处理混合动态的经济和环境调度问题方面的有效性，包括平等限制，传输损失，阀点效应，禁止的操作区域，坡道速率和功率限制，其性能与其他优化技术相比。调查结果表明，GTO提供了发电机的最佳计划，从而大大降低了每日运营成本和较高百分比的排放。此外，可再生能源的整合显着降低了污染物的气体排放，燃料成本和传输损失，同时满足所有施加的约束。这项研究积极地有助于提高电源系统的可靠性，同时减少环境污染，传输损失和燃料成本。
脱碳业务优化器（DBOTM）用户手册
4.1 建筑类型列表 ................................................................................................ 31 4.2 分析目标 ...................................................................................................... 32 4.3 能源供应资产 ................................................................................................ 33 4.4 存储资产 ...................................................................................................... 35 4.5 其他脱碳选项 ...................................................................................... 36 4.6 优化模型和结果 ...................................................................................... 37 5 数据来源 ............................................................................................. 42 6 致谢 ............................................................................................. 44 7 缩写列表 ............................................................................................. 45 8 免责声明 ............................................................................................. 47
生成探索 - 开发：使用LLM优化器对生成推荐系统进行无培训优化
推荐系统被广泛用于吸引参与内容，大型语言模型（LLMS）引起了生成推荐人。这样的系统可以直接构成项目，包括用于诸如问题建议之类的开放设定任务。虽然LLMS的世界知识启动了好的建议，但是通过用户反馈改善生成的内容却是一项挑战，因为持续细微的LLM持续昂贵。我们提出了一种无培训方法，可以通过将用户反馈循环与基于LLM的优化器连接起来来优化生成推荐人。我们提出了一种生成探索探索方法，该方法不仅可以利用具有已知高参与度的生成的项目，而且可以积极地探索并发现隐藏的人群偏爱以提高建议质量。我们在两个域（电子商务和一般知识）中评估了问题生成的方法，并使用单击“速率”（CTR）对用户反馈进行了模型。实验表明，我们基于LLM的探索探索方法可以依靠地提高建议，并同意增加CTR。消融分析表明，生成探索是学习用户偏好的关键，避免了贪婪的仅剥削方法的陷阱。人类评估强烈支持我们的定量发现。
一种用于随机的增强型水母搜索优化器......
多微电网 (MMG) 的能源管理 (EM) 解决方案是一项提供更多灵活性、可靠性和经济效益的关键任务。然而，由于可再生能源的随机性以及负载波动，MMG 的能源管理 (EM) 成为一项复杂而艰巨的任务，因为可再生能源的渗透率很高。在这方面，本文旨在通过最佳纳入光伏 (PV) 系统、风力涡轮机 (WT) 和生物质系统来解决 MMG 的 EM 问题。在这方面，本文提出了一种增强型水母搜索优化器 (EJSO) 来解决 85 总线 MMGS 系统的 MMG 的 EM，以最小化总成本，同时提高系统性能。所提出的算法基于威布尔飞行运动 (WFM) 和适应度距离平衡 (FDB) 机制来解决传统 JSO 技术的停滞问题。在标准和 CEC 2019 基准函数上测试了 EJSO 的性能，并将获得的结果与优化技术进行了比较。根据获得的结果，与其他优化方法（如沙猫群优化 (SCSO)、蒲公英优化器 (DO)、灰狼优化器 (GWO)、鲸鱼优化算法 (WOA) 和标准水母搜索优化器 (JSO)）相比，EJSO 是一种解决 EM 的强大方法。获得的结果表明，建议的 EJSO 的 EM 解决方案可以将成本降低 44.75%，同时系统电压曲线和稳定性分别提高 40.8% 和 10.56%。
Aquila Optimizer 基于混合深度学习的潜在特征与极限学习器对脑肿瘤进行分类和检测
摘要。脑癌是一种影响大脑的潜在致命疾病。为了挽救生命，早期肿瘤检测现在至关重要。医学成像是诊断脑肿瘤的一种方法。为了帮助发现脑肿瘤，研究人员正在转向深度学习。事实证明，使用深度学习算法可以减少个体早期诊断中的错误。对于脑肿瘤，即使是轻微的误诊也可能造成严重后果。在处理医学图像时，发现脑肿瘤仍然是一项艰巨的任务。在脑部扫描中很难发现肿瘤。图像的精度受到许多干扰和延迟的影响。我们在论文中使用深度学习方法来描述脑部疾病。利用深度学习方法检测脑部疾病与新信息的研究有关。提出的基于 TL 的 DenseNet121 模型分别实现了 98.38、97.33、99.1、98.23、98.62 和 96.62 的准确度、灵敏度、特异性、F1Score、精确度和 IoU。在脑肿瘤数据集上获得的结果表明，所提出的方法在 F1 分数、精确度、灵敏度、准确度、特异性和 IoU 方面优于其他方法。
用于孤岛可再生能源微电网随机发电优化的增强型多目标优化器
摘要：微电网是由可再生能源组成的自主电力系统，可有效实现网络中的功率平衡。由于可再生能源发电机组的间歇性和变化的功率，配电网变得复杂。微电网的重要目标之一是根据态势感知进行能源管理并解决优化问题。本文提出了一种增强型多目标多元优化算法 (MOMVO)，用于基于可再生能源的孤岛微电网框架中的随机发电功率优化。所提出的算法用于在各种可用发电来源之间进行最佳功率调度，以最大限度地降低微电网的发电成本和功率损耗。在 6 单元和 10 单元测试系统上评估了 MOMVO 的性能。仿真结果表明，所提出的算法优于其他用于多目标优化的元启发式算法。
loger：一种学习的优化器，用于生成高效且强大的查询执行计划
基于深度强化学习（DRL）的查询优化最近已成为热门研究主题。尽管取得了令人鼓舞的进展，但DRL优化者仍然面临着强有力地制定有效计划的巨大挑战，这是因为连接订单和操作员选择的巨大搜索空间以及将其作为反馈信号的高度变化的执行延迟。在本文中，我们提出了Loger，这是一个赢得的效果，以使能力和r ubust计划有效，旨在生产有效的加入订单和运营商。Loger首先利用图形变压器来捕获表和谓词之间的关系。然后，搜索空间进行了重组，Loger学会了限制特定的操作员，而不是直接选择每个连接的操作员，同时利用DBMS内置的优化器在修复下选择物理操作员。这种策略利用专家知识来提高计划生成的鲁棒性，同时提供足够的计划搜索灵活性。此外，Loger介绍了𝜖 -beam搜索，该搜索可在进行指导探索时保留多个搜索路径，以保留有希望的计划。最后，Loger引入了损失功能，并通过奖励加权引入损失功能，从而通过减少差的操作员造成的波动，并记录转换以压缩奖励范围，从而进一步提高性能。我们对加入订单基准（JOB），TPC-DS和堆栈溢出进行实验，并证明Loger可以比现有学习的查询优化器更好地实现性能，而与PostgreSQL相比，工作速度为2.07倍。
水母搜索优化器的应用
摘要：气候环境的变化以及间歇性对可再生能源（RESS）的总体能源系统产生显着影响，需要制定控制策略以提取Ress可用的最大功率。为了完成这项任务，已经开发了几种技术。应使用有效的最大功率跟踪（MPPT）技术来确保风发和PV生成系统都提供其全部优势。在本文中，开发了一种新的MPPT方法（JSO）；此外，利用统一的功率质量调节剂（UPQC）来增强微电网（MG）的性能并解决敏感负载的功率质量问题。MG检查了光伏（PV），风力涡轮机和燃料电池电池，并以均匀和非均匀的风速和太阳辐照度进行了检查。提出了开发算法与不同最大功率跟踪算法之间的比较。此外，进行了四个案例研究，以验证引入的UPQC在增强功率质量问题方面的有效性。使用其他算法评估时，研究结果表明，发达算法的高性能。MATLAB/SIMULINK软件用于仿真风，PV和FC控制系统。然而，在与PV辐照的相同条件下进行了实验有效测试，以验证模拟结果。实验验证是通过使用PV模块模型，带有太阳高度模拟器CO3208-1B板的三倍，23 v/2a CO3208-1A执行的，并将结果与仿真结果进行比较。