XiaoMi-AI文件搜索系统
World File Search SystemOptimizer
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。
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
辅助电池优化器ABS + LVD = ABO ...- inpower
传统上，辅助电池通过两端辅助电池开关连接到车辆的底盘电池，从而使车辆充电辅助电池，同时防止辅助设备排放机箱电池。由于辅助负载直接连接到辅助电池，因此辅助电池可能会因负载过度排放，从而降低了电池寿命。
用灰狼优化器进行0-1 knapsack问题的量子启发的差分进化
摘要：背包问题是研究最广泛的NP完整组合优化问题之一，并且具有许多实际应用。本文提出了一种具有灰色狼优化器（QDGWO）的量子启发的差分进化算法，以提高Di-Versity和Connergence性能，并提高0-1个knapsack问题的高维情况下的性能。所提出的算法采用量子计算原理，例如量子叠加状态和量子门。它还使用差异进化的自适应突变操作，差异进化的交叉操作和量子观察来产生新的解决方案作为试验个体。选择操作用于确定存储个体与突变和交叉操作创建的试验个体之间的更好解决方案。如果试验个体比目前的个体还差，则使用自适应灰狼优化器和量子旋转门来保留人口的多样性，并加快寻找全球最佳解决方案的搜索。0-1背包问题的实验结果证实了QDGWO的优势，具有背包问题的有效性和全球搜索能力，尤其是在高维情况下。
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。
使用新型 Bonobo 优化器对离网混合可再生能源系统进行技术和经济评估
摘要：本研究采用一种新颖的 bonobo 优化器 (BO) 技术来寻找离网混合可再生能源系统 (HRES) 的最佳设计，该系统包含柴油发电机、光伏 (PV)、风力涡轮机 (WT) 和电池作为存储系统。拟议的 HRES 旨在为沙特阿拉伯北部偏远地区提供电力，其基础是年度系统成本 (ASC) 最小化和电力系统可靠性增强。为了区分和评估性能，将 BO 与四种最近的元启发式算法进行了比较，这四种算法称为大爆炸大收缩 (BBBC)、乌鸦搜索 (CS)、遗传算法 (GA) 和蝴蝶优化算法 (BOA)，以根据捕获的最优和最差解决方案、平均值、收敛速度和标准差为拟议的离网 HRES 找到最佳设计。所得结果显示，与其他四种元启发式算法相比，BO 算法更为有效，它以最低的 ASC（149,977.2 美元）、快速的收敛时间和更少的振荡实现了所提出的离网 HRES 的最优解，其次是 BOA（150,236.4 美元）。BBBC 和 GA 算法都无法捕捉到全局解，并且收敛时间较长。此外，它们具有较高的标准差，这表明它们的解决方案更加分散，振荡明显。这些模拟结果证明了与其他四种元启发式算法相比，BO 算法的优势。
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。
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。
使用新概率粒子群优化器和顺序差分进化的脑电信号癫痫病识别模型
摘要 癫痫是个体的一种慢性发作状态。脑细胞群反映出异常的电活动。脑电图 (EEG) 是一种监测大脑活动和诊断神经系统疾病的常用工具。在处理具有超高维度的复杂变换特征并从 EEG 中提取最佳特征时，对癫痫和非癫痫数据进行分类是一项具有挑战性的任务。本文提出了一种新的混合方法来选择最佳特征，该方法涉及粒子群优化 (PSO) 算法、新开发的概率粒子群优化 (PPSO) 算法和顺序差分进化 (SDE) 算法。癫痫患者的 EEG 数据已用于评估该方法。使用离散波长变换提取特征。PSO、PPSO 和 SDE 从 EEG 的特征空间中选择最佳特征。进一步使用不同的分类器评估这些最佳特征的性能。比较了 PSO、PPSO 和 SDE 的性能。本文对生物启发算法对脑电信号特征优化的重要性进行了广泛的研究。在所有分类器中，支持向量机 (SVM) 表现优异，在第 100 个周期时，PPSO 的准确率为 97.74%，SDE 的准确率为 98.34%。这表明最佳特征选择提高了分类器的性能。