XiaoMi-AI文件搜索系统
World File Search SystemOptimizer
研究论文使用随机探索性搜索中心 Harris Hawks 优化器对混合能源系统进行优化定型，并提高利用率
由于传统能源资源的枯竭、温室气体排放、气候变化等，基于可再生能源 (RER) 的发电正成为当前和未来电力行业的主要来源。主要的 RER，包括太阳能、风能和小型水电，可在智能电网环境中提供可靠且可持续的解决方案。基于太阳能和风能的发电更为普遍，但性质各异，甚至无法非常有效地预测。因此，有必要整合两个或更多 RER 并开发混合能源系统 (HES)。HES 提供经济高效且可靠的电源，同时减少和/或几乎可以忽略不计的温室气体排放。出于经济和电力可靠性方面的考虑，组件的最佳尺寸对于开发最佳 HES 是必不可少的。近年来，元启发式进化算法已被广泛用于 HES 的最佳尺寸。哈里斯霍克优化器 (HHO) 是一种最近设计的元启发式搜索方法，能够发现全局最小值和最大值。然而，由于其开发能力较弱，基本 HHO 算法的局部搜索相当慢，收敛速度也较慢。因此，为了加速 HHO 的开发阶段，本研究开发了一种新方法，即以随机探索性搜索为中心的哈里斯霍克优化器 (hHHO-ES)，用于优化 HES 的大小。针对各种众所周知的基准函数（包括单峰、多峰和固定维度），验证了建议的方法并将其与现有的优化方法进行了比较。随后，该方法被用于开发 HES，它将能够为电网供应稀缺的偏远地区提供电力。在一系列约束（例如系统组件的界限和可靠性）下，使用净现值 (NPC) 作为主要函数来制定目标函数。将获得的结果与和声搜索（HS）和粒子群优化（PSO）的结果进行了比较，发现其效果更佳。
使用基于AI的优化软件个性化您的PC
安全的Dell优化器的优化技术旨在在您的系统上收集和分析数据，未经您的同意就永远不会离开盒子。旨在不断提高您的PC体验，Dell Optimizer继续创新并注入算法以提升硬件体验。
学习为增强学习优化
近年来，通过利用更多的数据，计算和不同的任务，学习的优化者在监督学习方面取得了巨大的成功，表现优于经典的手工设计优化者。强化学习（RL）与监督学习本质上是不同的，在实践中，即使在简单的RL任务中，这些学习的优化者也无法很好地工作。我们研究了这一现象，并确定了两个问题。首先，代理梯度分布是非独立的且分布相同的，导致效率低下的元训练。此外，由于高度随机的剂 - 环境相互作用，代理梯度具有较高的偏差和方差，这增加了对RL学习优化器的困难。我们提出了管道训练和具有良好诱导性偏见的新型优化器结构，以解决这些问题，从而可以从头开始学习优化器以增强增强器学习。我们表明，尽管仅接受了玩具任务的培训，但我们学到的优化器可以推广到在Brax中看不见的复杂任务。1
多阈值优化的元启发式方法
由于脑部结构复杂，且容易受到中风、肿瘤等各种病症的影响，因此脑分割对于神经系统疾病的准确诊断和治疗至关重要。挑战在于如何在医学图像中精确描绘出解剖和病理结构，尤其是在图像质量和组织不规则性各不相同的情况下。为了解决这个问题，我们应用了八种元启发式优化算法——爬行动物搜索算法、虎鲸捕食者算法、白头鹰搜索、灰狼优化器、蜜獾算法、乌鸦搜索算法、哈里斯鹰优化和金枪鱼群优化——来提高 Kapur 熵、Tsallis 熵和 Otsu 方法等多阈值分割方法的准确性。结果显示，灰狼优化器和金枪鱼群优化脱颖而出，其中灰狼优化器在峰值信噪比和结构相似性指数等关键指标上表现出色。这些结果凸显了灰狼优化器在高级脑组织分割方面的潜力，在精确度对于有效的医疗干预至关重要的临床和研究环境中提供了显著优势。
多阈值优化的元启发式方法
由于脑部结构复杂，且容易受到中风、肿瘤等各种病症的影响，脑分割对于神经系统疾病的准确诊断和治疗至关重要。挑战在于如何在医学图像中精确描绘出解剖和病理结构，尤其是在图像质量和组织不规则性各不相同的情况下。为了解决这个问题，我们应用了八种元启发式优化算法——爬行动物搜索算法、虎鲸捕食者算法、白头鹰搜索、灰狼优化器、蜜獾算法、乌鸦搜索算法、哈里斯鹰优化和金枪鱼群优化——来提高 Kapur 熵、Tsallis 熵和 Otsu 方法等多阈值分割方法的准确性。结果显示，灰狼优化器和金枪鱼群优化脱颖而出，其中灰狼优化器在峰值信噪比和结构相似性指数等关键指标上表现出色。这些结果凸显了灰狼优化器在高级脑组织分割方面的潜力，在精确度对于有效的医疗干预至关重要的临床和研究环境中提供了显著优势。
使用改良的Googlenet预测心脏病...
摘要：根据世界卫生组织（WHO）的数据，诊断心脏病是一项伟大的任务，因为心脏病（HD）是全球最普遍的疾病。我们提出了一种基于心脏声音的方法来处理这一困难问题，因为心脏声音（HS）是检测心脏状况的重要组成部分。在建议的策略中使用了特征提取技术和分类器。我们使用GoogleNet卷积神经网络（CNN）结构进行一些修改，以将HS的最关键属性分开，并且根据这些属性，心脏病被分类为患病或未患病的患病。使用Adabelief Optimizer训练该模型，以调整我们修改的GoogLenet架构的参数。使用Physionet 2016的各种数据集对模型进行了培训和验证。通过将Pascal数据集与Physionet 2016数据集集成在一起，提供了其他培训样本。此外，来自各种来源的各种样本使我们的系统能够更准确地了解日常生活中的声音。我们的结果表明，使用Adabelief Optimizer进行修改的Googlenet架构，训练有素的模型分别在Physionet和合并数据集的看不见的HS录音中获得了100％和99.9％的测试精度。通过将我们提出的模型与这些数据集中的官员Physionet网站上列出的得分最高的方法进行比较，结果显示出显着改进。
人工智能的工程应用 - Ajith Abraham
多级阈值处理是计算机视觉中的一个重要操作，计算机视觉是人工智能 (AI) 的一个子领域，用于理解和解释现实世界中的数据。现有的基于图像直方图的多级阈值熵方法主要处理除碎片边界之外的熵信息的最大化，这降低了准确性。这些问题导致阈值精度差且速度慢。为了解决这个问题，我们提出了一种基于相互依赖性的新技术，该技术使用碎片边界，这是一个最小化问题。研究了一个第一手目标函数，它处理碎片边界。传统的多级阈值技术由于穷举搜索过程而计算成本高昂，另一种方法是使用基于自然启发算法的进化计算。本文还提出了一种用于多级阈值的新优化器，称为自适应平衡优化器 (AEO)，它是对基本平衡优化器 (EO) 的改进，通过为表现不佳的搜索代理实施自适应分散决策。使用标准基准函数将 AEO 性能与最先进的算法——平衡优化器 (EO)、灰狼优化器 (GWO)、鲸鱼优化算法 (WOA)、松鼠搜索算法 (SSA) 和风驱动优化 (WDO) 算法进行了比较。基于定性和定量分析，AEO 的表现优于 EO、GWO、WOA、SSA 和 WDO。通过使用 AEO 最小化目标函数来获得最佳阈值。对于实验，考虑了 BSDS 500 数据集的 500 张图像。考虑了峰值信噪比 (PSNR)、结构相似性指数 (SSIM) 和特征相似性指数 (FSIM) 等流行指标进行定量分析。在计算复杂度降低的同时，阈值精度存在显著差异。强调了本文的优点，以确保其未来在使用软计算（AI 的一个子领域）的工程应用领域中的应用。
学习学习而不会忘记使用
持续学习（CL）是指通过在保留先前学习的经验的同时容纳新知识来不断学习的能力。虽然这个概念是人类学习固有的，但当前的机器学习方法很容易覆盖以前学习的作品，因此忘记了过去的经验。相反，应选择性地和仔细地更新模型参数，以避免不必要的遗忘，同时最佳利用先前学习的模式以加速未来的学习。由于很难手工制作有效的更新机制，因此我们提出了元学习基于变压器的优化器来增强CL。此元学习优化器使用ATTENITION来学习跨任务流的模型参数之间的复杂关系，并旨在为当前任务生成有效的重量更新，同时防止对先前遇到的任务的灾难性遗忘。在基准数据集上进行评估，例如SplitMnist，RotatedMnist和SplitCifar-100，即使在较小的标记数据集中，也肯定了所提出的方法的疗效，即使在连续学习框架内集成了元学习优化器的优势。