XiaoMi-AI文件搜索系统
World File Search SystemStochastic
通过极端天气条件下的电动汽车集成和随机建模优化配电网性能
本文提出了一种微电网运营规划的创新方法，重点是提高经济绩效和增强弹性。所提出的方法解决了关键的不确定性，包括天气条件、电动汽车 (EV) 的概率充电/放电行为、可再生能源的整合、能源价格波动和负载条件。此外，它还考虑了电动汽车车主的满意度和需求侧管理。这项研究的一个关键创新是开发了一个综合框架，用于同时管理网络拓扑重构、网络内的电动汽车移动以及减轻恶劣天气条件的影响。采用蒙特卡罗模拟来模拟不确定性，同时使用多目标优化算法来解决问题。该算法旨在最大限度地提高网络运营商和私营部门的利润，同时最大限度地减少未供应能源及其相关处罚。所提出的方法显示出显着的改进，包括未供应能源成本降低 37.1%，网络运营商利润增加 5%，电动汽车充电站利润增加 23.1%。总体而言，该方法比现有方法的性能高出约 8%。所提出的方法为提高微电网在极端天气条件下的弹性和运行效率提供了一种有效且稳健的解决方案，展示了其优于传统方法的优势。
随机模型可以从时间序列数据中更好地推断微生物组相互作用
AU：请确认所有标题级别均正确表示：我们如何才能弄清楚不同微生物在微生物群落中是如何相互作用的？为了结合理论模型和实验数据，我们经常将系统平均动力学的确定性模型与平均数据拟合。然而，在平均过程中，数据中的大量信息会丢失——而确定性模型可能无法很好地表示随机现实。在这里，我们基于实验和模型都是随机的想法开发了一种微生物群落推理方法。从随机模型开始，我们不仅推导出平均值的动力学方程，还推导出微生物丰度更高统计矩的动力学方程。我们使用这些方程来推断最能描述生物实验数据的相互作用参数的分布——从而提高可识别性和精度。推断出的分布使我们能够做出预测，同时也能区分相当确定的参数和现有实验数据无法提供足够信息的参数。与相关方法相比，我们推导出也适用于微生物相对丰度的表达式，使我们能够使用传统的宏基因组数据，并解释了随着时间的推移无法追踪单个宿主而只能追踪复制宿主的情况。
通过随机分散模型预测控制
摘要 - 连接和自动化的车辆（CAV）网络中的通信延迟显着影响基于连接的优化协调，增加了碰撞风险和降解系统性能。现有方法受到实时计算挑战，过时的数据，可扩展性约束和管理不确定性的困难的限制。本文提出了一种随机分散的模型预测控制（SDMPC）框架，以通过合并一种新颖的随机近似方法来模拟不确定性，以减轻通信延迟的不利影响。我们的方法提供了对安全限制的紧密概率约束，从而确保了准确的训练有素的预测并改善了协调。仿真结果表明，与在各种通信延迟条件下的常规方法相比，所提出的SDMPC框架减少了平均轨迹偏差，并降低了碰撞风险。这些改进使SDMPC成为大型CAV网络的有效解决方案，从而提高了安全性和效率。
通过随机分散模型预测控制
摘要 - 连接和自动化的车辆（CAV）网络中的通信延迟显着影响基于连接的优化协调，增加了碰撞风险和降解系统性能。现有方法受到实时计算挑战，过时的数据，可扩展性约束和管理不确定性的困难的限制。本文提出了一种随机分散的模型预测控制（SDMPC）框架，以通过合并一种新颖的随机近似方法来模拟不确定性，以减轻通信延迟的不利影响。我们的方法提供了对安全限制的紧密概率约束，从而确保了准确的训练有素的预测并改善了协调。仿真结果表明，与在各种通信延迟条件下的常规方法相比，所提出的SDMPC框架减少了平均轨迹偏差，并降低了碰撞风险。这些改进使SDMPC成为大型CAV网络的有效解决方案，从而提高了安全性和效率。
Provernf：在NERF中的每个点出处建模为随机字段
神经辐射场（NERFS）在各种应用程序中都表现出有希望的结果，已获得流行。据我们所知，现有作品并未明确对训练相机姿势的分布进行建模，或者因此是三角测量质量，这是影响重建质量的关键因素，它可以追溯到经典视觉文献。 我们用Provernf缩小了这一差距，该方法是将每个点的出处（即可能可见的位置）建模为NERFS作为随机场的方法。 我们通过将隐式最大似然估计（IMLE）扩展到具有优化目标的功能空间来实现这一目标。 我们表明，在NERF优化过程中对每点出处进行建模丰富了模型，并提供了三角剖分的信息，从而改善了新型视图合成和在针对竞争性基线的具有挑战性的稀疏，无约束的视图设置下的不确定性估计。据我们所知，现有作品并未明确对训练相机姿势的分布进行建模，或者因此是三角测量质量，这是影响重建质量的关键因素，它可以追溯到经典视觉文献。我们用Provernf缩小了这一差距，该方法是将每个点的出处（即可能可见的位置）建模为NERFS作为随机场的方法。我们通过将隐式最大似然估计（IMLE）扩展到具有优化目标的功能空间来实现这一目标。我们表明，在NERF优化过程中对每点出处进行建模丰富了模型，并提供了三角剖分的信息，从而改善了新型视图合成和在针对竞争性基线的具有挑战性的稀疏，无约束的视图设置下的不确定性估计。
通过跨学科培训和研究合作增强历史上黑人医学院的数据科学和基因组学能力
模型验证取决于预测数据和实验数据之间的一致性。但是，找到问题的解决方案，这些方程式由许多参数的方程式描述，即使是它们的数量级也不知道，这是一项艰巨的任务。这使得在多维和非线性数据的情况下，曲线拟合非常困难。本文采用混合随机和确定性方法提出了一个基于图形的用户界面程序，该程序可以通过最小化测量数据与根据数学表达式计算的数据之间的差异来轻松且可靠地确定模型参数。该程序已在多个实验室中广泛使用，事实证明，该程序在许多不同领域的模型参数中有效，例如对配体 - 受体结合的药理学研究，人群的昆虫学研究，细菌生长，光合作用，光合作用，毒理学，毒理学，差异扫描热量量表和核能均匀仪，以及核能均匀磁构成和核能。对于面对从多维和非线性数据估算模型参数的问题的研究人员来说，这是一个有效的解决方案，参数尚不清楚。
在随机MPC中使用深层生成干扰模型的贝叶斯预测，用于构建能量系统 /作者= Sorouifar，Farshud；鲍尔森（Joel A。）；王，你们； Quirynen，Rien； Laughman，Christopher R。； Chakrabarty，Ankush /creationDate = 2024年8月22日 /受试者=控制，机器学习，优化< /div < /div>
抽象预测控制在很大程度上取决于干扰预测的质量。虽然重新干扰建模效果已经采用了概率的观点来防止不可靠的确定性预测，但这种概率模型通常仅适用于数据丰富的设置或涉及对基本分布的简化假设。生成模型，例如条件变异自动编码器（CVAE），为从数据中学习分布提供了一种表达和自动化的方法。通过对学习的潜在空间进行采样，可以产生看不见的干扰实现。在本文中，我们开发了利用这些生成模型的方法来设计经济随机模型预测控制（SMPC），该模型利用CVAE产生的干扰信号进行在线适应。CVAE产生的方案可以转换为对学到的潜在矢量的条件概率，其中条件与影响干扰信号形状本身的因素（例如，工作日/周末在内部热载荷上的影响）以及观察到的数据（即，基于观测的数据）。因此，我们可以生成最相关的干扰信号，以在基于情况的SMPC方法中使用，以减少控制策略的保守性，同时满足约束。
具有不同感染性和免疫力降低的随机流行模型
摘要。我们研究了一种基于个体的随机流行模型，在这种流行病模型中，感染的个体在每种感染后再次变得易感性。与经典隔室模型相反，在每次感染之后，感染性是自感染以来经过的时间的随机函数。同样，根据随机易感函数，恢复的个体在一段时间后逐渐易感。我们研究了该模型的大种群渐近行为：我们证明了大量的功能定律（FLLN），并研究了限制确定性模型的地方性平衡。极限取决于易感性随机函数的定律，但仅取决于平均感染函数。flln是通过构造i.i.d的序列证明的。辅助过程并从混乱的传播理论中适应了方法。极限是Kermack和McKendrick引入的PDE模型的概括，我们展示了如何作为我们的FLLN限制的特殊情况获得该PDE模型。如果r 0小于（或等于）某个阈值，则流行病不会永远持续下去，最终从人口中消失，而如果r 0大于该阈值，则流行病将不会灭绝，并且存在一个地方性平衡。感染后很长时间后，该阈值的值是易感性的谐波平均值。
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%。