XiaoMi-AI文件搜索系统
World File Search SystemSwarm
使用亨利的气体溶解度优化和粒子群优化的机器学习技术估算桩结算
确保建筑项目是安全的，例如堆叠结构，需要考虑在此期间免疫结构。桩定居点（PS）是一个重要的项目问题，并且正在引起广泛关注，以防止在施工开始之前发生故障。几个用于估算桩运动的项目可以帮助了解加载阶段的项目的观点。在PS模拟中使用了最聪明的策略用于桩运动的数学计算。因此，在本文中，考虑了精确的桩运动计算，考虑了开发的框架操作支持向量回归（SVR）以及亨利的气体溶解度优化（HGSO）和粒子群优化（PSO）。优化器的使用是调整SVR的一些内部设置。选择了使用已发达的SVR-HGSO和SVR-PSO结构的陆地岩石特征来研究基于土地岩石特征的桩的运动。使用五个指标来评估每个模型的性能。这项研究的主要目的是以两个开发模型的形式评估人工智能方法，以使用混合优化的框架模拟桩沉降速率。建模的R 2在0.99水平上类似地获得。SVR-PSO的RMSE分别出现超过两倍的SVR-HGSO，分别为0.46和0.29 mm。此外，测试阶段结果显示，SVR-HGSO的性能较高，MAE指数为0.278，比另一个索引低57.10％。OBJ通过0.283mm级别计算的SVR-HGSO证明了准确的建模。
大动力机器人群的低功率能源管理模块
摘要 - 该论文提出了一种为低功率大动力的机器人群设计的能源管理模型（EMM），除了传统的充电方法外，还从环境中收集能量。EMM旨在与调度体系结构合作，该架构可以协调整个动力的群体机器人（APSR）的任务。此模块可以帮助调度程序对机器人的储能和消耗更加灵活地控制。所提出的EMM的关键功能包括对能级的实时监控，低功率的可安排空闲模式，监视有效的能量收集机制，死电器机器人恢复以及提供机器人的硬重置能力。该模块为机器人提供了额外的低功率无线连接。与EMM合作，调度程序可以管理整个群体上的能源消耗，并防止单个机器人以空闲模式，死电池模式和故障耗尽其能量储备。为了验证EMM的有效性，实验在模拟和现实世界环境中都进行了进行，使任务耐力，任务完成率和整体群体绩效的改善进行了改善。结果表明，与基线方法相比，EMM有效地延长了任务持续时间并提高了操作效率。索引术语 - 能源管理模块，机器人群，能量感知调度，机器人恢复
在人工神经网络优化学习过程中使用深厚的增强学习过程
摘要 - 用于优化问题的元数据包括粒子群优化（PSO）技术。他们从表现出集体行为的鱼类和鸟类的协调运动中获取线索。人工神经网络（ANN）需要一个复杂的学习阶段，例如后传播，被认为是人工智能的来源（AI）。此阶段允许计算每个神经元的误差梯度，从最后一层到第一个。但是，目标函数的某些特质是必需的（成本）。这促使我们尝试使用元映射学，以简化ANN的训练，以管理复杂的非线系统。这项研究的目的是应用深度加固学习（DRL）自动计算PSO算法的参数，同时还优化了ANN的监督学习过程。经过许多案例研究，我们的方法始终导致理想ANN的系数。
可持续仓库自动化中的群机器人
摘要。根据人口普查和统计局的统计数据，2010年至2014年之间物流行业的90％以上的工作来自货运和存储服务。随着行业4.0及其相关的新兴技术的出现（例如云计算，物联网，自动机器人等。），建议使用智能机器人仓库管理系统。这些创新通过使自主移动机器人从人对商品过渡到商品对人，从而改变了仓库中的采摘程序和推出程序。一组机器人合作，通过将实用结构和行为汇总到类似于鸟类，鱼类或蜂群中的实用结构和行为来解决群体机器人的问题。但是，向工业应用的过渡尚未完成令人满意的水平。文献中缺乏有关利用群算法的现实群体应用的知识。通常，使用了群算法组件（或我们称之为基本的蜂群行为）。因此，本文讨论了该技术可用的机会以及其使用可能带来的挑战。最后，已经提出了一些可能的解决方案，以帮助应对可持续仓库自动化中确定的挑战。
无线传感器网络中的孔检测和愈合的群智能
对监视特定区域的无线传感器网络的需求不断增长，促使人们对随着时间的推移维持覆盖率进行了广泛的研究。对此目标的主要威胁是由随机节点部署或失败引起的覆盖漏洞。本研究提出了一种基于智能的算法，以检测和治愈覆盖孔。群的群依赖于局部和相对信息，以响应检测到的孔，并将潜在的磁场导航到最接近的孔。代理将其看法量化以有效分散，从不同方向接近孔以加速愈合。基于几何标准，群体在沿孔边界的本地最佳位置部署，同时防止冗余部署。代理部署更新了潜在的领域，引导其余的群体朝着未弄脏的区域，并确保对新洞的动态检测和跟踪，甚至在地区边界附近。实验研究表明，与最先进的溶液相比，覆盖范围较高，显示出良好的可扩展性和对不同孔尺寸，形状和多重性的灵活性。此外，它对代理商的看法及其失败的腐败表现出很高的鲁棒性，同时有效地管理电池水平。
比较遗传算法（GA）和粒子群优化（PSO），用于估计易感暴露感染的（SEIR）模型PAR
背景：用于分析疾病扩散的最常用的数学模型是易感暴露感染的回收（SEIR）模型。此外，SEIR模型的动力学取决于几个因素，例如参数值。目标：本研究旨在比较两种优化方法，即遗传算法（GA）和粒子群优化（PSO），以估算SEIR模型参数值，例如感染，过渡，恢复和死亡率。方法：将GA和PSO算法与SEIR模型的估计参数值进行了比较。适应性值是根据累积阳性covid-19病例的实际数据与从seir covid-19模型解决方案的案例数据之间的误差计算得出的。此外，使用四阶Runge-kutta算法（RK-4）计算了CoVID-19模型的数值解，而实际数据是从印度尼西亚雅加达省正Covid-19 Case的累积数据集获得的。然后使用两个数据集比较每个算法的成功，即数据集1，代表COVID-19的扩展的初始间隔和数据集2，该间隔代表一个间隔，其中COVID-19 Case Case较高增加。结果：估计四个参数，即由于疾病引起的感染率，过渡率，恢复率和死亡率。在数据集1中，当值= 0.5时，GA方法的最小误差（即8.9％）发生，而PSO的数值误差为7.5％。在数据集2中，GA方法的最小误差，即31.21％，当时发生在= 0.5时，而PSO的数值误差为3.46％。结论：基于数据集1和2的参数估计结果，PSO比GA具有更好的拟合结果。这表明PSO对所提供的数据集更健壮，并且可以更好地适应Covid-19-19的流行病的趋势。关键字：遗传算法，粒子群优化，SEIR模型，COVID-19，参数估计。文章历史记录：2024年2月12日，2024年5月17日第一个决定，2024年6月20日接受，在线获得2024年6月28日
印度的群无人机：不断增长的能力
7 ANI, Indian Navy Develops Anti-Swarm Drones To Safeguard From Enemy Attacks, NDTV, October 05, 2023, https://www.ndtv.com/india-news/indian-navy-develops-indigenous-navigation-system-anti-swarm-drones-to-safeguard-from- enemy-attacks-4451318 .于2024年5月12日访问。
群体智能 (SI) 是一种基于分散、自组织系统的集体学习和决策形式。利用 SI 医疗保健
群体智能 (SI) 是一种基于分散、自组织系统的集体学习和决策形式。利用 SI 医疗保健可以解决互联医疗保健组织内部攻击的传播问题，并确保基于安全性和弹性的医疗保健生态系统的完整性。在医疗保健领域，群体智能正被用于改善诊断和治疗，从而改善患者的治疗效果和提高医疗保健系统的效率。SI 算法可以集成到医疗保健环境中，用于诊断和治疗癌症、心脏病、肿瘤和心脏病等疾病，它已应用于疾病诊断和治疗领域。它已被用于早期预测癌症并解决复杂问题。此外，它可以快速了解癌细胞如何对抗癌药物产生耐药性，这有助于改善药物开发并调整药物使用。通常，SI 算法用于 PSO、ICA、FA 和 IWO 中，用于诊断癌症以解决问题的优化。这反过来会提高 SI 在数据分析中的整体有效性。然而，将群体智能应用于癌症相关问题存在一些挑战。其中一些挑战包括癌症的复杂性、癌症分析、验证和临床转化、抵抗力和适应性等。必须通过改进算法和模型来克服这些挑战，使它们更高效、可扩展，更适合处理大规模和高维癌症数据集。或者，SI 在癌症检测中的主要应用是图像分析和模式识别，这有助于识别与癌组织相关的模式和特征，有助于早期检测和准确诊断。在癌症研究的 SI 领域，预计未来将取得多项进展。在癌症研究与多组学数据的整合、用于靶向药物输送的群体机器人等领域，SI 的一些潜在未来进展正在开发中。在这期题为“用于早期癌症检测的医疗数据分析中的群体智能”的特刊中，旨在探索使用群体智能技术的各个方面，包括适应性、维度、检测和预防、决策、未来发展和医疗数据的其他领域。感兴趣的主题包括但不限于以下内容：
基于粒子群优化和相位平面分析的4WS车辆的轨迹跟踪控制设计
摘要：随着当今社会的快速发展，交通环境变得越来越复杂。作为智能车辆的重要组成部分，轨迹跟踪因其稳定性和安全性引起了极大的关注。在高速工作等极端工作条件下，准确性和不稳定性很容易发生。在本文中，为分布式驱动车辆提出了一种轨迹跟踪控制策略，以确保在高速和低固定限制条件下进行横向稳定性。模型预测控制器（MPC）用于控制前轮角度，并且设计了粒子群优化（PSO）算法以适应MPC控制参数。滑动模式控制器控制后轮角度，并且通过分析β-来判断车辆不稳定性度。β相平面。在本文中设计了不同不稳定性度的控制器。最后，扭矩分隔器的设计目的是考虑驱动防滑。设计的控制器通过CARSIM和MATLAB-SIMULINK共模拟验证。结果表明，本文设计的轨迹跟踪控制器有效地提高了在确保稳定性的前提下的跟踪精度。
基于粒子群优化的高参数调整机器学习模型的大型covid-19数据分析
分析大数据，尤其是医学数据，有助于为患者提供良好的医疗保健并面临死亡的风险。COVID-19大流行对全世界的公共卫生产生了重大影响，强调了对风险预测模型的需求。机器学习（ML）技术在分析复杂的数据模式和预测疾病预后方面已显示出希望。这些技术的准确性受到更改参数的很大影响。超参数优化在证明模型性能中起着至关重要的作用。在这项工作中，使用粒子群优化（PSO）算法有效地搜索超参数空间并通过识别可以提供最高精度的最佳超级参数来提高机器学习模型的预测能力。在本研究中使用了与COVID-19病例相关的各种临床和流行病学特征的数据集。使用各种机器学习模型，包括随机森林，决策树，支持向量机和神经网络，用于捕获数据中存在的复杂关系。为了评估模型的预测性能，采用了精度。实验发现表明，估计Covid-19风险的建议是有效的。与基线模型相比，优化的机器学习模型的性能更好，并产生了更好的结果。关键字