XiaoMi-AI文件搜索系统
World File Search Systemconvex
不平衡微电网三级控制的凸近似。
本文提出了一种三相不平衡微电网三级控制优化模型。该模型考虑了 24 小时运行，包括可再生能源、储能设备和电网规范限制。使用最近开发的基于 Wirtinger 微积分的近似法简化了功率流方程。对所提出的模型进行了理论和实践评估。从理论角度来看，该模型适用于三级控制，因为它是凸的；因此，保证了全局最优、解的唯一性和内点法的收敛性。从实践角度来看，该模型足够简单，可以在小型单板计算机中实现，计算时间短。后者通过在具有 CIGRE 低压基准的 Raspberry-Pi 板上实现该模型来评估；该模型还在 IEEE 123 节点配电网络测试系统中进行了评估。
凸面集的图形，带有用于最佳控制的应用程序...
本文在组合和凸优化的界面上引入了一类新的问题。我们考虑每个顶点与凸面程序配对的图形，每个边缘通过额外的凸成本和约束来串联两个程序。我们将这样的图称为凸集（GCS）的图。在GCS上，我们可以制定任何可以通过普通加权图制定的优化问题，顶点和边缘的标量成本。实际上，对于凸面程序中变量的任何固定选择，GCS都会简化为加权图，例如，我们可以在其中寻找，例如路径，匹配，旅行或最低成本的生成树。GCS问题中的挑战在于共同解决问题的离散和连续组成部分。通过组合图形的建模能力和凸优化，GCSS是一个灵活的框架，可以制定和解决许多现实世界中的问题。图形和组合目标（例如，找到路径或巡回赛）模拟了问题的高级离散骨架。凸成本和约束填补了低级连续的细节。本论文的主要贡献是解决任何GCS问题的有效而统一的方法。从加权图上优化问题的整数线性编程公式开始，此方法将相应的GCS问题作为有效的混合构成凸点程序（MICP）制定。然后，可以使用公共分支和结合的求解器将此MICP求解为全局最优性，或者大约通过将其凸松弛的溶液四舍五入。重要的是，MICP及其解决方案的配方都是完全自动的，并且我们框架的用户不需要在混合构成优化方面的任何专业知识。我们首先以一般术语描述GCS框架和MICP的表述，而没有以GC在GC上解决的特定组合问题为前提。我们通过跨越物流，运输，调度，导航和计算几何形状的多个示例来说明我们的技术。然后，我们专注于GC中的最短路径问题（SPP）。这个问题特别有趣，因为它概括了各种多阶段的决策问题，并且使用我们的技术可以非常有效地解决。我们考虑了SPP在GC中的两个主要应用：动力学系统和无碰撞运动的最佳控制
认证凸量量通道优化问题的最佳性
自然表达为对所有测量值的实现线性函数的优化，并具有固定数量的结果。在量子克隆[BDE + 98，SIGA05]和量子货币的密切相关概念[AFG + 12]的研究中出现了其他例子，其中人们普遍有兴趣知道，最佳选择的量子通道可以如何将一个给定状态的单个副本转换为相同状态的多个副本，以相对于多个差异图的多个差异。可以在量子复杂性理论中找到另一个示例，其中两种量子量子交互式证明系统[JUW09]自然分析为优化问题，在该问题中，目标函数描述了给定的验证者接受的概率，并且在所有量子通道中，优化的范围都在所有尺寸的量子通道中描述了可能的操作范围。关于在所有测量值中定义的线性函数的优化，并通过HOLVO [HOL73B，HOL73A]和YUEN，KENNEDY，KENNEDY和LAX [YKL70，YKL70，YKL75，YKL75，YKL70，YKL70，YKL75]确定了固定数量的结果，以实现最佳状态的必要条件。这些条件在本文稍后在本文稍后明确描述，相对容易检查；实际上，通过使用半有限编程[JVF02，IP03，EMV03]，可以实际发现或近似最佳测量的问题，而有效解决的问题通常是一项更具计算机的任务。这些最佳条件可以很容易地扩展，以获得在所有量子通道的集合中定义的实现线性函数的最佳条件，从而将一个量子系统转换为另一个量子系统。我们证明了这些结果的概括，即凸出功能不一定是线性的凸出优化问题。更准确地说，我们考虑了形式的优化问题最小化f（φ）受φ∈C（x，y），（1），（1）
凸的可行性； Dykstra的算法；布雷格曼预测
摘要。我们提供了关于Dykstra的算法与Bregman预测的渐近行为的定量结果，著名的Dykstra算法的组合以及循环Bregman预测的方法，旨在确定最佳近似值，并在非正式设置中解决凸的可行性问题。我们提供的结果是通过证明挖掘的镜头，这是一种数学逻辑中的程序，可以从非效率证明中提取计算形式。具体而言，我们提供了低复杂性亚稳定性的高度均匀和可计算的速率，而且，我们还指定了一般情况，在这些情况下，人们可以获得充分和有效的收敛速率，尤其是欧几里得空间中Polyhedra的情况。作为我们定量分析的副产品，我们也是第一次建立了Dykstra方法与Bregman Projections的强烈收敛性。
凸的混合量子处理器上非平衡稳态的优化
1新加坡国立大学量子技术中心，新加坡3科学驱动器2，新加坡117543 2量子量子信息和计算机科学和量子学院联合中心，NIST/马里兰州，马里兰州，马里兰州大学公园，20742，美国20742，美国3美国高性能计算研究所（IHPC）16-16 Connexis, Singapore 138632, Republic of Singapore 4 MajuLab, CNRS-UNS-NUS-NTU International Joint Research Unit, Singapore UMI 3654, Singapore 5 National Institute of Education, Nanyang Technological University, 1 Nanyang Walk, Singapore 637616, Singapore 6 School of Electrical and Electronic Engineering Block S2.1, 50 Nanyang Avenue, Singapore 639798，新加坡7物理学系印度理工学院 - 孟买，孟买，孟买400076，印度8量子信息卓越中心，计算，科学和技术卓越中心，印度孟买孟买，孟买，印度400076
凸凹球面上液滴接触角的测定
实验测量曲面上的表观接触角通常需要专用仪器，这种仪器价格昂贵且不易普及。为了应对这一挑战，我们提出了一个简单的润湿模型，从理论上预测液滴在凸面和凹面球面上的表观接触角，这需要知道液滴的体积、表面曲率和固有接触角。利用该理论模型，我们研究了曲面半径和疏水性对润湿行为的影响。对于凹面，其上的液滴可能呈现凸面或凹面形态，具体取决于详细参数。本研究确定了液滴从凸面变为凹面的临界体积。利用该模型，还研究了具有微结构的曲面上的接触角。该模型可能有助于理解自然润湿现象和更好地设计相关结构。2015 Elsevier BV 保留所有权利。
CORNN：循环神经网络的凸优化，用于快速推断神经动力学
光学和电生理记录技术的进步使得记录数千个神经元的动态成为可能，为解释和控制行为动物的大量神经元开辟了新的可能性。从这些大型数据集中提取计算原理的一种有前途的方法是训练数据约束的循环神经网络 (dRNN)。实时进行此类训练可以为研究技术和医学应用打开大门，以在单细胞分辨率下建模和控制干预措施并驱动所需的动物行为形式。然而，现有的 dRNN 训练算法效率低下且可扩展性有限，使得即使在离线场景下分析大量神经记录也具有挑战性。为了解决这些问题，我们引入了一种称为循环神经网络凸优化 (CORNN) 1 的训练方法。在模拟记录研究中，CORNN 的训练速度比传统优化方法快 100 倍左右，同时保持或提高了建模准确性。我们进一步在数千个执行简单计算（例如 3 位触发器或定时响应的执行）的单元模拟中验证了 CORNN。最后，我们表明，尽管生成器和推理模型之间存在不匹配、观察到的神经元严重子采样或神经时间尺度不匹配，CORNN 仍可以稳健地重现网络动态和底层吸引子结构。总体而言，通过在标准计算机上以亚分钟级处理时间训练具有数百万个参数的 dRNN，CORNN 迈出了实时网络重现的第一步，该网络重现受限于大规模神经记录，并且是促进神经计算理解的强大计算工具。
基于密度矩阵凸分解的方差和量子 Fisher 信息的不确定性关系
我们提出了几个与罗伯逊-薛定谔不确定关系相关的不等式。在所有这些不等式中，我们考虑将密度矩阵分解为混合状态，并利用罗伯逊-薛定谔不确定关系对所有这些成分都有效的事实。通过考虑边界的凸顶部，我们获得了 Fröwis 等人在 [ Phys. Rev. A 92 , 012102 (2015) ] 中的关系的另一种推导，并且我们还可以列出使关系饱和所需的许多条件。我们给出了涉及方差凸顶部的 Cramér-Rao 边界的公式。通过考虑罗伯逊-薛定谔不确定关系中混合状态分解的边界的凹顶部，我们获得了罗伯逊-薛定谔不确定关系的改进。我们考虑对具有三个方差的不确定性关系使用类似的技术。最后，我们提出了进一步的不确定性关系，这些关系基于双模连续变量系统的标准位置和动量算符的方差，为二分量子态的计量实用性提供了下限。我们表明，在 Duan 等人 [ Phys. Rev. Lett. 84 , 2722 (2000) ] 和 Simon [ Phys. Rev. Lett. 84 , 2726 (2000) ] 的论文中讨论了这些系统中众所周知的纠缠条件的违反，这意味着该状态在计量学上比某些相关的可分离状态子集更有用。我们给出了有关自旋系统具有角动量算符的纠缠条件的类似结果。
基于凸优化算法的电动汽车动力电池优化策略
摘要：随着电动汽车产业的发展，电动汽车为人们提供了更多的选择，但电动汽车的性能还有待提高，使得大部分消费者持观望态度，因此寻找一种能够有效提高电动汽车性能的方法具有重要意义。针对目前电动汽车的性能问题，提出一种凸优化算法对电动汽车的电机模型和动力电池参数进行优化，提高电动汽车的整体性能。对比了所提凸优化算法、双环DP优化算法、非线性优化算法的性能。结果表明：经凸优化算法优化后的电动汽车氢气消耗量为95.364 g，低于优化前DCDP优化算法的98.165 g和非线性优化算法的105.236 g，也明显优于优化前电动汽车的125.59 g。凸优化算法优化的计算时间为4.9 s，低于DCDP优化算法和非线性优化算法。上述结果表明凸优化算法具有更好的优化性能。使用凸优化算法对动力电池进行优化后，电动汽车的整体性能更高。因此，该方法可以有效改善目前电动汽车动力电池的性能，使新能源汽车迅速发展，改善我国日益严重的环境污染和能源危机。