XiaoMi-AI文件搜索系统
World File Search Systemgorithm
基于分支对决 Q 网络的分布式储能系统微电网在线调度
引言微电网是一个很有前途的概念，它可以解决分布式可再生能源和储能系统融入电网的挑战。在线优化是根据系统的实时状态对微电网的运行进行调度，是确保微电网经济运行的关键技术。然而，可再生能源的不确定性给微电网的在线优化带来了巨大的挑战。为了解决这个问题，研究人员提出了几种在线优化方法，如模型预测控制（MPC）[1]和基于近似动态规划（ADP）的算法[2]。然而，上述方法的在线优化性能依赖于预测信息。因此，性能受到可再生能源和负荷功率的预测精度的影响。为了减少对预测的依赖，已经提出了其他几种微电网在线优化方法，包括Lyapunov优化[3]、CHASE算法[4]以及最近开发的基于深度强化学习（DRL）的优化方法（例如深度Q网络（DQN）[5]、MuZero [6]）。与传统的微电网在线优化方法（例如MPC）相比，基于DRL的算法通过历史可再生能源发电和负载序列来学习操作系统，并且可以在不使用任何预测信息的情况下进行近似最优调度[6]。然而，上述工作主要关注具有单个电池储能系统（BESS）的微电网的在线优化，未能解决BESS的分布式位置特性。随着商业和家庭储能技术的快速发展，大量BESS将安装在微电网的分布式位置。
suppodular增强学习
在加强学习（RL）中，国家的奖励通常被认为是增加的，并且按照马尔可夫的假设，它们独立于先前访问的状态。在许多重要的应用中，例如覆盖范围控制，实验设计和信息性路径计划，奖励自然会降低回报，即鉴于以前访问过的类似状态，其价值会降低。为了解决这个问题，我们提出了subsodular rl（s ub rl），该范式旨在优化通过捕获降低回报的subsodular Set函数模拟的更通用的，非添加的（和历史依赖的）奖励。不幸的是，即使在表格设置中，我们也表明，所产生的优化问题很难近似。是出于贪婪算法在经典次次优化方面的成功的动机，我们提出了S ub po，这是一种基于政策梯度的简单梯度al-gorithm，用于S ub rl，通过贪婪地最大化边际增长来处理非增长的重新奖励。的确，在基础马尔可夫决策过程（MDP）的一些假设下，s ub po恢复了子模块的最佳常数因子近似值。此外，我们得出了一种自然政策梯度方法，即使在大型州和行动空间中，也可以在本地优化S UB RL实例。我们通过将S UB PO应用于生物多样性监测，贝叶斯实验设计，信息路径计划和覆盖范围最大化等多种应用来展示我们的方法的多功能性。我们的结果证明了样本效率以及对高维状态行动空间的可伸缩性。
通过...提高机器学习的通用性
程序内容生成 (PCG) 是指在视频游戏和其他游戏中通过算法生成关卡、任务或角色等内容的做法。为了使游戏具有重玩性、减轻创作负担、限制存储空间要求和实现特定的美感，游戏开发者设计了大量 PCG 方法。此外，研究人员还探索了将机器学习、优化和约束求解的方法应用于 PCG 问题。自该领域诞生以来，游戏就广泛应用于人工智能研究，近年来，游戏被用于开发和基准测试新的机器学习算法。通过这种实践，我们越来越清楚地认识到这些算法容易出现过拟合。通常，算法不会学习通用策略，而是学习仅适用于具有特定初始参数的特定任务的特定版本的策略。为了应对这一问题，研究人员开始探索问题参数的随机化，以抵消这种过度拟合，并允许训练后的策略更轻松地从一个环境转移到另一个环境，例如从模拟机器人转移到现实世界中的机器人。在这里，我们回顾了大量现有的 PCG 研究，我们认为 PCG 在提高机器学习方法的通用性方面发挥着重要作用。这里的主要目标是向 RL/AI 展示 PCG 工具箱中的新工具，其次要目标是向游戏开发者和研究人员解释他们的工作与 AI 研究的相关性。
对合并策略合并启发式策略的分析
引言启发式搜索是在大型状态空间中找到短路的常见方法，例如在最佳的古典计划中。最近提出的几项启发式方法使用合并框架（Dr'Ager，Finkbeiner和Podelski 2006; 2009; 2009; Helmert，Haslum和Hoffmann 2007; Helmert et al。2014），其中计划任务的原子抽象是逐渐组合的（合并了两个实体过渡系统）和简化的（缩小了一个差异过渡系统），直到剩下单个抽象为止，其目标距离然后诱导计划任务的启发性。在整个论文中，我们都对经典计划和合并和碎片框架进行了基本熟悉。由Sievers，Wehrle和Helmert（2014）提供了对合并框架最新探索的独立介绍。合并策略的合并策略的一个重要方面是确定在每个合并步骤中要组合的两个中间抽象。我们将使用以下术语：任务的合并策略由二进制树在任务的状态变量上定义。如果此树脱离列表，则称为策略，否则是非线性的（图1）。更普遍地说，当从文献中发表合并策略时，我们指的是（独立于领域的）算法，该算法为给定的计划任务生成合并策略。这样的al-gorithm被称为线性合并策略，并且仅当其产生的合并策略对于所有计划任务都是线性的。换句话说，非线性合并策略算法不是
b'摘要。我们提出了用于解决随机子集和实例的新型经典和量子算法。首先，我们改进了 Becker-Coron-Joux 算法 (EUROCRYPT 2011)，将 e O 2 0 . 291 n 降低到 e O 2 0 . 283 n，使用更一般的表示，其值在 {\xe2\x88\x92 1 , 0 , 1 , 2 } 中。接下来，我们从几个方向改进了该问题的量子算法的最新技术。通过结合 Howgrave-Graham-Joux 算法 (EUROCRYPT 2010) 和量子搜索，我们设计了一种渐近运行时间为 e O 2 0 的算法。 236 n ，低于 Bernstein、Je\xef\xac\x80ery、Lange 和 Meurer (PQCRYPTO 2013) 提出的基于相同经典算法的量子行走成本。该算法的优势在于使用带有量子随机存取的经典存储器，而之前已知的算法使用量子行走框架，需要带有量子随机存取的量子存储器。我们还提出了用于子集和的新量子行走，其表现优于 Helm 和 May (TQC 2018) 给出的先前最佳时间复杂度 e O 2 0 . 226 n 。我们结合新技术达到时间 e O 2 0 . 216 n 。这个时间取决于 Helm 和 May 形式化的量子行走更新启发式方法，这也是之前的算法所必需的。我们展示了如何部分克服这种启发式方法，并获得了一个量子时间为 e O 2 0 的算法。 218 n 只需要标准的经典子集和启发式方法。'
b'摘要。我们提出了用于解决随机子集和实例的新型经典和量子算法。首先，我们改进了 Becker-Coron-Joux 算法 (EUROCRYPT 2011)，将 e O 2 0 . 291 n 降低到 e O 2 0 . 283 n，使用更一般的表示，其值在 {\xe2\x88\x92 1 , 0 , 1 , 2 } 中。接下来，我们从几个方向改进了该问题的量子算法的最新技术。通过结合 Howgrave-Graham-Joux 算法 (EUROCRYPT 2010) 和量子搜索，我们设计了一种渐近运行时间为 e O 2 0 的算法。 236 n ，低于 Bernstein、Je\xef\xac\x80ery、Lange 和 Meurer (PQCRYPTO 2013) 提出的基于相同经典算法的量子行走成本。该算法的优势在于使用带有量子随机存取的经典存储器，而之前已知的算法使用量子行走框架，需要带有量子随机存取的量子存储器。我们还提出了用于子集和的新量子行走，其表现优于 Helm 和 May (TQC 2018) 给出的先前最佳时间复杂度 e O 2 0 . 226 n 。我们结合新技术达到时间 e O 2 0 . 216 n 。这个时间取决于 Helm 和 May 形式化的量子行走更新启发式方法，这也是之前的算法所必需的。我们展示了如何部分克服这种启发式方法，并获得了一个量子时间为 e O 2 0 的算法。 218 n 只需要标准的经典子集和启发式方法。'
量子独立集问题和非阿贝尔绝热混合
许多重要的算法都证明了量子计算机相对于传统计算机的优势，特别是用于因式分解的 Shor 算法 [1] 和用于搜索的 Grover 算法 [2]。这些算法基于协调简单量子门的离散操作。这类算法称为量子电路算法 [3]。在量子计算的另一个范例中，算法是通过设计汉密尔顿量来实现的。在这里，我们从一个易于准备的初始状态开始，让它动态演变，并在某个时刻进行适当的测量。（当然，汉密尔顿量应该对应于可能实现的电路。）基于汉密尔顿量的量子算法将编程问题转化为物理问题，这使得人们可以利用熟悉的物理过程来优化算法。1998 年提出了一种用于量子搜索的汉密尔顿方法 [4]，并很快扩展到更一般的“绝热”算法 [5]。已经证明，每个量子电路算法都可以转换成量子绝热算法，其时间复杂度是多项式等价的（反之亦然）[6,7]。但连续方法可以提出不同的方法，比如这里讨论的非阿贝尔混合，或者我们将在其他地方描述的共振[8]。这里我们提出了一种针对独立集问题的有效量子汉密尔顿算法（见图1）。任何图都有平凡的独立集：空集和只有一个顶点的集。我们的目标是找到非平凡的独立集，有两个或理想情况下更多顶点。独立集问题可以用全否定2可满足性（2-SAT）问题来重新表述，反之亦然。基于此
碳捕获，利用率和存储中的地下地形空间智能：离岸存储站点选择的机器学习方法
本研究介绍了一个创新的数据驱动和机器学习框架，旨在准确预测特定离岸CO 2存储站点的站点筛选研究中的站点分数。框架无缝将各种地下地面地面数据源与人类辅助专家加权标准集成在一起，从而提供了高分辨率筛选工具。量身定制，以适应不同的数据可访问性和标准的重要性，这种方法考虑了技术和非技术因素。其目的是促进与碳捕获，利用率和存储相关的项目的优先位置（CCUS）。通过汇总和分析地理空间数据集，该研究采用机器学习算法和专家加权模型来识别合适的地质CCUS区域。此过程遵守严格的安全性，风险控制和环境指南，以解决人类分析可能无法识别模式并在合适的现场筛选技术中提供详细见解的情况。这项研究的主要重点是弥合科学探究和实际应用之间的差距，从而促进了CCUS项目实施时明智的决策。严格的评估包括地质，海洋学和环保指标为决策者和行业领导者提供了宝贵的见解。确保已建立的离岸CO 2存储设施的准确性，效率和可扩展性，建议的机器学习方法进行基准测试。这种全面的评估包括使用机器学习算法，例如极端梯度提升（XGBoost），随机森林（RF），多层极限学习机器（MLELM）和深神经网络（DNN），以预测更合适的场地分数。在这些Al Gorithm中，DNN算法在现场得分预测中最有效。DNN算法的优势包括非线性建模，功能学习，规模不变性，处理高维数据，端到端学习，转移学习，表示形式学习和并行处理。The evaluation results of the DNN algorithm demonstrate high accuracy in the testing subset, with values of AAPD (Average Absolute Percentage Difference) = 1.486 %, WAAPD (Weighted Average Absolute Percentage Difference) = 0.0149 %, VAF (Variance Accounted For) = 0.9937, RMSE (Root Mean Square Error) = 0.9279, RSR (Root Sum of Squares Residuals) = 0.0068和r 2（确定系数）= 0.9937。
人工智能应用，用于在下弗里利亚平原（意大利东北）
地热能作为可持续和清洁能源取决于储层温度的准确估计。理解含水层温度对于优化低率地地热系统开发至关重要。预测算法的进步可以提高地热效率，而间接温度测量的常规方法和地球化学分析中的假设会导致不确定性。作为一种措施，本研究对六种机器学习算法进行了全面评估，包括极端梯度提升（XGBoost），决策树，广义回归神经网络，极端的随机树，径向基础功能和弹性网。我们采用了基本绩效指标，包括确定系数（R 2）得分，均方根误差（RMSE），平均绝对误差（MAE），平均绝对百分比误差（MAPE）和差异（VAF）来阐明其预测精度和较低的Friulian Plain（Northerian Plain（Northerian Plain）（Northerev）（easterth）的预测准确性和普遍性作用。在经过审查的Al Gorithm中，XGBoost成为一个预测的示例，在测试数据集中取得了0.9930的显着r 2分数，始终为0.788，MAE为0.587，MAE为0.587，MAPE，MAPE为1.909，MAPE为1.909，高VAF为99.30，其出色的精确度和强大的精确度和强大的精确度。值得注意的是，其他四个模型的性能比XGBoost稍弱，而弹性网显示中等的预测能力，这说明了数据库的复杂性。进行了灵敏度分析，以确定影响温度预测的主要因素。与其他算法相比，Wilcoxon签名的秩检验证实了XGBoost在估计地热温度方面的出色性能，统计证据支持其精度和可靠性。用于不确定性分析的蒙特卡洛模拟强调了模型选择，准确性和不确定性管理在较低弗里利亚平原的地热项目计划中的重要性。在考虑的参数中，碳酸氢盐在0.51时的最高显着性，这对于准确的温度预测至关重要，因为它的缓冲能力直接影响水的热特性。镁和电导率每种都有0.11的贡献，也起着重要作用，因为它们对水的保留和分布能力的影响。水深为0.08，对预测模型中的温度曲线也有很大的影响。总而言之，在下部弗里利亚平原中，碳酸盐储层中XGBoost对含水层温度的准确预测强调了其优化地热资源的价值，并突出了对温度的最重要影响。
用于取样多体的量子生成模型...
量子计算机具有解决与经典量相关的概率的能力。他们可以在最著名的classical算法上具有超级分类的加速；所谓的量子至上[1]。以证明这种至高无上的关注已从诸如实施Shor的al-gorithm [2]等功能问题转变为采样问题[3]，因为看来人们不需要完整的通用量子计算机来获得量子加速[4-6]。例如，从最近在Google的Sycamore芯片上执行的随机量子电路的输出分布进行采样[7]，通常需要对电路进行直接数值模拟，并在Qubits数字中进行指数计算成本。尽管这些随机电路具有理论上的控制，但这意味着它们很难从中要采样以下事实，而不是关于艰难的考虑，但它们具有实际的实际用途。除了提供量子至上的证据外，他们没有解决任何问题。在这里，我们将一些硬度交换为实用性，并提供量子电路，以从多体系统中的hamiltonian动力学下进化的操作员的光谱函数中获取样品。该问题属于DQC1类[8]，该类别被认为严格小于BQP，同时仍然包含经典的问题[9，10]。光谱是表征凝结物质和分子系统的重要工具。有很多技术，每种技术都对可观察到的物体和能量谱的不同部分敏感。许多测量值可以作为一段时间的傅立叶变换，依赖相关函数。以例如探测电流相关σ（ω）=⟨j（ω）j（−Ω）⟩ /IΩ或无弹性中子scat- < /div>的光导率
随机森林用于缩小和间隙填充
摘要。干旱是一场毁灭性的自然灾害，在此期间，水短缺通常体现在植被的健康中。不幸的是，在空间和时间上获得高分辨率的植被影响信息很难。虽然远程感知的产品可以提供此信息的一部分，但它们通常会根据其空间或时间分辨率的数据差距和限制。远程感应产品之间的一个持续特征是空间分辨和重访时间之间的权衡：高时空分辨率与粗空分辨率达到了高度分辨率，反之亦然。机器学习方法已成功应用于广泛的遥感和水文研究。然而，仍然需要提供解决对植被的干旱影响的全球应用程序，因为这种产品有显着的潜力可以帮助改善干旱影响监测。为此，这项研究预测了基于增强的植被内部（EVI）和流行的随机森林（RF）回归体的全球植被动态。我们评估了RF作为间隙填充和缩减工具的适用性，以生成在空间和时间上一致的全局EVI估计值。为此，我们使用了许多特征，指示了植被经验丰富的水和能量平衡，并评估了该新产品的性能。结果表明，RF可以以0.1°分辨率（RMSE：0.02-0.4）和0.01°分辨率（RMSE：0.04-0.6）捕获全局EVI动力学。接下来，为了测试RF在空间分辨率方面是否稳健，我们降低了全局EVI：在0.1°数据上训练的模型用于以0.01°的重置预测EVI。总体误差更高。尽管如此，相对增加仍然是