XiaoMi-AI文件搜索系统
World File Search Systemoptimization
通过混合强化学习和优化算法增强了医疗废物管理的车辆路由
现代技术，尤其是人工智能，通过开发智能系统来优化从其一代到最终处置的最短路线，在改善医疗废物管理方面起着至关重要的作用。算法（例如Q学习和深Q网络）提高了运输和处置的效率，同时降低了环境污染的风险。在这项研究中，使用具有3吨能力的均质代理系统对人工智能算法进行培训，以优化封闭的电容车辆路由问题框架内医院之间的路线。将AI与探路技术集成在一起，尤其是混合A*-Deep Q网络方法，尽管最初的挑战，但仍导致了先进的结果。k均值聚类用于将医院分为区域，使代理可以使用深Q网络导航最短路径。分析表明，代理的能力尚未完全利用。这导致了使用Deep Q网络的分数背包动态编程应用，以最大程度地利用能力利用，同时实现最佳路线。由于用于比较算法的有效性的标准是车辆的数量和总车辆容量的利用率，因此发现具有DQN的分数背包脱颖而出，因为它需要最少的车辆数量（4），在该指标中达到0％的损失，因为它与最佳值相匹配。与其他需要5或7辆汽车的算法相比，它分别将车队尺寸降低了20％和42.86％。此外，与其他方法不同，它仅利用了车辆容量的33％至66％，它以100％的价格最大化车辆的容量利用率。但是，这种改进是以距离增加9％的成本，反映了每次旅行服务更多医院所需的较长路线。尽管取消了这种权衡，但该算法能够最大程度地减少车队的大小而充分利用车辆容量，这使其成为这些因素至关重要的情况下的最佳选择。这种方法不仅提高了性能，还提高了环境可持续性，使其成为研究中使用的所有算法中最有效，最具挑战性的解决方案。
针对分布式能源系统设计的可持续性分析：多目标优化方法
hal是一个多学科的开放访问档案，用于存款和传播科学研究文件，无论它们是否已发表。这些文件可能来自法国或国外的教学和研究机构，也可能来自公共或私人研究中心。
堆栈优化并测试其在 rSOC 中的集成——...
与专用于纯 SOEC 或 SOFC 模式的电池组相比，专用于 rSOC 操作的电池组需要改进。从电解电池组开始，欧洲项目 REFLEX 进行了改进，主要是为了增强反应物分布、降低压降、集成专门作为 REFLEX 项目的一部分开发的新电池，最后集成更大的电池以降低电池组和系统成本和占地面积。为了便于操作，优化了与系统的机械连接。对两个 5 电池组内的参考和优化电池进行了长期降解测试。组装了一个全尺寸 25 电池电池组，集成了优化的气体管线连接、特定的电池组夹紧系统和将电池组集成到 REFLEX 模块所需的内部电气绝缘。出于前瞻性考虑，首先生产并集成在 5 电池电池组中，然后是 25 电池电池组中的扩大电池。最后，在交付 20 个电池组以集成到 REFLEX 模块之前，检查了它们在预批量制造过程中的性能稳定性。
PVDF基复合薄膜的旋涂及微图案化优化
1 过程与材料科学实验室（LSPM-CNRS UPR-3407），巴黎北索邦大学（USPN），93430 Villetaneuse，法国； anhnn@hus.edu.vn （信息来源）； thanhhuyen.vltn@gmail.com（HTTN）； valerie.bockelee@lspm.cnrs.fr （VB）; frederic.schoenstein@univ-paris13.fr (FS) 2 越南科学技术院材料科学研究所，越南河内 Cau Giay 区 3 激光物理实验室（LPL-CNRS UMR-7538），巴黎北索邦大学（USPN），93430 Villetaneuse，法国； jeanne.solar d@univ-paris13.fr 4 Jean Lamour 研究所，UMR 7198 CNRS - 洛林大学 Artem 校区，54000 Nancy，法国 5 R&I 二氧化硅合成工程师，SOLVAY，92400 Courbevoie，法国； ch.benosman@gmail.com 6 巴塞罗那材料科学研究所（ICMAB-CSIC），UAB校区，08193 Bellaterra，西班牙； agomez@icmab.es（AG）; msimon@icmab.es (MS-S.)； anaesther@icmab.es (AEC) 7 PIMM、法国工艺学院、CNRS、Cnam、HESAM 大学，151 Boulevard de l'Hopital，75013 巴黎，法国； Sylvie.GIRAUL T@ensam.eu * 通信地址：silvana.mer cone@univ-paris13.fr
基于信号概率的多数表决架构设计探索，用于空间应用中的 TMR 策略优化
摘要 – 硬件冗余是一种众所周知的容错技术，用于安全和任务关键型系统。然而，这种技术的强化效率依赖于多数表决电路的稳健性。本摘要提供了用于辐射环境（例如太空任务）的多数表决架构的设计探索。提出了一种基于信号概率的特定应用单事件瞬态 (SET) 特性，以优化三模冗余 (TMR) 块插入方法。结果表明，复杂门架构的 SET 横截面表现出较低的输入依赖性，而对于基于 NOR/NAND 的架构，由于逻辑掩蔽效应，观察到更高的依赖性。此外，与其他架构不同，NAND 表决器显示，随着信号概率的增加，SET 率会降低。考虑到信号概率 p = 0.1、p = 0.5 和 p = 0.9，两个分析轨道的最佳设计分别是 NOR、CMOS1 和 NAND 表决器。
可再生能源不确定性下本地能源社区发电调度的随机优化
我要衷心感谢所有为本论文项目做出贡献的人。这项研究工作是在里尔电气工程和电力电子实验室 (L2EP, Laboratoire d'Electrotechnique et d'Electronique de Puissance de Lille) 进行的。本论文得到了中国国家留学基金委员会 (CSC) 的资金支持，对此我深表感谢。首先，我要向 Bruno FRANCOIS 先生表示诚挚的谢意，他在这三年里指导了我的工作。我欣赏他对研究工作的态度、他耐心的宝贵指导以及他对研究领域的前瞻性观点。他不仅向我传授知识，还以他的专业精神和道德为榜样教会了我。我还要衷心感谢我的联合导师 Dhaker ABBES 先生，他总是为我提供建设性的建议和科学支持。在他的善良、鼓励和热情下，与他一起工作真的是一种荣幸。我很荣幸 Florence OSSART 女士和 Robin ROCHE 先生同意审阅这篇论文。他们的问题和意见对我准备论文答辩和改进论文非常有帮助。我还要感谢评审团主席 Luce BROTCORNE 女士和评审团成员：François VALLEE 先生、Jérôme BOSCHE 先生、Nouredine HADJSAID 先生和 Vincent DEBUSSCHERE 先生，他们在答辩期间对我的工作进行了深刻的评估。在这三年里，多亏了 L2EP 的同事们，我有机会在非常好的氛围中工作。我衷心感谢他们所有人的热情和在困难时期的倾听。我向闫星宇表示最诚挚的感谢，他在我研究工作的开始阶段以极大的耐心为我提供了无数的科学支持和指导。我要感谢 Xavier CIMETIERE、Kongseng BOUNVILAY、Loïc CHEVALLIER 和 Sylvie DEZODT 在我就读里尔经济学院期间给予我的善意和帮助。非常感谢 Haibo、Reda、Lorraine、Meryeme、Houssein、Emre、Ebrahim（还有其他很多人，我无法在此一一列出名字），感谢他们的鼓励以及我们在一起度过的所有美好时光。我要从心底向我的家人表达无限的感激。如果没有他们在我求学期间无条件的鼓励和支持，这一切都不可能实现。他们以身作则教我如何面对困难，以及只有努力工作才能取得好成绩。最后，我要感谢我的男朋友 Yuliang，他一直很理解、耐心和支持我；他给了我成功开展研究工作的力量；无论欢乐还是悲伤，他总是用他的爱和信任陪在我身边。
校正：氧化石墨烯增强光热疗法：HELA癌细胞死亡率的激光参数优化和温度建模
farzaneh Zare Mehrabadi 1·Mohammad Ali Haddad 1,2·Najmeh sadat hosseini motlagh 3 Hagheralsadat 6 div>
考虑参与能源和灵活性市场的电力传输网格中可再生生成的托管能力的最大化：双重优化模型
对可再生能源产生的投资是过渡到可持续能源和能源系统的重要组成部分。在这方面，托管能力（HC）的概念是可再生发电的投资者和系统运营商确定最大数量连接可再生资源的有用工具，而无需修改或加强网格。然而，现有研究的相当一部分涉及分销系统中问题的技术要求，同时忽略了传输系统和市场范围。可再生生成吸收减少了对电力部门中化石燃料资源的依赖，同时还表现出满足系统灵活性需求的能力。本文提出了一种基于市场的方法，以最大限度地考虑能源和灵活性市场的传输系统中可再生的HC。为此，开发了一个双重优化问题，以研究最大化可再生生成HC的盈利能力。在上层问题中，关于新一代投资的非负盈利能力，开发了HC最大化。较低级别的问题解决了能源和灵活性市场的社会福利最大化，在这些市场中，新的可再生能源产生可以参与其中。将配方转移到单级混合刻板线性编程（MILP）问题中，以避免双重模型的非线性。所提出的模型应用于2总线说明性示例和IEEE 24总线可靠性测试系统（RTS）。结果表明，可再生生成单元可以通过参与灵活性市场来提高其盈利能力，从而从市场的角度增加可再生的HC。
用于早期预测的机器学习模型的临床验证和优化
方法：从2019年10月1日至2020年9月30日之间，从中国三级医院的2,329例成年患者组成的同类中收集了数据。选择了36个临床特征作为模型的输入。我们通过机器学习（ML）方法训练了模型，包括逻辑回归，决策树，随机森林（RF），多层感知器和光梯度增强。我们评估了五个ML模型的性能，评估指标为：ROC曲线（AUC）下的面积，准确性，F1得分，灵敏度和特异性。在2020年10月1日至2022年4月1日之间，另一批2,286例患者的数据被用来验证模型在内部验证集中表现最佳的模型。Shapley添加说明（SHAP）方法用于评估特征重要性并解释该模型的预测。
热量和电力地热植物优化的多目标方法
摘要：本文介绍了地热植物的名义条件的设计和操作的同时优化，在该植物的名义条件下，地热流体分为两个流以供应有机的兰金循环（ORC）和区域加热网络（DHN）。还研究了DHN的拓扑结构。使用GAMS软件制定并解决了混合整数非线性编程（MINLP）优化问题，以确定ORC的大小和DHN拓扑。在这项研究中，仅将R-245FA用作ORC工作流体，在ORC中考虑了可选的内部热交换器（IHE），并且DHN中的消费者可以确定或可选。通过最大化年度净利润并最大程度地减少工厂中的充分损失来进行多目标优化。使用目标函数的加权总和用于解决问题。通过改变重量因子，获得了帕累托阵线，并与理想但不可行的解决方案的距离允许选择最佳折衷。根据重量因子观察到四种不同的DHN拓扑。使用合适的标准做出决定，所选的配置对应于最小的利润价值最小的DHN。敏感分析表明，如果地热温度较低，无论重量因素如何，都可以获得独特的DHN拓扑。