XiaoMi-AI文件搜索系统
World File Search Systemswarm
新加坡和日本科学家发展技术 -
新加坡，2025年1月6日，新加坡和日本科学家开发了技术来控制来自南洋技术大学，新加坡（NTU新加坡），大阪大学和海洛希玛大学的机器人昆虫群的科学家，开发了一种先进的Swarm Swarm Navergation Angorigh algorg，可阻止它们成为遇到挑战的领域的机器人。发表在《自然通讯》上，新算法代表了群体机器人技术的重大进步。它可以为救灾，搜索任务和基础设施检查的应用铺平道路。Cyborg昆虫是真正的昆虫，背面配有微小的电子设备 - 由光学和红外摄像机，电池和用于通信的各种传感器组成 - 使其动作受到特定任务的遥控控制。2008年，来自NTU新加坡机械和航空航天工程学院的Hirotaka Sato教授首先证明了单一幼体昆虫的控制。然而，单一昆虫不足以进行诸如搜索和救援任务的操作，地震幸存者被散开，并且有一个最佳的72小时窗口来定位它们。
人工智能的工程应用
20 世纪 90 年代中期，提出了两种具有里程碑意义的元启发式算法：粒子群优化和差分进化。它们的初始版本非常简单，但迅速引起了广泛关注。在过去的四分之一世纪中，这两种优化算法的数百种变体已被提出并应用于几乎所有科学或工程领域。但是，到目前为止，尚未对这两种方法的性能进行更广泛的比较。在本文中，对十种粒子群优化和十种差分进化变体进行了比较，从 20 世纪 90 年代的历史变体到 2022 年的最新变体，这些变体在众多单目标数值基准和 22 个实际问题上进行了比较。平均而言，差分进化算法明显优于粒子群优化算法。差分进化相对于粒子群优化的优势与流行度相矛盾：在文献中，粒子群优化算法的使用频率是差分进化算法的两到三倍。粒子群优化比差分进化表现更好的问题确实存在，但相对较少。虽然这个结果可能是选择特定变体、实验设置或用于比较的问题的结果，但粒子群优化变体可能需要重新考虑算法理念，以使其更具竞争力。
无线传感器网络中节点的优化和节能部署
摘要。针对节能和最佳WSN的最佳部署问题，本文建立了最佳覆盖模型。同时，提出了一种基于粒子群理论和量子的粒子群优化的节能部署算法。准物理策略，即准实体和准库仑力，在量子粒子群优化算法的位置进化方程中引入，这可以合理地调节传感器节点之间的距离。此外，该算法可以以低区域重复速率获得快速优化。此外，对WSN节点的传感半径进行动态调整，以最大程度地减少节点的能量消耗。模拟结果表明，与传统的粒子群和量子性粒子群群优化方案相比，所提出的算法在网络覆盖率和收敛速度方面具有更好的性能。同时，该算法在减少WSN中的节点能量消耗方面具有一定的优势。
使用基于 RSSI 的位置信号对无人机群进行高级控制...
使用自主无人机协作群调查区域并收集有关失踪人员位置的信息，可以为搜索和救援行动带来巨大好处。本文研究了无人机群算法，该算法可防止代理对之间以及代理与静态障碍物之间的碰撞。该群由具有通信约束的低成本协作固定翼飞机组成。首先开发了一种分散式群体行为，假设系统能够提供所有飞机的准确位置。此外，代理通过使用 RSSI 测量来估计其位置。所有代理都配备了通信设备和广播无线电信号，并测量接收到的信号强度，以估计与其他群成员的距离。这些估计值进一步用于开发多点定位算法，其中每个代理使用来自至少三个附近代理的距离估计来估计自己的位置。通过添加飞机运动学的动态模型，可以提供更准确的估计，其中考虑了错误的位置估计。在 MATLAB 中，在 2-D 环境中模拟了自主群。代理实时做出决策，其运动由势场和信息素水平控制。排斥势用于防止碰撞，吸引势用于形成无人机集群，以便所有成员都保持在通信范围内。群体也被吸引到环境中未探索的区域。当提供真实的无人机位置时，开发的势场算法在控制群体方面确实显示出有希望的结果。代理对之间或代理与障碍物之间没有发生碰撞。代理没有越界，群体很强大，因为它能够处理单个成员的丢失。对于基于 RSSI 的位置估计方法，需要进一步开发群体行为。通信设备的接收器灵敏度限制了代理之间的最大距离及其滚动角度差异。当发生单个故障或障碍物阻碍群体路径时，并不总是有足够的 RSSI 测量值可用于执行
基于改进的AFSA-PSO事件触发方案的电源系统的负载频率控制
针对当前电力系统中冗余信息传输对网络资源利用的影响，提出了基于粒子群优化的事件触发方案，并提出了具有可再生能源的功率系统负载频率控制（LFC）的人工群群。首先，为了保持具有可再生能源的动力系统的稳定性和安全性，本文研究了负载频率控制方案。，为了减轻通信负担并增加网络利用，探索了基于粒子群算法和人工群群的改进的事件触发的方案，以进行功率系统负载频率控制。然后，通过利用改进的Lyapunov函数和线性矩阵不等式方法，建立了负载频率控制系统H∞稳定性的足够条件。最后，构建了两个面积负载频率控制系统和IEEE-39节点仿真模型，以验证所提出方法的有效性和适用性。
计算机科学中的BSchon（12244001）
该模块着重于两个计算智能范例，即进化计算和群智能。在进化计算范式中，将研究达尔文进化的算法模型，包括遗传算法，遗传编程，进化策略，进化编程，差异进化，文化算法和共同进化。将在自然界中发现的社会生物的群体智能范围算法模型中进行研究，包括蚂蚁算法和粒子群优化。这些算法将主要在复杂的优化问题的背景下进行研究，包括多目标优化，动态环境，约束和查找多个解决方案。假定的先验知识包括良好的编程技能和微积分中的本科模块。
机器人团队行星探索
自太空探索开始以来，火星和月球一直被轨道器、着陆器和探测车所探索。超过四十个任务瞄准火星，一百多个任务瞄准月球。开发用于探索天体的新型策略和技术仍然是航天机构的重点。多机器人系统对于行星探索尤其有前景，因为它们对单个故障更具鲁棒性，并且有可能探索更大的区域；但是，操作员可以单独控制的机器人数量是有限的。我们最近参加了欧洲航天局在西班牙兰萨罗特岛的月球/火星模拟站举行的跨学科设备测试活动 (PANGAEA-X)。我们使用了一群无人机 (UAV) 来研究系统操作和人为因素的相互作用。人类操作员通过自组织网络和数据共享协议指挥群体在两种控制模式下探索未知区域：一种是操作员分别指示每个机器人；另一种是操作员为群体提供一般指导，群体通过分布式决策和共识建立相结合的方式进行自组织。我们通过瞳孔测量评估每种情况下的认知负荷，并通过自我报告评估感知到的任务需求和直觉性。我们的结果表明，通过群体智能实现更高的自主性可以减少工作量，让操作员有时间执行其他任务，例如监督策略和沟通。未来的工作将进一步利用群体智能的进步进行探索任务。
行业和供应链管理无人机
无人机用于行业和供应链管理，这项工作旨在表明，使用一群无人驾驶飞机（UAVS）在室内与人类一起使用是可行且安全的。无人机越来越多地集成在行业4.0框架下。无人机群主要在户外部署在民用和军事应用中，但是在制造和供应链管理中使用它们的机会是巨大的。对无人机技术（例如本地化，控制和计算机愿景）进行了广泛的研究，但对无人机在行业中实际应用的研究较少。无人机技术可以改善数据收集和监视，增强物联网框架中的决策，并在行业中自动化时间耗时和冗余的任务。但是，无人机的技术发展与它们整合到供应链之间存在差距。因此，这项工作着重于自动运输包裹的任务，该任务是利用与人一起运行的一群小型无人机进行自动化的任务。MOCAP系统，ROS和Unity用于本地化，过程间通信和可视化。在像环境这样的仓库中以徘徊和群模式在UAV上进行多个实验。关键字：（无人机群，仓库，运输，物流，供应链，行业4.0）1。简介
进化计算
SCS5107 计算智能 计算智能：计算智能 (CI) 是一套受自然启发的计算方法和方法，用于解决现实世界应用中的复杂问题，而传统方法和方法对此无效或不可行。它主要包括模糊逻辑系统、神经网络和进化计算。此外，CI 还包含源自上述三种技术或围绕其中一种或多种技术的技术，例如群体智能和人工免疫系统，它们可以看作是进化计算的一部分。进化计算在计算机科学中，进化计算是人工智能（更具体地说是计算智能）的一个子领域，涉及组合优化问题。进化技术主要涉及元启发式优化算法，例如：进化算法（包括遗传算法、进化规划、进化策略和遗传规划）群体智能（包括蚁群优化和粒子群优化，以及较小程度的人工免疫系统、文化算法、差异进化、和谐搜索算法等。在人工智能中，进化算法 (EA) 是进化计算的一个子集，是一种基于种群的通用元启发式优化算法。EA 使用一些受生物进化启发的机制：繁殖、突变、重组和选择。优化问题的候选解决方案扮演着种群中个体的角色，适应度函数决定了解决方案“生存”的环境（另见成本函数）。在重复应用上述运算符后，种群就会进化。群体智能在计算智能领域有两种流行的群体启发方法：- 蚁群优化 (ACO)