XiaoMi-AI文件搜索系统
World File Search Systemswarm
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
使用2D激光雷达环境的自适应学习粒子群体优化的移动机器人路径计划
摘要智能逻辑应用程序机器人的加载和卸载操作在很大程度上取决于其感知系统。但是，关于LIDAR图及其在复杂环境导航系统中的评估算法的研究很少。在拟议的工作中，使用二进制占用网格方法对LIDAR信息进行了限制，并实施了改进的自适应学习粒子群群优化（ISALPSO）算法，以进行路径预测。该方法利用2D激光雷达映射来确定后勤应用程序中移动机器人最有效的路线。在机器人操作系统（ROS）平台中使用Hector SLAM方法来实现移动机器人实时位置和地图构建，随后将其转换为二进制占用网格。为了显示所提出方法的路径导航发现，使用2D LIDAR映射点数据在MATLAB 2D虚拟环境中创建了导航模型。根据生成的路径的性能，ISALPSO算法适应其参数惯性重量，加速度系数，学习系数，突变因子和群的大小。与其他五个PSO变体相比，ISALPSO算法具有相当短的路径，快速收敛速率，并且基于使用2D Lidar环境的验证，需要更少的时间来计算运输和卸载环境之间的距离。使用与2D激光雷达连接的Quanser硬件验证了Logistic应用程序中移动机器人的路径规划的效率和效率，并使用拟议的算法在环境3中进行操作，以生产最佳路径。
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。
使用遗传算法，粒子群优化的综合方法的设计，用于优化电子束光刻，
摘要：随着先进制造对精确微型和纳米级图案的不断增长的要求，迫切需要对EBL过程的优化。当前的优化方法涉及GA与GWO或PSO与GWO等组合，而GWO与不良的探索 - 探索折衷折衷相困难，因此融合到次优溶液或溶液的不足。通过创新的自适应狼驱动的蜂群进化方法克服了上述挑战，使GA，PSO和GWO的优势协同以进行EBL的优化过程。从GA中产生多样化的解决方案人群是AWDSE的开始，以确保搜索空间中的广泛探索。此外，使用GWO的基于角色的分类将解决方案分层分类为不同的角色：Alpha，Beta，Gamma，Delta。的解决方案（Alpha，beta）通过基于PSO的更新来完善，这些更新通过更新解决方案来利用搜索空间，而解决方案排名较低（Gamma，delta）则受到GA驱动的交叉和突变操作，以维持多样性和探索。GA的进化操作与PSO粒子更新之间的自适应切换肯定是由GWO的领导动力驱动的，GWO的领导动力可以使多样化强化的更密集平衡，从而可以提高收敛精度和速度。实验结果证明，AWDSE能够提高约18％的临界维度，而延迟时间的收缩率达到12％，效果超过了GA-GWO和PSO-GWO的传统方法。这一进步强调了AWDSE可以显着提高EBL效率和准确性的可能性，而远离纳米制造过程的景色却越来越快。
使用粒子群优化算法实现并网住宅太阳能发电系统的日前最优能源调度
摘要 本文提出了并网住宅光伏系统的日前优化能源调度技术，以符合电价并优化家庭运营效益。该解决方案被视为优化问题，目标是最大化家庭能源效益，优化变量是电力调度率，即出售给电网的光伏电力与供应负载后的额外光伏能源之比。之后，使用粒子群优化 (PSO) 解决公式化的非线性优化问题。使用位于尼泊尔拉利特布尔的典型并网太阳能供电系统（具有太阳能光伏系统和电池储能系统）进行验证分析。研究结果表明，建议的能源调度策略与启发式优化方法相结合，可成功实现多种能源的优化能源调度，从而在分时电价下实现财务效益最大化。
用多目标粒子群算法
摘要伊朗太阳能的高潜力以及空气污染的问题使使用太阳能越来越不可避免。在这项工作中，研究了太阳能有机兰丁周期（ORC）。太阳能收集器是平板收集器。与MOPSO算法的混合体系的能量，自我和经济分析是针对伊朗首都德黑兰进行的。假定太阳能收集器的工作流体被认为是水，ORC的工作流体为R123。MATLAB软件用于仿真，为了计算R123流体属性，使用了重建软件。exergy的调查表明，最充电的破坏与蒸发器有关。考虑了两个由发射效率和电价组成的目标功能。该优化的决策变量被认为是太阳能收集器面板和泵的数量，涡轮机等效率以及冷凝器和蒸发器的压力。帕累托图显示，系统的发电效率在7.5-10.5％的范围内可能有所不同，生产的电力价格可能会在0.2-0.26 $/kWh的范围内变化。关键字：自动，有机兰金周期，平坦收集器，能量，经济，太阳能。
基于多尺度电流分布和粒子群优化的充电站规模优化：在电动助力自行车中的应用
摘要 — 电动自行车 (ebike) 的发展因其经济和环境优势而受到越来越多的关注。本研究基于粒子群优化对电动自行车充电站进行尺寸优化。它基于电动自行车电池的消耗情况、太阳能和风能以及组件的安装、更换和维护成本。第一步，使用二阶非线性电热模型确定电动自行车电池的消耗情况。然后，使用一年的太阳能和风能数据来确定充电站实施地点的能源可用性。最后，将成本定义为目标函数，同时考虑太阳能光伏板数量、风力涡轮机数量、蓄电池数量和年度充电需求的限制。研究了将在法国安纳西理工学院校园内实施的充电站的背景。结果表明，与未进行优化的尺寸相比，粒子群优化可使成本降低约 56.04%。
研究文章 使用多级粒子群优化进行基于运动想象的 BCI 系统的通道和特征选择
脑机接口 (BCI) 是连接人脑和计算机或其他电子设备的通信和控制系统。然而，无关通道和与任务无关的误导性特征限制了分类性能。为了解决这些问题，我们提出了一种基于粒子群优化 (PSO) 的高效信号处理框架，用于通道和特征选择、通道选择和特征选择。改进的 Stockwell 变换用于特征提取，多级混合 PSO-贝叶斯线性判别分析用于优化和分类。这里使用 BCI 竞赛 III 数据集 I 来确认所提方案的优越性。与未优化方法（89%准确率）相比，基于PSO的方案在使用不到10.5%的原始特征时，最佳分类准确率达到99%，测试时间减少90%以上，Kappa值和F-score分别达到0.98和98.99%，信噪比更好，优于现有算法。结果表明，通道和特征选择方案可以加快收敛到全局最优的速度，减少训练时间。由于该框架可以显著提高分类性能，有效减少特征数量，大大缩短测试时间，可以为相关实时BCI应用系统研究提供参考。
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
在对抗环境中远程操作无人机引导一群无人地面车辆时的脑电图工作量指标
心理负荷是指由于任务对个体施加心理需求而导致的心理资源耗竭。当任务难度增加时，由于可用的认知资源减少，心理负荷也会增加。研究表明，当个体承受高认知负荷且认知负荷接近个体的认知能力时，容易做出次优决策和出现人为错误。在任务需求没有增加的情况下，长时间的心理活动也会导致认知资源耗竭（Kamzanova 等，2014）。低负荷也会导致错误，这是由于无聊以及环境影响因素导致人类分心于主要任务的可能性。人类的资源是有限的（包括体力和脑力），因此，将这些资源优化用于特定的任务集可能会产生更好的结果。然而，由于人口统计因素（性别、年龄、种族）、内在动机、情绪状态（快乐、悲伤、焦虑等）、以往经验以及因心理能力、教育和技能不同的问题解决策略等诸多因素，很难在工作环境中理解这些人类局限性。例如，两个操作员对完成一项任务的难度可能会有不同的看法；操作员 A 可能一开始认为任务很难，但后来找到了解决任务的好策略，而操作员 B 可能会发现任务极其困难，从而灰心丧气，最终无法完成任务。由于人力资源有限，当一项任务需要更多资源时，就会出现问题（ Maior 等人，2014 年）。在许多领域，处理信息、对不同环境做出反应以及做出准确决策的能力至关重要。例如，空中交通管制员 (ATC) 通常在对认知要求极高的环境中工作，长时间工作，并且承受压力 (Dasari et al., 2017)。这种情况可能导致认知资源耗尽，从而导致绩效下降。另一个明显的例子是重症监护室的医生和护士，他们面临大量工作，需要迅速采取行动，并在长时间紧张工作后保持警惕。在这种情况下，错误和标准下降意味着患者护理的质量和安全可能受到危害 (MacPhee et al., 2017)。因此，显然有必要测量心理工作量以确定个人在完成任务时认知需求的变化，这可能有助于减少错误、任务失败和事故，从而提高和保持更长时间的绩效。已经提出了许多用于测量心理工作量的指标。在文献中，这些指标可以分为两大类：主观指标和客观指标。主观指标基于操作员的意见、问卷答案和访谈。一种常用的主观评估操作员心理负荷的技术是 NASA 任务负荷指数 (NASA-TLX)（Hart 和 Staveland，1988）。该方法使用六个维度：心理需求、身体需求、时间需求、绩效、挫折程度和努力程度，每个维度都有 10 分或 20 分的量表。然后计算出总体评分，即所有六个评分的加权平均值。其中一种