XiaoMi-AI文件搜索系统
World File Search Systemwarm
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%。
主要物种决定果蝇 - 寄生物食物网络动力学和稳定性比复杂性，变暖或入侵更强烈
。cc-by-nc-nd 4.0国际许可证。是根据作者/资助者提供的预印本（未经同行评审认证）提供的，他已授予Biorxiv的许可证，以在2025年1月27日发布的此版本中显示此版本的版权持有人。 https://doi.org/10.1101/2025.01.27.634676 doi：Biorxiv Preprint
亚北极草原土壤六足动物群落对变暖的反应由微生物碳和氮介导
a CSIC，全球生态单位 CREAF-CSIC-UAB，08913，贝拉特拉，加泰罗尼亚，西班牙 b CREAF，08913，Cerdanyola del Vall ` es，加泰罗尼亚，西班牙 c 捷克科学院全球变化研究所，Belidla 986/4a，CZ-60300，布尔诺，捷克共和国 d 巴塞罗那自治大学，08193，贝拉特拉，西班牙 e 进化与多样性与生物学实验室（UMR5174 EDB），图卢兹 3 保罗萨巴蒂尔大学，CNRS，IRD，118 route de Narbonne，图卢兹，法国 f 安特卫普大学生物系，Universiteitsplein 1，B-2610，Wilrijk，比利时 g 维也纳大学微生物学和环境系统科学中心，Djarssiplatz 1， 1030，维也纳，奥地利 h 冰岛农业大学，112 Keldnaholt，雷克雅未克，冰岛 i 巴塞罗那大学进化生物学、生态学和环境科学系，08028，巴塞罗那，西班牙
将生命周期的全球变暖潜力整合到欧盟分类法
体现的碳：在建筑物或基础设施的整个生命周期中，与材料和建设过程相关的温室气体排放。Embodied carbon includes: material extraction and upstream production (A1), transport to manufacturer/factory (A2), manufacturing (A3), transport to site (A4), construction and installation processes (A5), use phase (B1), maintenance (B2), repair (B3), replacement of building components (B4), renovation (B5), deconstruction (C1), transport to end-of-life设施（C2），重复使用，恢复或回收（C3）和废物处理（C4）的处理（C4）。产品再利用，材料回收和导出的能源 /能量回收率（d）以外的益处和负载应根据EN 15978及相关标准分别报告。
在并发设计标准下的机器人群的自动设计：基于迭代的F-Race
自动设计是实现机器人群的一种吸引人的方法。在这种方法中，设计师指定了群体必须执行的任务，而优化算法搜索了控制软件，该控制软件使机器人能够执行给定的任务。传统上，自动设计的研究集中在单个设计标准指定的任务上，采用基于单目标优化算法的方法。在这项研究中，我们研究是否可以适应现有的方法来解决并发设计标准指定的任务。我们专注于双标准案例。我们用一群E-Puck机器人进行实验，必须执行两个任务的序列：序列中的每个任务都是独立的设计准则，自动方法在优化过程中必须处理。我们考虑通过加权总和，超音速或l 2 -norm聚集并发标准的模块化和神经进化方法。我们将它们的性能与一种原始自动模块化设计方法的Cansarina进行了比较。普通话将迭代的F-race作为优化算法整合，以在不汇总设计标准的情况下进行设计过程。通过物理机器人进行现实的模拟和演示的结果表明，最佳结果是通过模块化方法以及设计标准未汇总的。
1。截至2025年1月1日，高加热许可证
Haagse地理位置B.V. N.V.T.中的海牙4a1 232 31-12-2024 HAAGSE地热B.V. N.V.T.1 221 31-12-2024 Nootdorp-Oost 2在Haagse Geothermolde B.V. N.V.T.中1 224 31-12-2024 Ypenburg 1a在Haagse地理位置B.V. N.V.T.1 229 31-12-2024 *新的预期社会开始的变化允许没有变化。社会的变化以下 - UP不允许不变。名称更改
强化学习用于增强无人机群双基地 ISAC 系统中的感知估计
摘要 —本文介绍了一种新颖的多智能体强化学习 (MARL) 框架，以使用无人机 (UAV) 群作为传感雷达来增强综合传感和通信 (ISAC) 网络。通过将无人机的定位和轨迹优化构建为部分可观测马尔可夫决策过程，我们开发了一种 MARL 方法，该方法利用集中训练和分散执行来最大化整体传感性能。具体来说，我们实施了一种分散的合作 MARL 策略，使无人机能够制定有效的通信协议，从而增强其环境意识和运营效率。此外，我们通过传输功率自适应技术增强了 MARL 解决方案，以减轻通信无人机之间的干扰并优化通信协议效率。此外，还结合了传输功率自适应技术来减轻干扰并优化学习到的通信协议效率。尽管复杂性增加，但我们的解决方案在各种场景中都表现出强大的性能和适应性，为未来的 ISAC 网络提供了可扩展且经济高效的增强功能。索引术语 — 多智能体强化学习 (MARL)、综合传感和通信 (ISAC)、无人机 (UAV)。
在机器人群的自动模块化设计中利用环境和机器人间信号。通信、对事件的反应和连续任务
本论文提出的论点得到了实证证据的支持。我们展示了自动设计的机器人群依靠特定于任务的信号来执行任务的各种场景。在这些实验中，我们考虑了通过单个或并发性能指标来评估群体性能的任务。值得注意的是，我们通过演示将这些想法应用于空间组织行为、基于协同行为的行为、引导行为的自动设计以及机器人群的设计。在这些研究中，我们表明，嵌入在 AutoMoDe 专用模块中的简单单比特信号协议足以克服以前在设计机器人群的空间组织行为方面的限制。此外，我们表明 AutoMoDe 可以利用直接通信能力和基于信息素的协同行为的间接通信。我们说明了 AutoMoDe 利用信号的能力如何不仅促进了群体内的通信，而且还实现了与群体工作空间中其他活动代理的交互。我们还表明，AutoMoDe 可以通过从所需的集体行为演示中学习来进行设计过程。
聚集的变暖公差和在变暖行星上生物多样性损失的非线性风险
1 伦敦大学学院，伦敦大学学院，伦敦WC1E 6BT，英国2年生命科学学院，四川大学，成都610065，中国3 RSPB保护科学中心，桑迪，贝德福德郡SG19 2DL，英国英国4环境和可持续发展研究所，Exeren Camp，Exeren Camp，Exerus，Exere tress 9fie，Exery tress，Exere and exeter tress，Exery tress，瑞典科学学院，斯德哥尔摩114 18，瑞典6斯德哥尔摩韧性中心，斯德哥尔摩大学，斯德哥尔摩，斯德哥尔摩106 91，瑞典7 7研究中心，生态变化研究中心，生物和进化生物学研究计划，生物学与环境科学系，赫尔辛基大学，赫尔辛基大学纽约市纽约市纽约市纽约市纽约市纽约市， Ciencias Naturals，马德里28006，西班牙伦敦大学学院，伦敦大学学院，伦敦WC1E 6BT，英国2年生命科学学院，四川大学，成都610065，中国3 RSPB保护科学中心，桑迪，贝德福德郡SG19 2DL，英国英国4环境和可持续发展研究所，Exeren Camp，Exeren Camp，Exerus，Exere tress 9fie，Exery tress，Exere and exeter tress，Exery tress，瑞典科学学院，斯德哥尔摩114 18，瑞典6斯德哥尔摩韧性中心，斯德哥尔摩大学，斯德哥尔摩，斯德哥尔摩106 91，瑞典7 7研究中心，生态变化研究中心，生物和进化生物学研究计划，生物学与环境科学系，赫尔辛基大学，赫尔辛基大学纽约市纽约市纽约市纽约市纽约市纽约市， Ciencias Naturals，马德里28006，西班牙伦敦大学学院，伦敦大学学院，伦敦WC1E 6BT，英国2年生命科学学院，四川大学，成都610065，中国3 RSPB保护科学中心，桑迪，贝德福德郡SG19 2DL，英国英国4环境和可持续发展研究所，Exeren Camp，Exeren Camp，Exerus，Exere tress 9fie，Exery tress，Exere and exeter tress，Exery tress，瑞典科学学院，斯德哥尔摩114 18，瑞典6斯德哥尔摩韧性中心，斯德哥尔摩大学，斯德哥尔摩，斯德哥尔摩106 91，瑞典7 7研究中心，生态变化研究中心，生物和进化生物学研究计划，生物学与环境科学系，赫尔辛基大学，赫尔辛基大学纽约市纽约市纽约市纽约市纽约市纽约市， Ciencias Naturals，马德里28006，西班牙伦敦大学学院，伦敦大学学院，伦敦WC1E 6BT，英国2年生命科学学院，四川大学，成都610065，中国3 RSPB保护科学中心，桑迪，贝德福德郡SG19 2DL，英国英国4环境和可持续发展研究所，Exeren Camp，Exeren Camp，Exerus，Exere tress 9fie，Exery tress，Exere and exeter tress，Exery tress，瑞典科学学院，斯德哥尔摩114 18，瑞典6斯德哥尔摩韧性中心，斯德哥尔摩大学，斯德哥尔摩，斯德哥尔摩106 91，瑞典7 7研究中心，生态变化研究中心，生物和进化生物学研究计划，生物学与环境科学系，赫尔辛基大学，赫尔辛基大学纽约市纽约市纽约市纽约市纽约市纽约市， Ciencias Naturals，马德里28006，西班牙伦敦大学学院，伦敦大学学院，伦敦WC1E 6BT，英国2年生命科学学院，四川大学，成都610065，中国3 RSPB保护科学中心，桑迪，贝德福德郡SG19 2DL，英国英国4环境和可持续发展研究所，Exeren Camp，Exeren Camp，Exerus，Exere tress 9fie，Exery tress，Exere and exeter tress，Exery tress，瑞典科学学院，斯德哥尔摩114 18，瑞典6斯德哥尔摩韧性中心，斯德哥尔摩大学，斯德哥尔摩，斯德哥尔摩106 91，瑞典7 7研究中心，生态变化研究中心，生物和进化生物学研究计划，生物学与环境科学系，赫尔辛基大学，赫尔辛基大学纽约市纽约市纽约市纽约市纽约市纽约市， Ciencias Naturals，马德里28006，西班牙伦敦大学学院，伦敦大学学院，伦敦WC1E 6BT，英国2年生命科学学院，四川大学，成都610065，中国3 RSPB保护科学中心，桑迪，贝德福德郡SG19 2DL，英国英国4环境和可持续发展研究所，Exeren Camp，Exeren Camp，Exerus，Exere tress 9fie，Exery tress，Exere and exeter tress，Exery tress，瑞典科学学院，斯德哥尔摩114 18，瑞典6斯德哥尔摩韧性中心，斯德哥尔摩大学，斯德哥尔摩，斯德哥尔摩106 91，瑞典7 7研究中心，生态变化研究中心，生物和进化生物学研究计划，生物学与环境科学系，赫尔辛基大学，赫尔辛基大学纽约市纽约市纽约市纽约市纽约市纽约市， Ciencias Naturals，马德里28006，西班牙伦敦大学学院，伦敦大学学院，伦敦WC1E 6BT，英国2年生命科学学院，四川大学，成都610065，中国3 RSPB保护科学中心，桑迪，贝德福德郡SG19 2DL，英国英国4环境和可持续发展研究所，Exeren Camp，Exeren Camp，Exerus，Exere tress 9fie，Exery tress，Exere and exeter tress，Exery tress，瑞典科学学院，斯德哥尔摩114 18，瑞典6斯德哥尔摩韧性中心，斯德哥尔摩大学，斯德哥尔摩，斯德哥尔摩106 91，瑞典7 7研究中心，生态变化研究中心，生物和进化生物学研究计划，生物学与环境科学系，赫尔辛基大学，赫尔辛基大学纽约市纽约市纽约市纽约市纽约市纽约市， Ciencias Naturals，马德里28006，西班牙
莎莎：群算法模拟器
摘要 - 越来越多地将Swarm算法作为解决各个领域的分布式，复杂问题的潜在解决方案。但是，由于缺乏健壮和灵活的测试床，开发和测试这些算法仍然具有挑战性。此外，有效地调整群体算法的参数以适合特定情况是一个重要的挑战。本文纸提出了萨尔萨纸，这是一个综合且可扩展的框架，旨在简化群体算法的开发和评估 - 旨在易于使用。我们的测试床使用户能够定义自定义的群算法，无人机类型，检测目标和代理交互过程。它还允许动态参数更新，提供即时反馈以优化算法performence。此外，测试台支持用户限制的数据和自动数据收集，以确保用户可以充分地收集相关的数据。总的来说，莎莎莎莎通过减少设置和测试群算法所需的时间和精力来提高研究效率。索引术语 - 空军，空中群，多机构系统，自组织系统，仿真，测试床