XiaoMi-AI文件搜索系统
World File Search System于元
基于元启发式的微电网规模模型，集成套利感知多日电池调度
摘要：基于规则的微电网调度策略在过去二十年中受到了广泛关注。然而，最近的大量文献已确凿地表明，在优化微电网规模的同时，优化运营调度具有诸多好处。这通常被称为微电网设计和调度协同优化 (MGDCO)。然而，据可查明，文献中所有现有的 MGDCO 模型都考虑了 24 小时解析的日前时间范围，以实现相关的最佳能源调度过程。也就是说，在更广泛的相关文献中，通常没有关于多日时间范围内的智能、前瞻性能源调度策略。为此，本文介绍了一种新颖的 MGDCO 建模框架，该框架将基于套利感知线性规划的多日能源调度策略集成到基于元启发式的标准微电网投资规划流程中。重要的是，该模型通过生成考虑三天内情景的最佳调度解决方案，有效地延长了微电网投资规划问题中主流能源调度优化的时间范围。基于从测试案例微电网获得的数值模拟结果，验证了所提出的基于优化的调度策略在微电网规模确定过程中的有效性，同时保留了计算的可处理性。具体而言，将使用制定的 72 小时调度策略的所提出的投资规划框架与照常的 MGDCO 方法进行比较，结果表明它可以将微电网的全寿命成本降低高达 8%。所提出方法的优异性能在很大程度上可归因于有效利用了电表后锂离子电池存储，从而提高了整体系统的灵活性。
关于元宇宙在教育中的应用的系统文献综述
《国际教育技术杂志》（IJTE）是一份同行评审的在线学术杂志。本文可用于研究、教学和个人学习目的。作者对其文章的内容负全部责任。该杂志拥有文章的版权。出版商不对因使用研究材料而直接或间接引起的任何损失、诉讼、索赔、诉讼、要求、费用或损害承担责任。请所有作者披露任何实际或潜在的利益冲突，包括与提交作品相关的与其他个人或组织的任何财务、个人或其他关系。
推荐引用 推荐引用 ATALI, GÖKHAN; PEHL İ VAN, İ HSAN; GÜREV İ N, B İ LAL; 和 Ş EKER, HAL İ L İ BRAH İ M (2021) “基于元启发式的人工智能算法中的混沌：简要回顾”，土耳其电气工程与计算机科学杂志：第 29 卷：第 3 期，第 3 篇文章。https://doi.org/10.3906/elk-2102-5 可在以下网址获取：https://journals.tubitak.gov.tr/elektrik/vol29/iss3/3
随着科学技术的发展，优化问题的复杂性也成倍增加。在工程和其他技术问题中，利用优化方法实现利润最大化或损失最小化一直是最重要的目标之一。为了加速问题的解决，人们开发了采用元启发式方法的优化问题解决方案算法，这些算法通常受到自然界生物、物理事件、群体行为等的启发。元启发式算法是一种启发式方法，它可以为计算能力不完整或有限的优化问题提供足够好的解决方案，该算法使用了计算机科学和数学优化中的高级程序。这些算法通常可以快速收敛到最优值，计算简单且易于实现。
文章 - 基于流程仪的 - 基于元计的受体 -
第三种类型的受体占用度测量称为总受体测量，该测量值与药物的存在或不存在无关的所有受体（图5）。这种测量可深入了解药物结合产生的受体内在化水平。该测定法使用荧光二级抗药物抗体来测量药物与其受体部位的结合。此外，该测定法使用荧光标记的非竞争性抗体与受体的总体结合，而不管药物是否存在。这些非竞争性抗体通过在同一受体上与其他位点结合来起作用。
基于元学习的药物-靶标结合亲和力预测
在药物研发的早期阶段，准确预测靶蛋白与药物的结合行为对于发现具有良好效力和选择性的候选分子至关重要 (Hughes et al., 2011)。药物-靶标结合亲和力 (DTA) 预测是一个回归问题，旨在预测实验测量的结合亲和力值，这有助于对化合物进行排序和优化。尽管它通常比药物-靶标相互作用 (DTI) 预测问题更困难，后者是对活性/非活性化合物的二元分类，但 DTA 预测已根据深度学习的最新进展得到积极解决 (Ragoza 等人，2017 年；Stepniewska-Dziubinska 等人，2018 年；Jim´enez 等人，2018 年；Zhang 等人，2019 年；Jones 等人，2021 年；Abbasi 等人，2020 年；¨ Ozt¨urk 等人，2018 年；Abbasi 等人，2020 年；Nguyen 等人，2020b；2021)。
基于元信息的量子光子学
从超材料到元面积，光学纳米结构已被广泛研究，以提高新型和高效率的功能。除了复合材料的内政特性外，丰富的功能还可以源自尼古拉斯的司法设计，该设计比传统的批量操作元素更具出色和高度集成的光学设备。同时，可以将大量的经典域中光的操纵abilites置于量子域。在这篇综述中，我们重点介绍了基于元信息的量子光学量的最新开发，范围从量子质量，产生，操纵和量子光的应用到量子效果工程等。最后，提出了一些有前途的量子光学途径。
用于元件抛光的CeO2基复合材料的研究进展
Figure 7. Morphologies and surface roughness values of (a) the initial surface and the polished surface under conditions of (b) without UV-light, (c) TiO 2 film electrode with UV-light, (d) TiO 2 film electrode with UV-light and anodic bias, (e) CeO 2 -TiO 2 composite-film electrode with UV-light and (f) CeO 2 -TiO 2 composite-film elec- trode with UV-light and anodic bias [31] 图 7. (a) 初始表面； (b) 无紫外光条件下抛光表面； (c) 有紫外光并使用用 TiO 2 薄膜电极抛光下表 面； (d) 在有紫外光和阳极偏压的 TiO 2 薄膜电极下抛光表面； (e) 有紫外光并使用 CeO 2 -TiO 2 复合 膜电极下抛光表面； (f) 有紫外光和阳极偏压的 CeO 2 -TiO 2 复合膜电极抛光表面的形貌和表面粗糙 度值 [31]
使用基于元学习的深度学习模型推断麻醉状态下的大脑状态
摘要 — 监测麻醉期间的意识深度对于临床环境和神经科学研究都有助于了解大脑机制。脑电图 (EEG) 已被用作实时表征麻醉剂引起的大脑改变的唤醒和/或认知状态的客观手段。不同的全身麻醉剂以不同的方式影响脑电活动。然而，由于 EEG 信号的信噪比 (SNR) 低，尤其是在办公室麻醉 EEG 环境中，传统机器学习模型在 EEG 数据上的表现并不令人满意。深度学习模型因其良好的泛化和处理噪声的能力而被广泛应用于脑机接口 (BCI) 领域以执行分类和模式识别任务。与其他深度学习已显示出令人鼓舞的结果的 BCI 应用相比，用于对麻醉下不同大脑意识状态进行分类的深度学习方法的研究要少得多。在本文中，我们提出了一种基于元学习的新框架，使用深度神经网络对麻醉状态下的大脑状态进行分类，即 Anes-MetaNet。Anes-MetaNet 由卷积神经网络 (CNN) 组成，用于提取功率谱特征，基于长短期记忆 (LSTM) 网络的时间后果模型用于捕获时间依赖性，以及元学习框架用于处理跨主体的大量差异。我们使用多阶段训练范例来提高性能，这可以通过可视化高级特征映射来证明。通过与现有方法进行比较，在办公室麻醉脑电图数据集上进行的实验证明了我们提出的 Anes-MetaNet 的有效性。
基于元模型的设计优化 - DiVA
汽车公司面临着激烈的竞争，因此他们力求以更便宜、更快的方式设计出更好的产品。这一挑战要求不断改进方法和工具，因此需要使用仿真模型来评估产品的每个可能方面。优化越来越受欢迎，但其全部潜力尚未得到充分发挥。对精确仿真结果的需求不断增加，导致需要创建详细的仿真模型，而这些模型的评估通常需要耗费大量的计算资源。基于元模型的设计优化 (MBDO) 是一种有效的方法，可以减轻优化研究期间的计算负担。元模型是详细仿真模型的近似值，评估时间很短，因此在需要进行多次评估时尤其有效，例如在多学科设计优化 (MDO) 中。