XiaoMi-AI文件搜索系统
World File Search System优化目标
自动配网中波动性储能系统混合配置优化策略
摘要：本研究旨在解决有源配电网（ADN）不稳定能源接入问题，包括频率调节困难、ADN 电压偏差增大、运行安全性和稳定性下降等。本研究建立了一个两阶段主要化配置模型来识别和理解波动性能源如何影响混合储能系统（HESS）。利用风能、太阳能和负荷的日预报数据来检查带有铅酸电池和超级电容器（SC）的 ADN 和 HESS。在这个规划阶段，综合成本、网络损耗和节点电压偏差被视为多目标优化模型中的最优目标，而改进的多目标优化粒子群方法用于求解容量配置的初始值。在运行阶段，以风电输出功率波动、HESS频率偏差等优化目标求解SC配置能力修正值，并利用加入混沌机制的量子粒子群算法对ADN中不同类型机组的输出进行进一步优化，基于案例33个节点实例进行仿真研究，确定最佳配置结果，仿真结果验证了模型的可行性。
融合碳排放交易和绿色证书交易的虚拟电厂优化调度模型
大规模清洁能源的并网为清洁能源体系的建立提供了可能，如何提高清洁能源的利用效率以减少碳排放是亟待解决的问题。首先，分析了碳交易和绿证交易机制下的虚拟电厂（VPP）运营模式。其次，将碳交易机制和绿证交易机制融入到包括风电、光伏发电、燃气轮机和储能装置的VPP优化调度模型中，以VPP的净利润为优化目标，兼顾经济性和环保性。基于VPP是否参与碳交易和绿证交易，建立了3种方案并进行比较分析。此外，为应对可再生能源的波动性，对3种方案下4个典型日可再生能源出力场景的利用率进行了比较分析。针对该问题，本文提出了自归纳变分粒子群优化（SCV-PSO）算法。仿真结果表明,提出的VPP优化调度模型及求解算法能在保证经济性的前提下有效提高可再生能源利用率、减少碳排放,为今后电力系统低碳经济运行提供有益参考。
量子态断层扫描作为数值优化问题
摘要 我们提出了一个框架，将寻找最有效的量子态断层扫描 (QST) 测量集的方法公式化为一个可以通过数值求解的优化问题，其中优化目标是最大化信息增益。这种方法可以应用于广泛的相关设置，包括仅限于子系统的测量。为了说明这种方法的强大功能，我们给出了由量子比特-量子三元组系统构成的六维希尔伯特空间的结果，例如可以通过 14 N 核自旋-1 和金刚石中氮空位中心的两个电子自旋态来实现。量子比特子系统的测量用秩三的投影仪表示，即半维子空间上的投影仪。对于仅由量子比特组成的系统，通过分析表明，一组半维子空间上的投影仪可以以信息最优的方式排列以用于 QST，从而形成所谓的相互无偏子空间。我们的方法超越了仅有量子比特的系统，我们发现在六维中，这样一组相互无偏的子空间可以用与实际应用无关的偏差来近似。
2025-ai-to-beenfit-humanity-award-
罗素的工作旨在确保人类和越来越有能力的AI系统的安全和有益共存。罗素（Russell）创造的核心问题是图灵，维纳（Wiener），明斯基（Minsky）和博斯特罗姆（Bostrom）等：一种功能强大的优化器，其目标与“人类的最大利益”不一致可能导致不可逆转的局势，在这种情况下，这些利益不再持续下去。Russell的解决方案是从他先前引入反向加固学习中借用的，它是自1950年代以来绝大多数AI研究的核心假设：假设AI系统具有固定的优化目标。这个假设是为解决问题，计划，MDP，强化学习等所有工作的基础，因为AI进入了真实的开放式世界。Russell提出，AI应作为“援助游戏”，其中AI系统的唯一目标是进一步的人类利益，但明确不确定这些利益是什么。关键结果是援助游戏求解器对人类非常有益。通过他的书《人类兼容》，《 BBC Reith讲座》和许多其他出版物，罗素一直是建立AI安全领域的领先人物。
AI增强的数据同化和不确定性定量应用于地质碳存储
这项研究研究了机器学习（ML）和数据同化（DA）技术的整合，重点是实施用于地质碳储存（GCS）项目的替代模型，同时保持后状态的高富达物理结果。最初，在通道储层中的CO 2注射模拟的背景下，我们评估了两个不同的机器学习模型（FNOS）和变压器UNET（T-UNET）的替代建模能力。我们介绍了基于替代物的混合ESMDA（SH-ESMDA），这是传统的合奏对多种数据同化（ESMDA）的改编。此方法将FNO和T-UNET用作替代模型，并有可能使标准的ESMDA过程至少更快或更高，具体取决于同化步骤的数量。此外，我们引入了基于替代的混合RML（SH-RML），这是一种差异数据同化方法，依赖于随机最大似然（RML），在该方法中，FNO和T-UNET都可以计算梯度以优化目标函数，以及用于计算较高的状态模型来进行计算。我们的比较分析表明，与案例研究的常规ESMDA相比，SH-RML提供了更好的不确定性量化。
学习以偏见搜索的异质多代理分配
摘要 - 基于信息的覆盖范围指示机器人在区域上移动，以根据某种信息来优化预定义的目标函数。我们先前的工作确定信息图的光谱分解可用于指导一组异质剂，每个剂具有不同的传感器和运动模型，以基于一种称为Ergodicity的度量来优化目标区域中的覆盖范围。在本文中，我们建立在这种见解的基础上，以构建将异质剂分配给频域中不同搜索区域的问题的增强学习公式。我们以三种不同的方式将搜索映射的光谱系数相互关联。第一个方法将代理映射到预定的光谱系数集。在第二种方法中，每个代理都会在所有光谱系数上学习重量分布。最后，在第三种方法中，每个代理都将权重分布作为参数化曲线而不是系数。我们的数值结果表明，根据其感应和运动模型将覆盖责任分配和分配覆盖责任会导致40％，51％和46％的覆盖范围提高覆盖范围的效果，如麦加德指标所测量的覆盖范围，并在搜索区域中分别在搜索区域中提高了所有目标。
太阳能-风能-柴油混合能源系统的最佳设计，该系统具有多种类型的存储设备，可驱动反渗透海水淡化过程
为了同时满足电力和淡水需求，本文建立了太阳能-风能-柴油混合能源系统 (HES) 的上层结构，该系统具有多种类型的存储设备，可驱动反渗透海水淡化 (ROD) 工艺。开发了 HES 的相应数学模型，可能包括光伏电池、风力涡轮机、柴油发电机、ROD 单元、不同的电池存储技术或水箱，并采用混合整数线性规划。以年度总成本最小为优化目标，可以得到 HES 的最优设计和运行方案。为了验证所提方法的有效性，以沙特阿拉伯为 ROD 工艺供电的太阳能-风能-柴油系统为例。结果表明，在满足可再生能源渗透率（即 0.8）要求的情况下，HES 中选择了光伏板、风力涡轮机、柴油发电机、铅酸电池、锂离子电池和水箱，年度总成本最小（即 1.16 × 105 美元·年？1）。然后，提出了一种量化方法来确定 HES 的最优设计和运行方案，包括经济性和环境性两个方面。最后，具有多种发电机和多种存储设备的 HES 在经济性和可再生能源利用方面表现出更好的性能。
“四分之一规则”的限制和测量公平性的统计奇偶校验测试∗
为了确保算法决策系统的公平性，例如就业主持工具，计算机科学家和从业人员通常将所谓的“四分之一五分之一规则”提及，以衡量工具遵守反歧视法。这种依赖是有问题的，因为“规则”实际上不是歧视歧视的法律规则，并且提供了一种粗略的测试，通常在确定需要进一步审查的实践方面过于忽略和不包括。“四分之一的规则”是一类更广泛的统计检验之一，我们称之为统计奇偶校验测试（SPTS），比较了人口统计组之间的选择率。虽然某些SPT在统计学上更稳定，但所有人都在回顾性地具有不同的不同影响方面具有一些关键局限性。当这些测试被预期用作优化目标塑造模型开发时，就会出现对开发过程，行为激励措施和配盖性的其他担忧。在本文中，我们讨论了SPT在算法治理中的适当作用。我们建议采用多种措施，以利用预期优化过程中存在的其他信息，从而在建立和审计模型时更深入地了解公平考虑因素。
从增强学习到可区分的模拟
摘要 - 我们通过弥合以学习为中心的政策培训和基于模型的控制之间的差距来提供学习机器人控制的新见解。我们利用最佳控制，强化学习和可区分模拟来开发控制算法，从而增强机器人的敏捷性，同时在现实世界中保持稳健性。首先，我们表明，与最佳控制相比，机器人技术中增强学习的基本优势在于其优化目标。具体来说，RL直接最大化任务级目标，这可能是不可差异的，而最佳控制受到平滑且可微分的成本功能的要求限制。客观设计的灵活性允许实现更灵活的控制策略，从而在意外情况下导致更强的性能。第二，我们建议使用策略搜索自动优化模型预测控制（MPC）的高级策略。此公式使策略搜索能够专注于最大化高级任务目标，而MPC优化可以集中于低级跟踪性能。第三，我们探讨了可区分模拟进行政策培训的潜力。可区分的模拟可以提供低变化的一阶梯度，从而导致更稳定的训练和更好的收敛性。我们显示了玩具双积分器的近乎最佳控制性能及其对四足动力的潜力。
有效识别用于建模高维大脑动力学
摘要 - 系统识别为表征和控制复杂系统的表征带来了重要的瓶颈。当系统状态和参数都无法直接访问时，这是最大的，导致双重估计问题。当前解决此类问题的方法在Net Works中经常发生的多参数系统的扩展能力受到限制。在当前工作中，我们提出了一种新的计算有效方法来处理大型双重估计问题。在这项工作中，我们得出了预测错误方法的分析后传播梯度，该方法可以有效，准确地识别大型系统。PEM方法包括将状态估计直接整合到双重优化目标中，仅在未知系统参数方面留下可区分的成本/错误函数，我们使用数值梯度/HESSIAN方法求解。直觉，此方法包括求解生成最精确状态估计器（扩展/cubature Kalman滤波器）的参数。我们证明，尽管复杂性较低，但在状态和参数估计中至少与关节Kalman过滤器（Excent/Unnesped/Cubature）和期望最大化一样准确。我们通过从人类磁脑摄影（MEG）数据中反转解剖学的个性化脑模型来证明我们的实用性。