XiaoMi-AI文件搜索系统
World File Search System启发式
Lunar Rover与人为潜在的基于现场的启发式的启发式启发式
摘要：将于2030年左右建立的国际月球研究站，将为月球漫游器提供机器人武器作为建筑商。建筑需要月球土壤和月球漫游者，为此，由于短暂的一天，尤其是在南极附近，漫游者必须在有限的时间内遇到不同的航路点，而不会在有限的时间内遇到障碍。传统的计划方法，例如从地面上载指令，几乎无法以高效的效率同时处理许多流浪者。因此，我们提出了一种基于深度强化学习的新的协作路径规划方法，在该方法中，人工电位领域的目标和障碍都证明了启发式方法。的环境是随机生成的，在创建大小障碍和不同的航路点以收集资源，训练深厚的增强学习代理以提出行动，并带领流浪者在没有障碍，完成漫游者的任务并达到不同目标的情况下移动。在每个步骤中，由障碍物和其他流浪者创造的人工潜力领域都会影响流动站的动作选择。人工潜力领域的信息将转变为有助于保持距离和安全性的深度加强学习中的奖励。实验表明，我们的方法可以引导流浪者更安全地移动，而不会变成附近的大障碍或与其他流浪者发生碰撞，并且与具有改进的避免障碍物方法的多代理A-Star路径计划算法相比，消耗的能量更少。
元启发式算法的自动设计：调查
元启发式学在学术界和实践中取得了巨大的成功，因为他们的搜索逻辑可以应用于可用的解决方案表示，解决方案质量评估和当地概念的任何问题。手动设计用于解决目标问题的元启发式算法因费力，容易出错和需要密集的专业知识而受到批评。这引起了人们对元启发式算法自动设计的兴趣越来越大。具有充分探索潜在设计选择的计算能力，自动化设计可以达到甚至超过人类水平的设计，并且可以使许多更广泛的研究人员和从业者可以使用高性能算法。本文通过就设计领域，设计策略，绩效评估策略和该领域的目标问题进行了一项调查，介绍了元启发式算法自动设计的广泛图景。
具有大语言模型的元启发式算法的自动设计
在本文中，探索了大语言模型（LLM）对元启发式算法的自主设计和改进，以解决复杂优化问题。利用LLM的庞大知识和模式识别能力建立一个框架，使这些AI系统能够以结构化格式生成新颖的元神经策略，包括伪代码和算法逻辑。
使用元启发式搜索
摘要 - 使用AUSONSOPOUS车辆（AVS）的安全保证方法，通过将AVED测试放在具有挑战性的交通方案中，通过抽象场景规范捕获并在现实的交易模拟器中进行调查，进行系统级安全评估。作为基于方案的AVS测试的第一步，必须对fraffiffim festario的初始场景进行评估。在这种情况下，场景具体化挑战是将抽象交通场景的高级特定规范所采用的，旨在将它们映射到具体场景，在该场景中，为车辆的每个属性定义了确切的数字初始值（例如，位置或速度）。在本文中，我们提出了一种交流场景混凝土化方法，该方法将车辆放置在逼真的路线图上，以便满足通过表达式场景规范语言定义的一组可扩展的抽象约束，该语言也支持不一致的静态发现。然后，抽象约束映射到相应的数字约束，通过具有可自定义的目标函数和约束聚合策略的元启发式搜索来解决。我们对三个现实的路线图进行了一系列实验，以将我们方法的八个配置与状态的三种变体进行比较，并评估其可扩展性。
用于预测 UMLS 语义组分配的两种互补 AI 方法：启发式推理和深度学习
材料和方法：我们使用了来自 2020AA–2022AB UMLS Metathesaurus 连续版本的训练测试数据集。我们的启发式“瀑布”方法采用了 7 种不同的 SG 预测方法。不符合方法的原子被传递给下一种方法。DL 方法为原子名称生成 BioWordVec 和 SapBERT 嵌入，为源词汇表名称生成 BioWordVec 嵌入，为原子源层次结构中倒数第二节点的原子名称生成 BioWordVec 嵌入。我们将 4 个嵌入的连接输入到完全连接的多层神经网络中，该网络的输出层有 15 个节点（每个 SG 一个）。对于这两种方法，我们都开发了方法来估计它们预测的原子 SG 正确的概率。基于这些估计，我们开发了 2 种混合 SG 预测方法，结合了启发式方法和 DL 方法的优势。
使用启发式方法校正稳健的心脏分割
与心脏右侧有关的心血管疾病，例如肺部高血压，是墨西哥（和全球）人口中的一些主要死亡原因。为了避免侵入性技术，例如使心脏插入心脏，改善医学超声心动图系统的细分性能可以是早期检测与心脏右侧有关的疾病的一种选择。虽然当前的医学成像系统在心脏的左侧自动进行良好的分割，但他们通常会努力策划右侧腔。本文基于流行的U-NET体系结构，介绍了一种强大的心脏分割算法，能够通过减少的训练数据集准确地分割这四个腔。此外，我们提出了两个其他步骤，以提高机器学习模型中的结果质量，1）一种分割算法，能够准确检测锥形形状（因为已经对其进行了多个数据源进行了培训和完善）和2）2）一个后处理步骤，该步骤可根据SEG的形状和基于SEG-INTICATION的形状和轮廓，该步骤是根据SEG-Intication the Hearicians提供的。我们的结果表明，所提出的技术达到的分割精度可与通常用于此实践的数据集以及我们的医疗团队编制的数据集中的最新方法相媲美。此外，我们在相同的图像序列中测试了后处理校正步骤的有效性，并证明了其与临床医生进行的手动分段的一致性。
内存受限量子路径上的启发式远程纠缠分布算法
摘要 —远程纠缠分布在大规模量子网络中起着至关重要的作用，而实现纠缠分布的关键因素是能够延长纠缠传输距离的量子路由器（或中继器）。但量子路由器的性能还远未完善，其中量子路由器中有限的量子存储器极大地影响了纠缠分布的速率和效率。为了克服这一挑战，本文提出了一种在存储器受限路径上最大化纠缠分布速率（EDR）的新模型，然后将其转化为纠缠生成和交换子问题。我们提出了一种用于短距离纠缠生成的贪婪算法，以便高效利用量子存储器。对于纠缠交换子问题，我们使用纠缠图（EG）对其进行建模，其解被发现至少是 NP 完全的。在此基础上，我们提出了一种启发式算法，将原始EG划分为多个子问题，每个子问题都可以在多项式时间内使用动态规划（DP）进行求解。通过进行模拟，结果表明我们提出的方案可以实现较高的EDR，并且所开发的算法具有多项式时间上界和合理的平均运行时间复杂度。
文本情感分析基于智能系统的深度学习技术的改进的元启发式学
由于概括和建模一系列大脑信号的复杂性，发现感官残障人士的情绪仍在继续挑战。因此，使用大脑 - 计算机界面技术来研究基于大脑信号的人的情绪和行为。情绪分析是一种广泛使用且可靠的数据挖掘分析方法。它提供了一个绝佳的机会，可以监视，评估，确定和理解消费者对产品或服务的情感。然而，即使以前的研究已经提出了使用机器学习方法对感官残障人士的情绪分类，但尚未评估视觉症患者的情绪识别模型。因此，这项研究引入了一种新的SALP群算法，该算法具有深层的基于神经网络的文本情感分析（SSADRNN-TEA）技术，该技术针对残疾人。SSADRNN-TEA技术的主要目的是专注于对社交媒体内容中存在的情绪的检测和分类。在这项工作中，SSADRNN-TEA技术经历了预处理，以使输入数据与处理和BERT单词嵌入过程的后一个阶段兼容。此外，还利用了深层复发神经网络（DRNN）模型。最后，SSA被利用以最佳调整DRNN超参数。广泛的实验涉及模拟SSADRNN-TEA方法的实时性能。实验值揭示了SSADRNN-TEA技术在几个评估指标方面的性能提高。
能源报告人工智能支持的元启发式优化......
将可再生能源整合到智能电网中为构建可持续和可靠的能源系统提供了一种有希望的解决方案。然而，优化混合可再生能源系统仍然是一个关键的研究领域。这项研究提出了一种综合方法，将人工智能算法技术与元启发式优化算法相结合，用于预测和管理智能电网环境中的可再生能源。提出的混合 LSTM-RL 模型的精确度、召回率和准确度分别为 0.92、0.93 和 0.92，在正确预测能源需求模式方面优于当前算法。RL-SA 算法对各种负载平衡措施的准确率为 0.91，可有效衡量负载平衡。 CNN-PSO 算法的均方误差 (MSE)、平均绝对误差 (MAE)、R 平方得分、均方根误差 (RMSE) 和平均绝对百分比误差 (MAPE) 分别为 345.12、15.07、0.78、18.57 和 7.83，在预测可再生能源发电方面也最为成功。这些发现有助于智能电网环境中的混合可再生能源系统的发展，实现有效、可靠和经济的能源生产和分配。建议的解决方案还有可能用于农村和离网环境。总体而言，这项研究提供了一种最大限度地提高可再生能源产量的有用方法，并为进一步研究能源管理系统提供了灵感。© 2023 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可 (http://creativecommons.org/licenses/by/4.0/) 开放获取的文章。
Edge使用启发式和强化学习技术计算卸载策略。
与分布式计算范式一起出现了5G，称为边缘计算范围，通过减少网络潜伏期和能源消耗并提供可扩展性的机会，促使行业发生了巨大变化。边缘计算通过将数据中心放置在网络边缘来扩展用户资源受限设备的功能。计算卸载通过允许用户任务的迁移到边缘服务器来启用边缘计算。确定移动设备可以卸载任务以及在哪个服务器上卸载是否有益，而环境变量（例如可用性，加载，网络质量等）是有益的。，正在动态变化，是一个具有挑战性的问题，需要仔细考虑才能实现更好的绩效。该项目着重于提出轻巧和效率的算法，以从移动设备的角度进行卸载决策，以使用户受益。随后，启发式技术被研究为找到快速但优化解决方案的一种方式。这些技术已与多臂强盗算法结合使用，称为折扣上限置信度（DUCB），以迅速做出最佳决策。调查结果表明，这些启发式方法无法处理问题的动态性，并且DUCB提供了适应不断变化的情况而不必继续添加额外参数的能力。总体而言，DUCB算法在本地能源消耗方面的性能更好，并且可以改善大多数时间的服务时间。