XiaoMi-AI文件搜索系统
World File Search System多目标
用于孤岛可再生能源微电网随机发电优化的增强型多目标优化器
摘要：微电网是由可再生能源组成的自主电力系统，可有效实现网络中的功率平衡。由于可再生能源发电机组的间歇性和变化的功率，配电网变得复杂。微电网的重要目标之一是根据态势感知进行能源管理并解决优化问题。本文提出了一种增强型多目标多元优化算法 (MOMVO)，用于基于可再生能源的孤岛微电网框架中的随机发电功率优化。所提出的算法用于在各种可用发电来源之间进行最佳功率调度，以最大限度地降低微电网的发电成本和功率损耗。在 6 单元和 10 单元测试系统上评估了 MOMVO 的性能。仿真结果表明，所提出的算法优于其他用于多目标优化的元启发式算法。
PTPT：通过多目标贝叶斯优化进行物理设计工具参数调整
摘要 — 在先进的集成电路设计中，与电子设计自动化 (EDA) 工具相关的物理设计流程起着至关重要的作用。大多数情况下，输入物理设计工具的参数主要是基于专家的领域知识手动挑选的。然而，由于技术节点的不断缩小以及参数组合所跨越的设计空间的复杂性，甚至再加上耗时的仿真过程，这种对物理设计工具参数配置的手动探索变得极其费力。在设计流程参数调整领域存在一些工作。然而，非常有限的现有技术探索了多个感兴趣的结果质量 (QoR) 指标（例如延迟、功率和面积）之间的复杂相关性并同时明确优化这些目标。为了克服这些弱点并寻求物理设计工具的有效参数设置，在本文中，我们提出了一个多目标贝叶斯优化 (BO) 框架，以多任务高斯模型作为替代模型。采用基于信息增益的获取函数依次选择工具模拟候选对象，以有效逼近帕累托最优参数配置。在 7 纳米技术节点下的三个工业基准上的实验结果证明了所提出的框架相对于前沿作品的优越性。
AbCellera 与 Regeneron 的首个多目标合作项目在临床前开发方面取得进展
在某些情况下，您可以通过“可能”、“将”、“可以”、“会”、“应该”、“预期”、“打算”、“计划”、“预期”、“相信”、“估计”、“预测”、“项目”、“潜在”、“继续”、“正在进行”或这些术语的否定词或其他类似术语来识别前瞻性陈述，尽管并非所有前瞻性陈述都包含这些词。这些陈述涉及风险、不确定性和其他因素，可能导致实际结果、活动水平、绩效或成就与这些前瞻性陈述表达或暗示的信息存在重大差异。这些风险、不确定性和其他因素在“风险因素”、“管理层对财务状况和经营成果的讨论和分析”以及我们不时提交给美国证券交易委员会的其他文件中进行了描述。我们提醒您，前瞻性陈述基于我们目前已知的事实和因素以及我们对未来的预测，我们对此无法确定。因此，前瞻性陈述可能并不准确。本新闻稿中的前瞻性陈述代表我们截至本新闻稿发布之日的观点。除非法律要求，否则我们不承担因任何原因更新任何前瞻性陈述的义务。
研究论文 使用 SAPSO 算法实现独立微电网的多目标优化运行
微电网是利用可再生能源的有效方式，尤其可以满足偏远岛屿的电力需求。海岛微电网的运行优化对于确保整个微电网系统的有效性能至关重要，而且它通常是一个多约束和多目标优化问题。本研究的主要贡献是针对偏远岛屿独立微电网系统提供了一种运行优化方法，该系统包括风电、光伏、电池和柴油发电机。本文提出了一种新的独立微电网运行优化模型，其中单独考虑电池系统；建立了考虑经济成本、电池折旧成本和环境保护成本的多目标日前优化模型。在优化中，选择柴油发电机和储能系统的输出功率作为决策变量。为此，开发了一种结合粒子群优化（PSO）算法和模拟退火（SA）算法的高效搜索算法。采用混合算法寻找优化问题的Pareto解集，将搜索结果与传统PSO算法的结果进行比较，并提出一种基于熵权法的灰靶决策理论从所有解中寻找最优权衡调度方案，并与另外两种常用的主客观方法的结果进行比较。结果表明，所提出的优化方法可应用于微电网系统的日前运行优化，帮助用户获得独立微电网的最佳折衷运行方案。
莫扎特，一种基于QSAR多目标网络的工具，可预测多种药物 - 酶相互作用
摘要：开发能够预测药物与酶之间相互作用的模型是计算生物学的主要目标，因为这些模型可用于预测新的活性药物以及未经测试靶标的已知药物之间的相互作用。随着大型药物 - 酶对数据集的汇编（62,524），我们发现了一个独特的机会，试图构建一种新型的多目标机器学习（MTML）定量结构活性关系（QSAR）模型，以探测不同药物和酶靶标之间的相互作用。为此，本文基于使用拓扑药物的特征以及人工神经网络（ANN）多层感知器（MLP）提出了MTML-QSAR模型。发现最佳模型的验证是通过内部交叉验证统计和其他相关诊断统计参数进行的。发现该模型的总体准确性高于96％。最后，为了最大程度地扩散该模型，已经开发了一种公共且可访问的工具，以允许用户执行自己的预测。开发的基于Web的工具是可以访问的，可以作为免费的开源软件下载。
配电网中光伏、风力涡轮机和电池储能的优化多目标集成
近年来，可再生能源 (RES) 和电池储能系统 (BESS) 的电网整合正在迅速兴起。将 RES 和 BESS 整合到配电网中可以获得许多经济、技术和环境效益。最佳决策必须考虑两个或多个相互冲突的目标之间的权衡，因此，在本文中，这些效益与由能源价格套利、输电接入费、能源损耗、电能质量（电压调节）和环境排放组成的多目标函数相关。在本文中，假设配电系统运营商 (DSO) 拥有 RES 和 BES 的所有权。通过遗传多目标求解器 (GMOS) 与线性规划相结合，优化 RES 和 BESS 的放置、大小和运行。使用 IEEE 33 节点配电测试系统的仿真结果表明，使用所提出的方法，净效益是合适的，能量损耗减少，电压幅度被推入极限范围内，环境排放减少。 © 2020 能源管理与
利用多保真高斯过程回归对具有几何不确定性的翼型进行多目标设计优化 ⋆
摘要。本文介绍了 MH114 高升力翼型的多目标优化。我们寻求一组帕累托最优解，使翼型升力最大化，阻力最小化。由于几何不确定性，升力和阻力被认为是不确定的。概率气动力值的不确定性量化需要大量样本。然而，由于 Navier-Stokes 方程的数值解，气动力的预测成本很高。因此，采用多保真替代辅助方法将昂贵的 RANS 模拟与廉价的潜在流量计算相结合。基于多保真度替代方法使我们能够在不确定的情况下经济地优化机翼的气动设计。
基于改进多目标TLBO算法的配电网大规模光伏系统接入方法
分布式电源的日益并网给电网带来了巨大的挑战。本文针对大规模光伏接入，建立了配电网分布式光伏并网方法。首先，建立了以最大化光伏并网容量和改善电压曲线为目标的光伏并网模型。特别地，通过考虑各种典型的并网场景，提出了适用于县域范围内推广的光伏大规模并网模型。此外，提出了一种新的改进的多目标基于教学的优化 (TLBO) 算法，即 IM-TLBO，用于寻求光伏并网模型的最优 Pareto 前沿。IM-TLBO 算法创新地结合了精英反向学习搜索策略来增强在解空间中的探索。此外，采用以最优个体和中心位置为指导的差异化教学来提高“教学”过程的效率。同时，开发了一种基于拥挤距离的循环拥挤排序删除算法，以增强精英个体的多样性和 Pareto 前沿的分布特征。最后，在基准函数中测试了IM-TLBO的性能。此外，在IEEE 33节点系统中进行了仿真案例，以验证所提出的光伏集成方法。结果表明，本文提出的方法不仅可以实现屋顶分布式光伏的整体优化集成，还可以改善电压曲线。将IM-TLBO的结果与其他经典算法进行了比较，结果表明IM-TLBO在收敛性、分布性和多样性方面均优于其他算法。
评估电池降解作为多目标优化多载体能量系统的关键性能指标
在多目标优化中广泛采用了帕累托前沿，尤其是在多载体能量系统建模中。尽管有各种方法可以推导边界，但它代表了不同的最佳解决方案，从而使最终选择非平凡。建模者的专业知识对于确定分配给每个目标的重量因素至关重要，以从帕累托前沿选择最终解决方案。本研究提出了一种支持这种决策的新方法，引入了通过物理电池建模评估的其他关键性能指标，即电池的健康状况。通过比较多目标多载体能源系统中的不同调度方案，每个计划都与其独特的电池操作策略进行了比较，该新引入的指标已部署，以自动从帕累托边境识别最终解决方案，而无需额外的加权系数。因此，这种方法可以自动化决策过程，该过程支持简单的工程，尤其是对于小型多能系统（例如智能家居），例如这项工作中提出的案例研究具有四个具有四个不同能量载体的案例研究，它采用了12 v 128 v 128 AH LFP化学电池模块，证明了此自动选择过程的有效性。此外，与整个边界的最大值相比，自动选择的解决方案在CO 2排放中的降低27.96％，总成本降低了3.67％。在长期操作中，这种方法有可能将电池寿命延长高达26.67％，从而直接影响多载体能源系统的经济性。
基于深度强化学习和多目标优化的混合边缘云合作者资源调度方法
摘要 - 边缘终端和云中心之间的集体资源调度被认为是有效完成计算任务并提高服务质量的有希望的手段。在本文中，为了进一步改善可实现的性能，Edge Cloud Resource Scheduling（ECRS）问题基于任务依赖性和功能提取。通过考虑任务完成时间，成本，能耗和系统可靠性作为四个目标，提出了多目标ECRS模型。此外，在我们的工作中采用了基于深钢筋学习（DRL）和多目标优化的混合方法。特定于DRL预处理工作流，而多目标优化方法则努力找到帕累托最佳的工作流程计划决策。在三个具有不同任务数量的真实数据集上进行了各种实验。获得的结果表明，所提出的混合DRL和多目标优化设计优于现有的设计方法。