XiaoMi-AI文件搜索系统
World File Search System多目标
1.5mw倍增管多目标优化及智能算法研究
这项荟萃分析证明了将人工智能算法与传统设计方法相结合对优化 1.5MW DFIG 风力涡轮机叶片的有效性。该研究成功解决了风力涡轮机设计中涉及多个相互竞争的目标的复杂问题，例如空气动力学效率、结构完整性和经济可行性。借助先进的优化算法，特别是灰狼优化方法，设计结果和计算效率得到了显著改善。优化后的叶片设计重量减轻了 8%，同时提高了结构耐久性和空气动力学性能。组合叶片设计的功率系数增加到 0.27，表明风力涡轮机的效率有可能提高，尤其是在低风速范围内，任何效率的提高都对整体能量捕获至关重要。
基于梯度的多目标深度学习
摘要 - 深度学习中的Multi-Obigntive优化（MOO）旨在同时优化多个相互冲突的目标，这是在多任务学习和多标准学习等领域经常遇到的挑战。基于梯度的MOO方法的最新进展使发现了各种类型的解决方案，从单个平衡解决方案到有限的或什至是无限的帕累托集，并根据用户需求量量身定制。这些发展在跨领域（例如增强学习，计算机愿景，推荐系统和大语言模型）的领域都有广泛的应用。本调查提供了对深度学习中基于梯度的MOO的首次全面综述，涵盖算法，理论和实际应用。通过统一各种方法并确定关键挑战，它是推动这一不断发展的领域创新的基础资源。深度学习中MOO算法的全面列表可在https://github.com/baijiong-lin/awesome-multi-obigntive-deep-learning上找到。
崩溃的行为评估和基于人工神经网络的马尾启发的三明治管的多目标优化
由于其特定的强度和海洋功能，薄壁结构越来越多地使用自动动机，以减少易受伤害的道路使用者（VRU），运输和航空航天工业的致命和严重伤害[1-5]。先前的分析[2，6，7]，实验[8-10]和计算研究[3,11,12]的结果使恶魔散布在能量吸收和崩溃的结果取决于许多结构和材料参数，包括金属类型，织物/基质类型，制造技术，结构几何，结构性的几何形状，维度和载荷条件[13-15]。由于其出色的机械特性，铝已经被许多作者研究了前几年[16，17]。今天，尽管复合材料和聚合物材料可用于能量吸收应用，但铝仍用于制造能量吸收。基于其延展性特征，轴向载荷下的铝管通过产生琴弦和DIA MOND变形模式通过多种塑性变形机制分散动能[18]。此外，在最近的Deca des中，管道几何形状的影响（即圆形，三角形，正方形和矩形）在薄壁吸收的响应上已得到广泛研究。
多目标粪便 DNA 测试的诊断准确性......
结直肠癌 (CRC) 是全球第三大常见癌症，是医疗保健领域的重大挑战 [1]。有力证据支持筛查在降低 CRC 发病率和死亡率方面的有效性 [2]。尽管结肠镜检查是当前的筛查标准之一，但由于成本高、工作量大和患者依从性低（尤其是在资源有限的国家）而阻碍了其推广 [3-5]。粪便潜血检测作为一种非侵入性替代方法，存在某些缺点，特别是其对检测晚期腺瘤的灵敏度低（低至 7%）和对检测 CRC 的灵敏度中等（50% - 81%）[6, 7]。此外，在基于愈创木脂的粪便潜血检测中，由于在食物和上消化道血液中发现非人类血红素，因此假阳性率很高 [7]。
惊喜的火花：多样性，新颖性和偶然性的层次决策变压器的多目标建议
摘要：对晶体材料的化学空间，尤其是金属 - 有机框架（MOF）的实验探索，需要对大量反应的多组分控制，这是不可避免地会在手动执行时耗时和劳动力。为了在保持高可重复性的同时加速物料发现速率，我们开发了一种与机器人合成平台集成的机器学习算法，用于闭环探索多氧盐损坏金属金属 - 有机框架（POMOFS）的化学空间。通过使用从不确定性反馈实验获得的更新数据和基于其化学构成的POMOF分类的多类分类扩展，通过使用更新数据来优化极端梯度提升（XGBoost）模型。POMOF的机器人合成的数字签名由通用化学描述语言（χDL）表示，以精确记录合成步骤并增强可重复性。九种新颖的Pomofs，其中包括具有良好的可重复性的POM胺衍生物与各种醛的硫胺衍生物的胰岛化反应，这些pomofs具有源自单个配体的混合配体。此外，根据XGBoost模型绘制了化学空间图，其F1得分高于0.8。此外，合成的Pomofs的电化学性质表明，与分子POMS相比，较高的电子转移和Zn比率的直接效应，所使用的配体的类型以及POMOFS中的拓扑结构用于调节电子传递能力。■简介
Abac，A。G.等。 （2024）使用Kagra O3GK运行的数据超轻矢量暗物质搜索。物理评论D，110（4），042001。（doi：10.1103/pH ACKR2缺陷型NK细胞增强CCR2的表达增加了肿瘤细胞治疗疗效 增强了视觉大满贯，以无碰撞驾驶使用轻巧的自动驾驶汽车 公司现金政策和双机器学习 通过社交机器人增强手卫生实践... 惊喜的火花：多样性，新颖性和偶然性的层次决策变压器的多目标建议 算法驱动的机器人发现多氧胺... 制作狗的沉浸式屏幕界面，以控制其家中的屏幕 发射速率图算法的定量分析 BDI代理的定量建模和分析 福利制裁的影响：定量研究证据的范围审查
Savoie Mont Blanc, CNRS, Laboratoire d'Anecy de Physique des Particules-In2p3, F-74000 Annecy, France 29 University of Naples "Federico II", I-80126 Naples, Italy 30 Ligo Laboratory, Massachusetts Institute of Technology, Cambridge, but 02139, USA 31 maastricht University, 6200 MD马斯特里奇，荷兰32 Nikhef，1098 XG阿姆斯特丹，荷兰33 Universit´e Libre de Brussels，布鲁塞尔，布鲁塞尔1050，比利时34 Institut Fresnel，Aix Marseille University E，CNRS，CNR，CNRS，Centrale Marseille，Centrale Marseille，Centrale Marseille，F-13013 Marseille，f-13013 Marseille，France 35 clise 35 cliss-sac-sac iclis in cliss in clis in clis in clis in clis in clis in clis in clise in 23 91405 ORSAY，法国36东京大学，东京，日本113-0033。 37巴塞罗那大学（UB），c。 MART´I i Franqu'es，1，08028西班牙，西班牙38 de f´ısica d'Als Energies（Ifae），巴塞罗那科学技术研究所，校园UAB，E-08193 Bellaterra（巴塞罗那），西班牙贝尔特拉（Bellaterra），西班牙39 Gran Sasso Science Institute Institute floriany（Gran Saquitute）盖恩斯维尔，佛罗里达州32611，美国41数学，计算机和物理科学系，Udine大学，I-33100，I-33100，意大利Udine，42 INFN，Trieste，I-34127，I-34127，意大利TriesteSavoie Mont Blanc, CNRS, Laboratoire d'Anecy de Physique des Particules-In2p3, F-74000 Annecy, France 29 University of Naples "Federico II", I-80126 Naples, Italy 30 Ligo Laboratory, Massachusetts Institute of Technology, Cambridge, but 02139, USA 31 maastricht University, 6200 MD马斯特里奇，荷兰32 Nikhef，1098 XG阿姆斯特丹，荷兰33 Universit´e Libre de Brussels，布鲁塞尔，布鲁塞尔1050，比利时34 Institut Fresnel，Aix Marseille University E，CNRS，CNR，CNRS，Centrale Marseille，Centrale Marseille，Centrale Marseille，F-13013 Marseille，f-13013 Marseille，France 35 clise 35 cliss-sac-sac iclis in cliss in clis in clis in clis in clis in clis in clis in clise in 23 91405 ORSAY，法国36东京大学，东京，日本113-0033。37巴塞罗那大学（UB），c。 MART´I i Franqu'es，1，08028西班牙，西班牙38 de f´ısica d'Als Energies（Ifae），巴塞罗那科学技术研究所，校园UAB，E-08193 Bellaterra（巴塞罗那），西班牙贝尔特拉（Bellaterra），西班牙39 Gran Sasso Science Institute Institute floriany（Gran Saquitute）盖恩斯维尔，佛罗里达州32611，美国41数学，计算机和物理科学系，Udine大学，I-33100，I-33100，意大利Udine，42 INFN，Trieste，I-34127，I-34127，意大利Trieste
基于多目标增强学习算法，用于云计算中的动态工作流程计划
必须将工作流的基础设施视为一个关键的研究领域，即使是轻微的优化也可以显着影响基础架构效率和提供给用户的服务。由于云基础架构的动态工作负载和不同的资源，使用启发式方法的传统工作流程调度方法可能不会有效。此外，任何给定时间的资源具有不同的状态，在工作流程计划期间必须考虑这些状态。人工智能的出现使得在工作流程管理过程中可以解决云计算的动态和多样化资源。特别是，强化学习可以通过演员和评论家的方法在运行时理解环境，以做出明智的决定。我们的论文介绍了一种称为多目标增强学习的算法（基于多目标增强的工作流程计划）（MORL-WS）。我们使用各种工作流程的实证研究表明，所提出的基于基于学习的多物体增强方法的方法优于许多现有的调度方法，尤其是关于MakePAN和能源效率。与安排1000个任务相比，蒙太奇工作流程的提议方法表现出较高的性能，达到709.26的最小化型，最少的能源消耗为72.11瓦。这表明所提出的方法适用于实时工作流程计划应用程序。
借助混合电池和氢/燃料电池储能系统实现多源海上园区的多目标能源管理
随着混合型海上园区的发展，以及在不久的将来大规模实施的预期，研究适当的能源管理策略以提高这些园区与电力系统的可集成性变得至关重要。本文讨论了一种多目标能源管理方法，该方法使用由电池和氢/燃料电池系统组成的混合能源存储系统，应用于多源风波和风能-太阳能海上园区，以最大限度地提高输送能量，同时最大限度地减少功率输出的变化。为了找到能源管理优化问题的解决方案，提出了一种策略，该策略基于检查一组加权因子来形成帕累托前沿，同时在混合整数线性规划框架中评估与每个因子相关的问题。随后，应用模糊决策从帕累托前沿中现有的解决方案中选择最终解决方案。研究在不同地点实施，考虑了电力系统限制的情况和存储单元的位置。根据结果，应用所提出的多目标框架成功地解决了混合海上园区在所有电力系统限制和组合存储位置情况下的能量输送和功率输出波动的减少问题。根据结果，除了输送能量增加外，在研究案例中还观察到功率变化减少了约 40% 至 80% 以上。
多目标量子汇编算法
变异量子算法（VQA）如量子近似优化算法（QAOA），变异量子本元素（VQE），量子神经网络（QNN）和量子汇编（QC），可用于求解对噪声中量表量量标准量量表的实用任务（NISQ）的实用任务，这是有希望的。最近的成就证明了量子态制备2 - 6，量子动态模拟2、7-9和量子计量学10-14的有效性。QC，特别是获得了显着的利益。它使用培训过程将信息从未知目标统一转换为可训练的已知统一15，16。此方法具有各种应用，包括盖茨优化15，量子辅助编译16，连续变量的量子学习17，Quantu-State State polagrogrich 18和量子对象模拟2。例如，可以使用QC 2在量子电路中模拟量子对象（例如量子状态）。QC的性能取决于量子数和电路深度的数量。Ansatzes（可训练的量子电路）的选择也至关重要，必须仔细选择。一些纠缠
多目标量子编译算法
变分量子算法 (VQA)，如量子近似优化算法 (QAOA)、变分量子特征值求解器 (VQE)、量子神经网络 (QNN) 和量子编译 (QC)，有望在传统计算机以外的嘈杂中型量子 (NISQ) 设备上解决实际任务 1 。最近的成果证明了其在量子态制备 2 – 6 、量子动态模拟 2 、 7 – 9 和量子计量 10 – 14 方面的有效性。尤其是 QC，引起了人们的极大兴趣。它使用训练过程将信息从未知目标单元转换为可训练的已知单元 15 、 16 。该方法有多种应用，包括门优化 15 、量子辅助编译 16 、连续变量量子学习 17 、量子态层析成像 18 和量子对象模拟 2 。例如，可以准备量子对象（例如量子态），并使用 QC 2 在量子电路中模拟其演化。QC 的性能取决于量子比特的数量和电路深度。可训练量子电路的选择也至关重要，必须仔细选择。一些纠缠