XiaoMi-AI文件搜索系统
World File Search System多目标
多目标BI ...
摘要。在本文中，我们研究了多目标双级操作（MOBLO）问题，其中高级子问题是一个多目标优化问题，而下层子问题则用于标量优化。现有的基于梯度的MOBLO算法需要计算Hessian矩阵，从而导致综合性不足的问题。为了解决这个问题，我们提出了一个效率的Moblo的第一阶多率方法，称为论坛。特别是，我们通过价值功能函数重新将MOBLO问题重新制定为受约束的多目标优化（MOO）问题。然后，我们提出了一种新型的多进型聚合方法，以解决具有挑战性的约束MOO问题。从理论上讲，我们提供了复杂性分析，以显示所提出的方法的效率和非反应收敛的结果。经验，广泛的实验证明了拟议论坛方法在不同学习概率中的有效性和效率。特别是，它在三个多任务学习基准数据集上实现了最先进的性能。代码可在https://github.com/baijiong-lin/forum上获得。
混合激发UX的多目标设计优化...
摘要。带有磁桥的混合激发通量转换永久磁铁（HEFSPM）电动机是混合激发通量转换永久磁铁（FSPM）机器的拓扑。尽管其表现出色，例如高扭矩/功率密度，高UX增强/弱化的功能等等，但由于其复杂的结构，它受到了较少的关注。因此，需要进一步研究其最佳设计和性能。本文基于设计灵敏度分析提供了具有磁桥的HEFSPM电动机的多物镜优化设计。在rst上，讨论了机器结构和基本工作原理。然后，进行几何优化的设计灵敏度分析以提高运动性能。将此优化的电动机与初始设计进行了比较。最后，构建并测试了优化提出的电动机的原型，以验证仿真结果。
基于多目标优化问题的智能能源混合系统最优需求管理
摘要。本文提出了一个能源混合系统能源规划的多目标问题。该问题考虑三个主要目标：最大限度地减少发电侧的排放污染和运营成本、解决消费者对电力需求的不满以及减少未来 24 小时内与最佳水平的偏差以平缓需求曲线。为了实现这一目标，实施了需求灵活性策略，包括使用可延迟负荷对电力需求进行最佳转移。所提出的方法利用增强的 epsilon 约束方法来确定目标的帕累托解。此外，还采用 TOPSIS 决策技术从一组帕累托解中选择最优解。通过两个案例研究验证了所提出方法的有效性和稳健性。总体而言，本文强调了在混合系统的能源调度中考虑多目标的重要性，并证明了所提出的方法在实现环境、经济和消费者满意度目标之间的平衡方面的有效性。需求灵活性策略和多目标优化技术的使用可以显著改善能源系统的运行，为更高效的能源管理实践铺平道路。与没有实施需求侧管理相比，实施需求侧管理已使第一和第二个目标分别显著减少了 2.8% 和 64.9%。
VR任务多目标优化研究
摘要 ：为提高虚拟现实（VR）系统中信息获取与任务选择的效率，增强交互体验，降低用户的认知负荷，在VR场景设计阶段有效组织和利用用户的认知心理与设计要素是至关重要的。本文基于认知资源理论，重点分析用户的低认知负荷要求和对用户良好感知体验的需求，提出一种低认知负荷要求下的VR系统场景任务优化设计方法。利用人机混合智能辅助预测用户认知负荷，将智能优化遗传算法融入VR系统设计要素优化中，以低认知负荷原则为目标函数，以最小化认知负荷为目标函数，以重要知识粒度节点作为VR系统设计资源要素优化过程中的适应度函数，结合智慧城市VR系统任务信息界面的多通道认知，开展系统资源特征优化应用研究。本研究通过虚拟现实眼动实验，对VR系统中相同设计任务需求，验证并比较了传统设计流程得到的解决方案和本文方法优化的解决方案。结果表明，用户在与本文提出的优化方案交互时，认知负荷更低，任务操作体验更好。因此，本文研究的优化方法可以为虚拟现实系统的构建提供参考。
人工智能多目标元学习
元学习已经成为许多机器学习问题的强大工具。在为现实世界应用设计学习模型时需要考虑多种因素，具有多种目标的元学习引起了很多关注。但是，现有作品要么将多个目标结合到一个目标中，要么采用进化算法来处理它，在这种算法中，前者的方法需要支付高计算成本来调整组合系数，而后一种方法在计算上是沉重的，并且无法集成到基于梯度的优化中。为了减轻这些局限性，在本文中，我们旨在提出一个基于通用梯度的多目标元学习（MOML）框架，并在许多机器学习问题中进行了应用。特别是，MOML框架以多个目标作为多目标双级优化问题（MOBLP）制定了元学习的目标函数，其中高级子问题是解决了元元素的几个可能构成可能构成目标的目标。与现有作品不同，在本文中，我们提出了一种基于梯度的算法来解决MOBLP。特别是，我们通过分别通过梯度下降方法和基于梯度的多目标优化方法交替求解了基于第一个梯度的优化算法。从理论上讲，我们证明了收敛性，并对拟议的基于梯度的优化算法提供了非渐近分析。MOML的源代码可在https：// github .com /baijiong -lin /moml上找到。从经验上讲，广泛的实验证明了我们的理论结果合理，并证明了提出的MOML框架对不同学习问题的优越性，包括很少的学习，领域适应性，多任务学习，神经结构搜索和增强学习。
通过奖励模型彩排持续的多目标增强学习
多目标加固学习（MORL）方法通过学习最大化的政策来解决现实世界中的问题，以不同的用户偏好加权。典型方法假定目标在整个代理人的寿命中都没有变化。，在某些现实情况下，代理商可能会遇到动态改变学习的方法，即在不同的学习阶段，不同的矢量值奖励功能。在概率公式或算法设计中尚未考虑这个发展目标的问题。为了解决这个问题，我们首次将设置作为连续的MORL（CMORL）问题，这是为了通过学习过程的目标发展。随后，我们提出了通过Re Ward Model Re re Hearsal（Cor E 3）学习的c ontinual多O型信息，从而使动态代理网络不合转，以快速适应新目标。此外，我们开发了一种奖励模型彩排技术，以恢复以前目标的重新信号，从而减轻灾难性的遗忘。在四个CMORL基准测试基准上进行的实验展示了Cor E 3有效地学习满足所有遇到的目标的不同偏好的政策，并以171％的态度表现出最佳的基线，突显了Cor E 3的能力，可以处理具有渐进目标的情况。
以人为中心的意识无人机轨迹计划在搜救任务中采用多目标加固学习，并基于AHP和基于相似性的经验重播*
摘要 - 将无人驾驶汽车（UAV）整合到搜救（SAR）任务中提出了提高运营效率和有效性的有前途的途径。但是，这些任务的成功不仅取决于无人机的技术能力，还取决于他们的接受和与人类在地面上的互动。本文探讨了以人为中心因素对SAR任务的无人机轨迹计划的影响。我们介绍了一种基于分析层次结构过程增强的强化学习和基于新颖的相似性的经验重播，以优化无人机轨迹，平衡运营目标与人类舒适性和安全考虑因素。另外，通过一项全面的调查，我们研究了性别线索和拟人化设计对无人机设计对公众接受和信任的影响，从而揭示了对SAR中无人机互动策略的重大影响。我们的贡献包括（1）无人机轨迹计划的增强学习框架，该框架动态整合了多目标考虑因素，（2）对人类对性别和拟人化无人机的看法在SAR上下文中的分析，（3）基于相似性的经验重播的应用，以在复杂的SAR场景中提高学习效率。这些发现为设计无人机系统提供了宝贵的见解，这些系统不仅在技术上熟练，而且还与以人为本的价值观保持一致。
建筑一体化光伏热能系统的能量和经济性分析：机器学习辅助方法和多目标遗传优化的季节动态建模
建筑一体化光伏热能 (BIPV/T) 系统为住宅建筑的发电和供暖提供了一种高效的清洁能源生产方式。因此，本文介绍了一种新型 BIPV/T 系统，以最大程度地降低住宅建筑的能耗。所提出的 BIPV/T 系统的精细设计是通过 MATLAB/Simulink ® 动态建模完成的。在不同的季节条件下对 BIPV/T 系统进行性能分析，并进行深入的技术经济分析，以估计系统热能、电气和经济性能的预期提升。此外，还进行了敏感性分析，以探讨各种因素对所提出的 BIPV/T 系统的能量和经济性能的影响。此外，还开发了两层前馈反向传播人工神经网络模型，以准确预测 BIPV/T 的每小时太阳辐射和环境温度。此外，还使用 NSGA-II 方法进行了多目标优化，以最小化 BIPV/T 电站的总面积并最大化系统的总效率和净热功率，以及估算在提供的范围内不同季节输入变量的优化运行条件。敏感性分析表明，较高的太阳通量水平会导致 BIPV/T 电站的电力输出功率增加，但由于热损失增加，总效率会降低。此外，提出的 NSGA-II 显示了一种可行的方法，可以在最小总电站面积 32.89 平方米的情况下实现最大净热功率和最佳总效率 5320 W 和 63%，并且与理想解决方案的偏差指数非常低。在最佳条件下，平准化电力成本为 0.10 美元/千瓦时。因此，这些发现为 BIPV/T 系统作为住宅应用的可持续高效能源解决方案的潜力提供了宝贵的见解。
采用改进的多目标优化方法对考虑电动汽车站的并网混合可再生能源系统进行优化设计：技术经济视角
1 马来西亚工艺大学电气工程学院电力工程系，UTM，Skudai 81310，柔佛州，马来西亚； cheewei@utm.my 2 库法大学工程学院电气工程系，Kufa 54001，伊拉克 3 先进闪电、电力和能源研究 (ALPER)，电气和电子工程系，工程学院，马来西亚博特拉大学，Serdang 43400，雪兰莪，马来西亚； hussain_mhammad@uomustansiriyah.edu.iq 4 Mustansiriyah 大学计算机工程系，巴格达 14022，伊拉克 5 工程技术学院/纳杰夫，Al-Furat Al-Awsat 技术大学，纳杰夫 31001，伊拉克； coj.dfr@atu.edu.iq * 通讯地址：ameeralikareem451984@gmail.com 或 ameerkareim@graduate.utm.my 或 ameera.abbas@uokufa.edu.iq (AAKA-S.)；shahrin@fke.utm.my (SMA)
具有主动偏好学习的多目标贝叶斯优化
有很多现实世界的黑框优化概率需要同时优化多个标准。然而，在多目标优化（MOO）问题中，确定整个帕累托阵线需要过度的搜索成本，而在许多实际情况下，决策者（DM）只需要在帕累托最佳解决方案集中的特定解决方案。我们提出了一种贝叶斯操作方法（BO）方法，以使用昂贵的目标功能识别MOO中最喜欢的解决方案，其中DM的贝叶斯偏好模型是根据两种称为成对偏好和改进请求的Supperions类型的交互方式自适应估算的。要探索最优选的解决方案，我们定义了一个采集函数，在该函数中，在观察函数和DM偏好中的不确定性都已合并。为了最大程度地减少与DM的相互作用成本，我们还为偏好估计提出了一种主动学习策略。我们通过基准功能优化和机器学习模型的高参数优化问题来证明我们提出的方法的有效性。