XiaoMi-AI文件搜索系统
World File Search System多目标
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。
通过深钢筋学习辅助操作员选择的受约束多目标优化
摘要 - 分解有限的多目标优化问题，其进化算法引起了相当大的关注。使用不同的算法策略，进化运算符和约束处理技术，已经开发出各种受约束的多目标优化算法（CMOEAS）。CMOEA的性能可能很大程度上取决于所使用的操作员，但是，通常很难为当前的问题选择合适的操作员。因此，改善操作员的选择是有希望的，对于CMOEAS来说是必要的。这项工作提出了一个在线操作员的选择框架，并在深入的强化学习中有助于。人口的动态，包括融合，多样性和可行性，被视为国家；候选运营商被视为行动；人口状态的改善被视为奖励。通过使用Q-Network学习策略来估计所有动作的Q值，建议的方法可以适应地选择一个操作员，该操作员根据当前状态最大程度地提高人口的改善，从而改善算法性能。该框架嵌入了四个流行的CMOEAS中，并在42个基准问题上进行了评估。实验结果表明，与九个最先进的CMOEA相比，提出的深钢筋学习辅助操作员的选择显着提高了这些CMOEAS的性能，并且所得算法获得了更好的多功能性。
基于多目标增强学习的同时主题和预测模型...
[1] Shuo Xu，Liyuan Hao，Guancan Yang，Kun Lu和Xin An。基于主题模型的框架，用于检测和预测新兴技术。技术预测和社会变革，第1卷。162，p。 120366，2021。[2] Xing Yi和James Allan。信息检索的Uti-Lizing主题模型的比较研究。在Mohand Boughanem，Catherine Berrut，Josiane Mothe和Chantal Soule-Dupuy，编辑中，信息检索的进步，pp。29–41，柏林，海德堡，2009年。Springer Berlin Heidel-Berg。[3] Shixia Liu，Michelle X. Zhou，Shimei Pan，Yangqiu Song，Weihong Qian，Weijia Cai和Xiaoxiao Lian。tiara：主动，基于主题的视觉文本摘要和分析。acm trans。Intell。 Syst。 技术。 ，卷。 3，编号 2，2012年2月。 [4] David Blei，Andrew Ng和Michael Jordan。 潜在的dirich-让分配。 在T. Dietterich，S。Becker和Z. Ghahra mani中，编辑，《神经信息处理系统的进步》，第1卷。 14。 MIT出版社，2001。 [5] Yishu Miao，Edward Grefenstette和Phil Blunsom。 涵盖神经变异性推断的离散潜在主题，2017年。 [6] Akash Srivastava和Charles Sutton。 主题模型的自动编码变量推断，2017年。 [7] Maarten Grootendorst。 bertopic：基于类的TF-IDF程序的神经主题建模，2022。 [8] David M. Blei和John D. La效应。 动态主题模式。Intell。Syst。技术。，卷。3，编号2，2012年2月。[4] David Blei，Andrew Ng和Michael Jordan。潜在的dirich-让分配。在T. Dietterich，S。Becker和Z. Ghahra mani中，编辑，《神经信息处理系统的进步》，第1卷。14。MIT出版社，2001。[5] Yishu Miao，Edward Grefenstette和Phil Blunsom。涵盖神经变异性推断的离散潜在主题，2017年。[6] Akash Srivastava和Charles Sutton。主题模型的自动编码变量推断，2017年。[7] Maarten Grootendorst。bertopic：基于类的TF-IDF程序的神经主题建模，2022。[8] David M. Blei和John D. La效应。动态主题模式。在第23届机器学习国际会议论文集中，ICML '06，p。 113–120，纽约，纽约，美国，2006年。计算机协会。[9] c´edric f´evotte和j´erˆome idier。算法，用于beta-Divergence，2011年。 [10] Silvia Terragni，Elisabetta Fersini，Bruno Giovanni Galuzzi，Pietro Tropeano和Antonio Candelieri。 八八张：对主题模型进行组合和优化很简单！ 在Dimitra Gkatzia和Djam´e Seddah中，编辑，第16届会议论文集算法，用于beta-Divergence，2011年。[10] Silvia Terragni，Elisabetta Fersini，Bruno Giovanni Galuzzi，Pietro Tropeano和Antonio Candelieri。八八张：对主题模型进行组合和优化很简单！在Dimitra Gkatzia和Djam´e Seddah中，编辑，第16届会议论文集
以人为中心的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。
基于CVAR的综合能源系统的多目标计划在碳交易机制下
为了解决“双碳”目标的综合能源系统（IES）的计划问题，本文提出了一种基于CVAR的碳交易机制的IES多目标计划方法（风险为条件价值）。首先，本文建立了IES能源供应设备模型和改进的阶梯式碳交易模型。此外，本文提出了基于碳交易成本的IES多目标两层计划模型。计划模型的上层以经济和环境的优化为目标，以实现综合能源系统的合理规划。下层模型将最低运营成本作为优化系统操作条件并验证计划结果合理性的目标。然后，建立了基于平均值的不确定性模型，以解决计划过程中碳交易价格和新能源输出的不确定性。最后，本文设置了案例，并使用非主导的排序遗传算法-II（NSGA-II）和求解器解决了模型，这表明所提出的方法可以实现IES低碳计划，同时保证经济。
考虑电池储能系统的孤岛微电网多目标经济排放调度优化策略
摘要 — 经济调度 (ED) 是电力系统中的关键问题之一。ED 倾向于通过优化传统发电机 (CG) 的尺寸来最小化燃料/运营成本。温室/有毒气体排放是与 CG 相关的主要问题之一。排放调度 (EMD) 通过发电机的最佳输出来减少温室/有毒气体排放。多目标经济排放调度 (MOEED) 问题是通过考虑燃料成本和排放目标来制定的。主要目标是以折衷的方式优化燃料成本和 CG 的环境排放。在本文中，提出了通用代数建模系统 (GAMS) 中的 CONOPT 求解器来寻找微电网的 ED、EMD 和 MOEED 问题的最佳解决方案。微电网由风力涡轮发电机 (WTG)、光伏 (PV) 模块、三个 CG 和一个电池储能系统 (BESS) 选项组成。所提出的算法已经在四个案例研究中实施，包括所有能源、无 WTG、无 PV 模块和无可再生能源 (RES)。为了确定所提出算法的有效性，将其与各种算法进行了比较。比较结果表明，所提出的算法更有效、更新颖、更强大。最后，结果表明，所提出的方法可以有效地优化上述所有案例研究的目标函数，并且 GAMS 中的 CONOPT 求解器在比较中优于所有方法。还介绍了 BESS 对 ED 微电网运营/燃料成本的影响。以 µ G 为单位的需求响应范式正在发生变化。还建立了需求灵活性 (DF) 模型，优化过程中消费者需求发生变化。DF 的结果显示成本降低，需求方管理更好。
室内路径的多目标进化性人工电位
摘要：路径计划对于机器人技术至关重要，使机器人可以从其当前位置到目标位置找到无碰撞的路线。人造潜力领域（APF）方法利用有吸引力的排斥性领域来指导机器人朝目标，同时避免障碍物。但是，由于局部最小值，常规APF的排斥潜在方程可能会产生次优的结果。为了解决这个问题，引入了一种称为多目标进化性人工电位场（MOE-APF）的新颖方法。MOE-APF修改了排斥电势方程，并采用膜计算和遗传算法（GA）来优化一组新的APF参数。健身函数考虑了多个目标：路径长度，平滑度，成功率和安全性。与最新方法的比较称为膜进化性人工电位场（MEMEAPF）表明，MOE-APF显着提高了各种环境之间的路径质量，优化时间和成功率。MOE-APF的多功能性使其能够应对涉及非全面机器人，多个机器人，工业操纵器和动态障碍的路径规划挑战。
多目标粒子群优化算法用于家庭微电网优化调度
应对低电价时期家庭负荷和电动汽车集中用电的挑战对于减轻对公用电网的影响至关重要。在本研究中，我们提出了一种基于多目标粒子群算法的家庭微电网优化调度方法。建立了一个家庭微电网优化模型，考虑了分时电价和用户电动汽车出行模式。该模型专注于优化家庭日常用电成本并最小化电网侧能源供应差异。具体而言，该数学模型将微电网内每个分布式能源的实际输入和输出功率作为优化变量。此外，它还整合了对储能电池和电动汽车电池容量变化的分析。通过在帕累托最优解集内的算术模拟，该模型确定了有效缓解公用事业侧能源输入和输出波动的最优解。模拟结果证实了该策略在降低家庭日常用电成本方面的有效性。所提出的优化方法不仅提高了电力消费的整体质量，而且证明了其经济和实际可行性，凸显了其更广泛的应用和影响的潜力。
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。
多目标PSO和动态窗口方法
1大数据挖掘和应用的福建省级主要实验室，福建技术大学，富州350118，中国； 1101405123@nkust.edu.tw 2 2计算机科学与数学学院，福建技术大学，富士大学350118，中国3多媒体通信实验室，Ho Chi Minh City 700000，越南4号，越南4越南4越南越南国民大学河内116705，越南6计算机科学与工程学院，山东科学技术大学，Qingdao 266510，中国； jspan@cc.kuas.edu.tw 7信息技术学院，电力大学，河内100000，越南； tanntt@epu.edu.vn *通信：giangnt@tlu.edu.vn（t.-g.n.）; thent@uit.edu.vn（T.-T.N.）