XiaoMi-AI文件搜索系统
World File Search System多目标
设计多目标药物以治疗主要抑郁症
摘要简介：主要的抑郁症（MDD）在全球造成了重大健康负担。目前，由于严重的不良反应，长期的潜伏期和阻力，目前有能力的药物有其局限性。考虑到这种疾病的高度复杂的病理性质，已经提出多坐原药物或多靶向指导的配体（MTDL）可以为MDD治疗提供长期的治疗溶液。涵盖的区域：在当前的审查中，已涵盖了最近的铅设计和铅修改策略。在过去十年（2013 - 2022年）中报道了MTDL的临床前开发（通过合成药物化学和生物学评估），以作为案例研究讨论了MDD处理的重要研究，以关注最近的设计策略。讨论是根据药理目标进行分类的。基于这些重要的案例研究，详细讨论了不同设计策略所涉及的挑战。专家意见：即使在药理学靶标的选择中观察到了很大的变化，但仍需要广泛探索一些潜在的生物学靶标（NMDA，褪黑激素受体）以进行MTDL的设计。同样，除了结构活动关系（SAR）外，在多任务化学形式建模，分子动力学仿真和虚拟筛选等硅技术中，应在更大程度上被利用。
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]。
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。
人类和机器视觉中的多目标跟踪
在日常活动中，人类能够随时跟踪多个物体——例如，我们可以在驾驶汽车的同时监视障碍物、行人和其他车辆。过去的一些研究已经调查了人类如何同时跟踪目标以及他们使用的基本行为和神经机制。与此同时，计算机视觉研究人员提出了不同的算法来自动跟踪多个目标。这些算法可用于视频监控、团队运动分析、视频分析、视频摘要和人机交互。尽管人工智能中存在几种有效的受生物启发的算法，但是计算机视觉算法很少模仿人类的多目标跟踪 (MTT) 能力。在本文中，我们回顾了神经科学中的 MTT 研究和计算机视觉中受生物启发的 MTT 方法，并讨论了它们如何相互补充。
参数化量子电路的多目标进化架构搜索
摘要：最近关于混合量子-经典机器学习系统的研究已证明，利用参数化量子电路 (PQC) 解决具有挑战性的强化学习 (RL) 任务是成功的，并且与经典系统（例如深度神经网络）相比具有可证明的学习优势。虽然现有研究展示并利用了基于 PQC 的模型的优势，但 PQC 架构的设计选择以及不同量子电路在学习任务中的相互作用通常尚未得到充分探索。在这项工作中，我们引入了一种用于参数化量子电路 (MEAS-PQC) 的多目标进化架构搜索框架，该框架使用具有量子特定配置的多目标遗传算法来高效搜索最佳 PQC 架构。实验结果表明，我们的方法可以找到在三个基准 RL 任务上具有出色学习性能的架构，并且还针对其他目标进行了优化，包括减少量子噪声和模型大小。进一步分析量子操作的模式和概率分布有助于确定混合量子-经典学习系统的性能关键设计选择。
RLTG：多目标定向灰盒模糊测试
定向灰盒模糊测试可以引导模糊器探索特定的目标代码区域，在补丁测试等场景中取得了良好的效果。然而，如果有多个目标代码需要探索，现有的定向灰盒模糊测试器（如AFLGo和Hawkeye）往往会忽略一些目标，因为它们使用距离的调和平均值，倾向于测试可达路径较短的目标。此外，现有的定向灰盒模糊测试器由于程序中存在间接调用，无法计算出准确的距离。此外，现有的定向灰盒模糊测试器无法解决探索和利用问题，种子调度效率低下。针对这些问题，我们提出了一种动态种子距离计算方案，当可达路径遇到间接调用时，动态增加种子距离。此外，种子距离计算可以处理多目标场景下的偏差问题。利用种子距离计算方法，我们提出了一种基于置信上限算法的种子调度算法，以解决定向灰盒模糊测试中的探索和利用问题。我们实现了一个原型 RLTG，并在实际程序上对其进行了评估。原型评估表明，我们的方法优于最先进的定向模糊器 AFLGo。在多目标基准测试 Magma 上，RLTG 以 6.9 倍的速度重现错误，并且比 AFLGo 多发现 66.7% 的错误。
通过多目标优化的蛋白质序列设计的整合方法
图1。进化多目标优化为多层设计提供了合适的框架。在这项工作中，我们研究了如何通过多物镜优化方法将机器学习模型（例如PMPNN，AlphaFold2/af2rank和ESM-1V）直接集成到蛋白质序列设计中，称为非主体分类遗传算法II（NSGA-II）。左：首先，通过突变操作员提出了新的设计候选。在这里，该操作员由ESM-1V组成，ESM-1V用于对残基位置进行排列，以及用于重新设计最小Nativelike-NativelikeTose的ProteinMPNN（PMPNN）。中间：然后使用源自AlphaFold2和PMPNN置信度指标的目标函数对设计候选者进行评分。右：最后，得分的候选人被分类为连续的帕累托阵线（这里编号为F1至F5），NSGA-II从最佳战线中选择了最佳战线的候选人。为了证明该框架的有效性，我们对RFAH的多层设计问题进行了深入的分析，RFAH是一种小的折叠式蛋白质，其C末端结构域可以在全-αRFAHα状态和全βrfahβ状态之间互连。在中间面板的两个RFAH状态的卡通表示中，以绿色表示可设计的位置（残基119至154）；请注意，N端结构域在RFAHβ态的带状表示中未显示（请参见方法）。
使用多目标对多静态声纳浮标场进行调度
声纳浮标场由发射器和接收器网络组成，通常用于查找和跟踪水下目标。对于给定的环境和声纳浮标场布局，这种场的性能取决于调度，即决定哪个源应该传输，以及在任何给定时间应该从可用波形库中传输哪个源。在本文中，我们提出了一种基于多目标优化的新型调度框架。具体来说，我们将声纳浮标场的两个任务（跟踪和搜索）作为独立的、相互竞争的目标函数。使用此框架，我们提出了一种基于帕累托最优的调度特征。该特征描述了搜索跟踪目标之间的权衡，并在真实的多静态声纳浮标模拟中得到了证明。
利用李群进行多目标跟踪的几何方法
第 1 章 简介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .................................................................................................................................................................................. 16 1.1.4 李群 .................................................................................................................................................................................................. 18 1.2 跟踪算法 .................................................................................................................................................................................. 19 1.2.1 最近邻滤波器 .................................................................................................................................................................. 19 1.2.1 最近邻滤波器 .................................................................................................................................................................. 19 . . . 19 1.2.2 全局最近邻滤波器. . . . . . . . . . . 19 1.2.3 概率数据关联滤波器. . . . . . . . . . . 20 1.2.4 联合概率数据关联滤波器. . . . . . . . . . 20 1.2.5 多重假设跟踪. . . . . . . . . . . . 21 1.2.6 概率多假设跟踪器. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ...
多传感器 – 多目标 – 仅方位传感器配准
纯方位估计是目标跟踪中的基本问题之一，也是具有挑战性的问题。与雷达跟踪的情况一样，偏移或位置偏差的存在会加剧纯方位估计的挑战。对各种传感器偏差进行建模并非易事，文献中专门针对纯方位跟踪的研究并不多。本文讨论了纯方位传感器中偏移偏差的建模以及随后的带偏差补偿的多目标跟踪。偏差估计在融合节点处处理，各个传感器以关联测量报告 (AMR) 或纯角度轨迹的形式向该节点报告其本地轨迹。该建模基于多传感器方法，可以有效处理监视区域中随时间变化的目标数量。所提出的算法可得出最大似然偏差估计器。还推导出相应的 Cram´er-Rao 下限，以量化所提出的方法或任何其他算法可以实现的理论精度。最后，给出了不同分布式跟踪场景的模拟结果，以证明所提出方法的能力。为了证明所提出的方法即使在出现误报和漏检的情况下也能发挥作用，还给出了集中式跟踪场景的模拟结果，其中本地传感器发送所有测量值（而不是 AMR 或本地轨道）。