XiaoMi-AI文件搜索系统
World File Search System子群
用多目标粒子群算法
摘要伊朗太阳能的高潜力以及空气污染的问题使使用太阳能越来越不可避免。在这项工作中，研究了太阳能有机兰丁周期（ORC）。太阳能收集器是平板收集器。与MOPSO算法的混合体系的能量，自我和经济分析是针对伊朗首都德黑兰进行的。假定太阳能收集器的工作流体被认为是水，ORC的工作流体为R123。MATLAB软件用于仿真，为了计算R123流体属性，使用了重建软件。exergy的调查表明，最充电的破坏与蒸发器有关。考虑了两个由发射效率和电价组成的目标功能。该优化的决策变量被认为是太阳能收集器面板和泵的数量，涡轮机等效率以及冷凝器和蒸发器的压力。帕累托图显示，系统的发电效率在7.5-10.5％的范围内可能有所不同，生产的电力价格可能会在0.2-0.26 $/kWh的范围内变化。关键字：自动，有机兰金周期，平坦收集器，能量，经济，太阳能。
幸福与健康粒子群优化
粒子群优化 (PSO) 是一种流行且广泛使用的优化算法，用于解决复杂问题。它以简单和易于实施而闻名。人工鸟在搜索空间中移动以找到最佳解决方案。尽管文献中提出了许多 PSO 算法，但 PSO 算法中尚未探索幸福和健康等概念。本文基于这一研究空白。幸福和健康粒子群优化 (HaHePSO) 算法是通过将幸福和健康概念纳入粒子群优化算法而创建的。HaHePSO 算法中的每个粒子都与幸福和健康变量相关联。PSO 算法中人工鸟的移动基于适应度值。在 HaHePSO 算法中，人工鸟的移动取决于幸福、健康和适应度值。在 PSO 算法中，人工鸟朝着局部最佳和全局最佳适应值的方向移动。这一思想在 HaHePSO 算法中得到了扩展，其中人工鸟朝着幸福感、健康和适应值的局部最佳和全局最佳方向移动。与 PSO 算法相比，本文提出的 HaHePSO 算法占用更多空间并需要额外计算。这是因为现在每个粒子都有与之相关的幸福感和健康变量，并且搜索空间中的移动由适应度、幸福感和健康值引导。
基于高斯的定向粒子群优化
粒子群优化 (PSO) 是一种迭代搜索方法，它使用随机步长将一组候选解决方案围绕搜索空间移动到已知的最佳全局和局部解决方案。在实际应用中，PSO 通常可以加速优化，因为梯度不可用且函数评估成本高昂。然而，传统的 PSO 算法忽略了从单个粒子的观察中可以获得的目标函数的潜在知识。因此，我们借鉴了贝叶斯优化的概念，并引入了目标函数的随机代理模型。也就是说，我们根据目标函数的过去评估拟合高斯过程，预测其形状，然后根据它调整粒子运动。我们的计算实验表明，PSO 的基线实现（即 SPSO2011）表现优异。此外，与最先进的代理辅助进化算法相比，我们在几个流行的基准函数上实现了显着的性能改进。总体而言，我们发现我们的算法实现了探索性和利用行为的理想特性。
飞机配平粒子群优化分析
在本研究中，首先开发了 F-16 飞机全动力学的详细非线性模型，并用 MATLAB 编写了代码。该模型包括重力模型、可变大气参数、表格气动函数、推进模型、非线性控制面驱动模型和六自由度运动方程。然后开发了一种使用上述模型计算所有可能配平值的数值工具。该工具可以计算不同操作点的配平值。在开发的算法中，使用了粒子群优化 (PSO) 方法，这是一种在连续搜索空间上具有高收敛速度的元启发式方法。然后使用开发的模型围绕计算出的配平值进行模拟。模拟结果证实，基于 PSO 的配平算法可以高精度地找到所有配平值。引用本文：I. Gumusboga、A. Iftar，“粒子群优化飞机配平分析”《航空航天技术杂志》，第12，第2，第185-196，7 月2019.分段优化和配平分析
SU(2) 离散子群的原始量子门
格点规范理论 (LGT) 中量子效用的可能性非常大 [1 – 4] 。也许最重要的是，它为符号问题提供了一个优雅的解决方案，从而导致经典计算资源的指数级扩展 [5] ，从而无法在有限费米子密度和存在拓扑项的情况下进行大规模动力学模拟。为了研究这些基础物理主题，需要许多量子子程序。第一项任务是准备感兴趣的强耦合态，包括基态 [6 – 12] 、热态 [13 – 23] 和碰撞粒子 [24 – 34] 。对于动力学应用，时间演化算子 UðtÞ¼e−iHt 必须近似，并且存在许多不同的选择；特罗特化 [35,36]、随机编译 [37,38]、泰勒级数 [39]、量子比特化 [40]、量子行走 [41]、信号处理 [42]、幺正的线性组合 [38,43] 和变分方法 [44 – 47]，每种方法都有自己的权衡。除了状态准备和演化之外，重要的是需要开发有效的技术 [48 – 51] 和公式 [52 – 63] 来测量物理可观测量。为实现这一点，可以进一步使用算法改进，如误差缓解和校正
一个精确的量子隐子群算法和...
我们针对 Z nmk 中的隐子群问题提出了一个多项式时间精确量子算法。该算法使用模 m 的量子傅里叶变换，不需要对 m 进行因式分解。对于光滑的 m ，即当 m 的素因数为 (log m ) O (1) 时，可以使用 Cleve 和 Coppersmith 独立发现的方法精确计算量子傅里叶变换，而对于一般的 m ，可以使用 Mosca 和 Zalka 的算法。即使对于 m = 3 和 k = 1，我们的结果似乎也是新的。我们还提出了计算阿贝尔群和可解群结构的应用程序，它们的阶具有与 m 相同（但可能是未知的）素因数。可解群的应用还依赖于 Watrous 提出的用于计算子群元素均匀叠加的技术的精确版本。
粒子群优化的飞机配平分析
在本研究中，首先开发了 F-16 飞机全动力学的详细非线性模型，并用 MATLAB 进行编码。该模型包括重力模型、可变大气参数、表格气动函数、推进模型、非线性控制面驱动模型和六自由度运动方程。然后开发了一种使用上述模型计算所有可能配平值的数值工具。该工具可以计算不同操作点的配平值。在开发的算法中，使用了粒子群优化 (PSO) 方法，这是一种在连续搜索空间上具有高收敛速度的元启发式方法。然后使用开发的模型围绕计算出的配平值进行模拟。模拟结果证实，基于 PSO 的配平算法可以高精度地找到所有配平值。
使用粒子群的随机森林优化...
抽象糖尿病是一种慢性退化性疾病，原因是胰腺中缺乏胰岛素的产生或人体使用胰岛素使用的能力较低。根据世界卫生组织（WHO）的一份报告，世界上有4％的总死亡是由糖尿病引起的。国际糖尿病联合会（IDF）指出，糖尿病患者在2013年有所增加。印度尼西亚是糖尿病病例数量最多的第七名。在这项研究中，用于对糖尿病进行分类的方法是使用粒子群优化（PSO）优化的随机森林算法。这项研究使用PSO优化的随机森林分类算法的准确性为78.2％和82.1，值增加了3.9％。可以得出结论，与没有PSO优化的随机森林算法相比，PSO优化可以更好地提高分类精度值。关键字：分类，糖尿病，国际糖尿病联合会，粒子群优化，随机森林1。引言糖尿病是一种非传染性疾病，会导致患者体细胞功能的缓慢下降，其特征是当激素胰岛素的功能通常无法运行时，由于代谢干扰而导致尿液中的血糖水平升高[1]。代谢性疾病称为糖尿病是由胰岛素分泌和作用故障引起的[2]。高血糖水平会导致人体衰竭，心动脉，中风，失明和死亡等人体细胞功能受损[3]。
模糊遗传粒子群优化卷积神经...
dharanir.pec@gmail.com, ramesh.revathy@gmail.com, danesh.kn1@gmail.com Received : 31 July 2023, Revised: 14 October 2023, Accepted : 21 October 2023 * Corresponding Author ABSTRACT Oral cancer presents a pressing global health concern, ranking as the eighth most prevalent cancer worldwide and leading to a significant number of deaths, particularly evident in India with an annual toll of大约有130,000人死于口腔癌。早期检测的紧迫性是显而易见的，因为由于临床检查和活检而导致的疾病识别延迟可以阻碍有效的治疗和改善患者的结果。这项研究通过开发能够识别受疾病影响的口腔区域并准确分类各种口腔癌疾病的系统来解决这一关键需求。该研究利用深度学习算法来检测和精确定位口服图像中的受影响区域，并结合了高级特征提取技术，尤其是基于模式的特征。使用创新的蜜蜂脉冲夫妇神经网络（BEEPCNN）算法用于对受影响区域的有效分割。为了进一步提高检测效率，引入了一种新型模糊遗传粒子群卷积神经网络（FGPSOCNN），从而降低了计算复杂性，同时保持了高精度水平。拟议的系统使用从Arthi Scan医院收集的实时MRI图像进行了严格的评估。实验结果令人信服地证明了与现有的口腔癌检测方法相比，FGPSOCNN模型的优越性。1。简介这项综合研究不仅满足了早期口腔癌检测的关键需求，而且还引入了一种创新的方法，可以显着提高效率而不会损害准确性。这项研究对口腔癌诊断的潜在影响是很大的，为全球关键的全球健康挑战提供了有希望的解决方案。关键字：口腔癌，深度学习，蜂鸣声，模糊，粒子群优化，fgpsocnn。
用于 CNN 的粒子群优化模糊积分 - ...
摘要 最近，使用卷积神经网络 (CNN) 解码人类脑电图 (EEG) 数据推动了脑机接口 (BCI) 中运动想象脑电图模式识别的最新技术。虽然已经使用多种 CNN 模型来对运动想象脑电图数据进行分类，但尚不清楚聚合异构 CNN 模型集合是否可以进一步提高分类性能。为了整合集成分类器的输出，本研究利用模糊积分和粒子群优化 (PSO) 来估计分配给分类器的最佳置信度水平。所提出的框架聚合了 CNN 分类器和模糊积分与 PSO，根据 BCI 使用场景，在各种 CNN 模型训练方案中实现运动想象脑电图数据的单次试验分类的稳健性能。这项概念验证研究证明了应用模糊融合技术增强基于 CNN 的 EEG 解码的可行性，并有利于 BCI 的实际应用。关键词：脑机接口 (BCI)、脑电图 (EEG)、卷积神经网络 (CNN)、模糊积分、运动想象 (MI)、粒子群优化 (PSO)。