XiaoMi-AI文件搜索系统
World File Search System局部最优
软计算与人工智能杂志
在本文中，我们介绍了两种受自然过程启发的混合元启发式算法：蜂群优化 (BCO) 和鲸鱼优化算法 (WOA)。BCO 算法由 Karaboga 于 2005 年首次提出，借鉴了蜜蜂的觅食行为。它以简单和有效解决各种优化问题而闻名。我们将概述 BCO 算法，包括其在群体智能背景下的原理和修改。这种技术研究由众多相互作用的元素组成的分散系统，其探索能力尤为突出。Mirjalili 和 Lewis 于 2016 年提出的鲸鱼优化算法模仿了座头鲸的气泡网狩猎行为。该算法采用群体智能来避免局部最优，并通过模拟渔网方法平衡探索和开发。它的设计有助于实现最优解并有效避免局部陷阱。我们将 BCO 和 WOA 混合成一种新算法，称为 ABCWOA。该混合算法在 16 个优化任务中进行了测试，频率分别为 (100、200、500、1000)。结果表明，ABCWOA 有效地达到了最优解，通常通过在大多数任务中实现较低的最小值 (𝑓_𝑚𝑖𝑛) 来优于传统搜索算法。
在驾驶模拟器中建模视觉前庭整合和行为适应
众所周知，不仅视觉，其他感官方式也会影响驾驶员对车辆的控制，并且驾驶员会随着时间的推移适应感官线索的持续变化（例如在驾驶模拟器中），但这些行为现象背后的机制尚不清楚。在这里，我们考虑了现有文献中关于前庭线索缩小如何影响障碍滑雪任务中的驾驶员转向，并首次提出了一个驾驶员行为的计算模型，该模型可以基于神经生物学上合理的机制来解释经验观察到的影响，即：在初始接触期间任务表现下降和转向力度增加，然后随着任务接触时间的延长，这些影响会部分逆转。出乎意料的是，该模型还重现了另一个以前无法解释的经验发现：运动缩小的局部最优，其中路径跟踪比一对一运动线索可用时更好。总体而言，我们的研究结果表明：（1）驾驶员直接利用前庭信息来确定适当的转向动作，（2）运动降尺度会导致偏航率低估现象，驾驶员的行为就好像模拟车辆的旋转速度比实际速度慢一样。然而，（3）在障碍滑雪任务中，一定程度的低估会带来路径跟踪性能优势。此外，（4）模拟障碍滑雪驾驶任务中的行为适应可能发生在
论文基于改进Sparrow搜索算法的SVR水质预测模型研究
多参数水质趋势预测技术是水环境管理与调控的重要手段之一，本研究提出一种将改进的麻雀搜索算法（ISSA）与支持向量回归机（SVR）相结合的具有更好预测性能的水质预测模型。针对麻雀搜索算法（SSA）种群多样性低、易陷入局部最优的问题，提出ISSA，通过引入Skew-Tent映射来增加初始种群多样性，利用自适应淘汰机制帮助算法跳出局部最优。利用ISSA对SVR模型的惩罚因子C和核函数参数g进行最优值选取，使得模型具有更好的预测精度和泛化性能。通过实际养殖水质数据进行水质预测实验，将ISSA-SVR水质预测模型与BP神经网络、SVR模型及其他混合模型的性能进行了比较。实验结果表明，ISSA-SVR模型的预测精度明显高于其他模型，达到99.2%；均方差（MSE）为0.013，比SVR模型降低了79.37%，比SSA-SVR模型降低了75%；判定系数（R2）为0.98，比SVR模型提高了5.38%，比SSA-SVR模型提高了7.57%，表明ISSA-SVR水质预测模型在水体管理领域具有一定的工程应用价值。
集群学习辅助定向进化
其中 x 是序列，f(x) 是未知的序列到适应度图。DE 是一种黑盒优化问题，它按顺序查询序列进行实验筛选。贪婪搜索能够有效地用最少的实验找到改进的序列，但由于适应度景观中普遍存在的上位性，它通常仅限于探索局部最优 2 – 4 。另一方面，通过多位点饱和诱变进行随机探索不可避免地会产生庞大的组合文库，这往往会超出筛选能力 5 。一种以最小的实验负担搜索上位性景观的有效策略是十分可取的。过去十年，生物数据的机器学习 (ML)（包括深度学习，DL）算法得到了快速发展 6 – 10 。监督模型可以学习蛋白质与适应度之间的关系，并提供酶活性和选择性3、蛋白质热稳定性11、蛋白质折叠能12、13、蛋白质溶解度14、蛋白质-配体结合亲和力15和蛋白质-蛋白质结合亲和力16的定量预测。由于获取监督标签的成本高昂，自监督蛋白质嵌入已成为蛋白质建模的重要范例。通过对自然进化产生的大量未标记序列数据进行训练，自监督蛋白质嵌入可以捕获序列中大量潜在的生物信息，并将信息传递给下游的监督任务17、18。许多模型架构（如变分
使用进化量子启发水平集技术自动检测 MRI 脑肿瘤的新型医学分析框架
摘要：准确分割 3D 磁共振成像 (3D-MRI) 中的脑肿瘤对于简化诊断和治疗过程至关重要。在基于能量函数理论的图像分割和分析方法领域，水平集方法已成为一种有效的计算方法，极大地促进了几何活动轮廓模型的发展。使用水平集技术时，减少分割误差和所需迭代次数的一个重要因素是初始轮廓点的选择，这两者在处理脑肿瘤可能具有的各种大小、形状和结构时都很重要。为了定义速度函数，传统方法仅使用图像梯度、边缘强度和区域强度。本文提出了一种受量子启发蜻蜓算法 (QDA) 影响的聚类方法，QDA 是一种受蜻蜓群居行为启发的元启发式优化器，用于准确提取初始轮廓点。所提出的模型采用量子启发计算范式来稳定开发和探索之间的权衡，从而弥补传统基于 DA 的聚类方法的任何缺点，例如收敛速度慢或陷入局部最优。首先，可以使用量子旋转门概念将代理群重新定位到可以更好地实现最优值的位置。然后，通过采用突变程序来增强群体突变并实现其多样性，使主要技术具有强大的局部搜索能力。在将颅骨与大脑分离的初步阶段之后，在 QDA 的帮助下确定肿瘤轮廓（边缘）。MRI 系列的初始轮廓将从这些提取的边缘得出。最后一步是使用水平集分割技术在所有体积段中隔离肿瘤区域。当应用于 BraTS 2019 数据集中的 3D-MRI 图像时，所提出的技术优于最先进的脑肿瘤分割方法，如所获得的结果所示。