XiaoMi-AI文件搜索系统
World File Search System收敛时间
编队控制无人直升机移动目标跟踪障碍和维护连接F. Ghaderi，A。Toloei *部门 *部门
这项研究涉及无人直升机的控制，强调形成控制，目标跟踪，避免障碍和连续性维护。该研究采用终端滑动模式控制（TSMC）来调节直升机的位置和态度，而通用的预测控制（GPC）策略则用于通过领导者追随者的方法来形成控制。使用人工电位（APF）方法实现避免障碍物。仿真结果表明，在六个不同的任务中，快速收敛时间不到三秒钟，这表明直升机在保持静态障碍和动态障碍的同时保持其形成的能力。最初的三个任务涉及在三角形形成中组织的三架直升机，成功地避免了障碍物并以低于1％的错误率保持连续性。随后的三个任务，涉及五架五角形配置的五架直升机，类似地说明了有效的导航和动态目标跟踪。值得注意的是，领导直升机始终跟踪静态和动态目标，以确保形成的完整性。这项研究通过探索多代理直升机操作和障碍物遍历的复杂性来促进该领域，从而强调了在动态场景中保持连通性和形成的关键重要性。这些发现强调了拟议的控制策略的有效性，为包括军事和民用领域在内的各个部门的未来应用提供了宝贵的见解。
混合动力发电...
摘要：光伏 (PV) 能源的使用最近因其可再生性而受到广泛关注。然而，仍然存在一些挑战，特别是在准确设计 PV 系统方面。在离网 PV 系统中，适当选择 PV 电池和电池存储的尺寸对于提高效率和系统可靠性至关重要。该项目重点关注尼日利亚北部的 Gubio 村，该村计划建立一个结合风能、光伏和柴油发电的独立系统。主要目标是确定案例研究中 PV 模块和电池尺寸的最佳数量。在理想的测试条件下，使用 MATLAB 模拟对所提出的系统进行了测试，同时考虑了辐照度模式的变化和与系统相关的其他不确定性。还概述了 PV、电池、风力涡轮机和柴油组件的搜索范围及其目标函数。在本项目中，比较了遗传算法 (GA)、粒子群优化 (PSO) 和差分进化 (DE) 算法，以确定 Gubio 村离网 PV、风力涡轮机和柴油系统的最佳尺寸。优化结果表明，PSO 在成本和收敛时间方面提供了最佳解决方案，供电损失概率 (LPSP) 最低，平准化能源成本 (LCOE) 最高，分别为 0.012 和 0.3564。与 DE 和 GA 相比，PSO 算法效率更高，由于收敛速度更快，所需的计算时间和内存更少。因此，该项目通过为尼日利亚博尔诺州的古比奥村设计混合光伏/风能/柴油电池发电系统成功实现了其目标。关键词：光伏 (PV) 能源；离网光伏系统；优化算法；混合发电。
量子 PUF 在量子计算中的安全性和信任度
摘要 — 量子计算是一种很有前途的解决计算难题的范例。IBM、Rigetti 和 D-Wave 等多家公司使用基于云的平台提供量子计算机，该平台具有几个有趣的特性，即：(i) 云端存在具有不同数量量子比特和耦合图的量子硬件，可提供不同的计算能力；(ii) 套件中存在具有相同耦合图的多个硬件；(iii) 具有更多量子比特的较大硬件的耦合图可以适应许多较小硬件的耦合图；(iv) 每个硬件的质量都不同；(v) 用户无法验证从量子硬件获得的结果的来源。换句话说，用户依赖云提供商的调度程序来分配请求的硬件；(vi) 云端的量子程序队列通常很长，并且可以最大化吞吐量，这是降低成本和帮助科学界进行探索的关键。上述因素促使了一种新的威胁模型，该模型具有以下可能性：（a）未来，第三方不太可信的量子计算机可能会分配质量较差的硬件，以节省成本或满足其虚假宣传的量子比特或量子硬件规格；（b）工作负载调度算法可能存在错误或恶意代码段，这些错误或恶意代码段将试图以分配给质量较差的硬件为代价来最大化吞吐量。可信提供商也有可能存在此类错误；（c）可信云供应商中的恶意员工可能会试图通过篡改调度算法或重新路由程序来降低用户计算质量，从而破坏供应商的声誉；（d）恶意员工可以通过将程序重定向到他们具有完全控制权的第三方量子硬件来窃取信息。如果分配的硬件质量较差，用户将遭受质量较差的结果或更长的收敛时间。我们提出了两种量子物理不可克隆函数 (QuPUF) 来解决此问题 - 一种基于叠加，另一种基于退相干。我们在真实量子硬件上的实验表明
学习通过增强学习来控制相机曝光
相机曝光控制是通过控制曝光时间，增益和光圈来调整展示水平的任务，以达到给定场景的所需亮度和图像质量水平。调整较差的暴露参数导致暴露过度，暴露不足，模糊或嘈杂的图像，这可能会导致基于图像的应用程序中的性能降解，并且在最坏的情况下甚至是威胁生命的事故。因此，找到适当的相机暴露是确保计算机VI- sion应用功能的第一步，例如对象检测[5，16]，语义分割[9，17]，深度估计[10，26]和视觉传感器[1，13]。相机外观控制中有几个基本要求。必须保证快速收敛以在动态降低的情况下保持适当的暴露水平。此外，曝光控制环是相机系统中最低的循环之一。因此，必须考虑轻巧的算法设计用于车载级操作。最后，不应牺牲融合图像的质量以满足要求。此外，同时控制的参数数的数量也很重要，因为它会影响收敛时间和收敛图像的最终质量。单一控制方法[14，18，20]以一种方式控制暴露参数，以达到所需的暴露水平，而不是控制暴露参数。但是，收敛的参数通常不是最佳的，例如[长时间曝光时间，低增益]和[短曝光时间，高增益]对。结果，该值导致不良图像伪像，例如由于长时间的暴露时间或由于高增益而引起的严重噪声而导致运动模糊。关节曝光参数控制[7，8，8，21，23，24]通常需要在广泛的搜索空间中进行多个搜索步骤，以找到最佳组合。结果，它们会引起闪烁效果和缓慢的收敛速度。此外，由于其优化算法[7，8]，图像评估指标[7，8，20，21]和GPU推论，因此需要高级计算复杂性[23]。在本文中，我们提出了一种新的联合暴露参数控制方法，该方法利用了增强学习来实现即时收敛和实时处理。所提出的框架由四个贡献组成：•简化的训练场，以模拟现实世界的di-verse和动态照明变化。•闪烁和图像属性感知奖励设计，以及用于实时处理的轻巧和直观的状态设计。•静态的动态照明课程学习，以提高代理的暴露能力。•域随机技术减轻训练场的限制并在野外实现无缝的一般性，而无需额外的训练。