XiaoMi-AI文件搜索系统
World File Search System智能算法
评估微电网中净计量机制的使用情况，利用群体智能算法降低发电成本
微型发电是一种清洁高效的电力供应方式。然而，风能和太阳辐射的不可预测性对满足负载需求和维持微电网 (MG) 稳定运行提出了挑战。本文提出使用群体智能算法对具有净计量补偿策略的混合 MG 系统 (HMGS) 进行建模和优化。使用来自西班牙地区的真实工业和住宅数据，带有通用 ESS 的 HMGS 用于分析四种不同的净计量补偿水平对成本、可再生能源 (RES) 百分比和 LOLP 的影响。此外，还根据 MG 提供的最终 $/kWh 成本评估了两种 ESS，即钛酸锂尖晶石 (Li4Ti5O 12 (LTO)) 和钒氧化还原液流电池 (VRFB) 的性能。结果表明，净计量政策将盈余从 14% 以上减少到 0.5% 以下，并将可再生能源在 MG 中的参与度提高 10% 以上。结果还显示，在年度预测中，与使用不带净计量的 LTO 系统的 MG 相比，使用具有 25% 补偿政策的 VRFB 系统的 MG 可以节省超过 100,000 美元。
引用：Khan，SN，利用智能算法高效利用能源，解决电力系统中负荷不确定性问题
在本文中，我正在开发一种独特的基于优化的实时内陆负荷管理算法，该算法考虑到负荷模糊性，以尽量减少每个住宅用户的能源支付，并降低峰值与平均值的比率以克服电网稳定性的缺陷。通过将所有住宅负荷分为不同的类别，即必须运行、可中断和不间断设备，我使用实时定价方案进行负荷管理。然而，当能源需求过高时，实时定价会产生峰值曲线，这就是为什么我使用实时定价和倾斜区块费率模型的组合来通过降低峰值与平均值的比率来提高电网稳定性。模拟结果表明，对于所提供的数据，所提出的算法有效地降低了总体住宅能源成本以及我们模型的峰值与平均值的比率。
利用人工智能（AI）优化电气自动化控制
针对当前电气工程面临的问题，设计了基于人工智能技术的控制系统。本文提出了基于人工智能算法的电气自动化控制系统模型，通过实现基于人工智能算法的控制方法，对控制参数进行优化。研究结果表明，在20%负荷干扰和2.1 Hz频率干扰下，系统控制下的汽轮机最高故障率为0.02，表明系统具有良好的抗干扰能力。因此，利用人工智能算法进行电气化自主控制可以大大提高控制反应时间，降低成本，提高生产效率。
基于人工智能算法的概念：通过 CEUS 图像和 HSP 分析来识别重症急性胰腺炎的早期实质变化
1 维尔纽斯大学医学院临床医学研究所、胃肠病学、外科、肾泌尿学诊所，M.K.Ciurlionio str.21，维尔纽斯 LT-03101，立陶宛 2 维尔纽斯大学医学院生物医学科学研究所、放射学、核医学和医学物理学系，M.K.Ciurlionio str.21，维尔纽斯 LT-03101，立陶宛 3 考纳斯理工大学超声波研究所，K. Donelaicio str.73，考纳斯 44249，立陶宛 4 考纳斯理工大学电力系统系，K. Donelaicio str.73，考纳斯 44249，立陶宛 5 乔治城大学医院外科部，3800 Reservoir Rd，NW，华盛顿特区 20007，美国 6 维尔纽斯大学数据科学与数字技术研究所，Akademijos 街。4，维尔纽斯，LT-08412，立陶宛 电子邮件：aiste.kielaite-gulla@mf.vu.lt，arturas.samuilis@santa.lt
印度理工学院曼迪分校科学家开发人工智能算法，提高山体滑坡预测的准确性
印度曼迪理工学院，2023 年 2 月 21 日：印度曼迪理工学院的研究人员开发了一种使用人工智能和机器学习 (AI&ML) 的新算法，可以提高自然灾害预测的准确性。该算法由印度曼迪理工学院土木与环境工程学院副教授 Dericks Praise Shukla 博士和印度曼迪理工学院前研究学者、目前在特拉维夫大学 (以色列) 工作的 Sharad Kumar Gupta 博士开发，可以解决滑坡敏感性测绘数据不平衡的挑战，该测绘表示特定区域发生滑坡的可能性。他们的研究成果最近发表在《滑坡》杂志上。
医疗/保健应用因医疗保健领域训练人工智能算法的偏见而产生的伦理问题以及数据共享作为潜在解决方案
这项研究由 NIH R21 EB026665 赞助。Luke Macyszyn 是 Theseus AI 的董事会成员和投资者。Gaonkar 博士是 Theseus AI 的被动投资者。Theseus AI 是一家从加州大学洛杉矶分校分拆出来的初创公司，旨在将 Macyszyn 实验室的工作商业化。
在需求工程过程中识别可能的人工智能应用 = 在需求工程过程中识别人工智能算法的可能应用
摘要 在产品开发项目中，管理不断增长的需求是一项耗时且高度复杂的活动。随着近几十年来人工智能 (AI) 的兴起，算法现在能够支持需求工程 (RE) 任务。算法智能处理自然语言数据的能力以及在 RE 中的应用已得到广泛发表。然而，在已建立的 RE 流程中，通常不清楚在哪里可以使用人工智能算法。结果是最先进的人工智能算法与其在实际 RE 流程中的应用率之间存在显著的不平衡。原因之一是，当前的 RE 流程模型无法传达识别合适任务所需的信息。因此，本文旨在提供一个具有面向数据处理的视角的有限和标准化流程步骤框架，可用于系统地识别 RE 流程中可以应用人工智能算法的点。通过该框架的标准化流程步骤，可以抽象和表达已建立的 RE 流程，使其与人工智能算法的范围兼容。由于标准化流程步骤数量有限，因此可以构建适用于已定义流程步骤的 AI 算法库，以便有效评估其适用性。所提出的框架是在与行业参与的研究项目中合作开发的。
建议引用：Puranam, Phanish (2021)：人机协作决策作为组织设计问题，《组织设计杂志》，ISSN 2245-408X，Springer，Cham，第 10 卷，Iss。2，第 75-81 页，https://doi.org/10.1007/s41469-021-00095-2
在这篇简短的观点文章中，我提出了一些想法，即我们如何将人类与人工智能算法之间的协作决策概念化为组织设计中的一个问题。虽然人类与人工智能算法之间可能存在多种交互形式，但这里的论点与知识工作最相关，在知识工作中，人类和人工智能算法通过某种形式的协作，共同做出由第三方实施的决策（例如选股、投资、判刑、筛选候选人）。我将这些情况称为“人机协作决策”（或 HACD）。这些论点也可能适用于人类训练人工智能算法（例如，通过观察人类驾驶来学习的自动驾驶汽车）或反之亦然（例如，基于聊天机器人的语言学习应用程序）的情况，或使用算法来改善人与人之间的匹配（例如，社交媒体平台上的朋友建议），但需要一些我在这里没有涉及的其他考虑因素。在下文中，我将“人工智能”和“算法”这两个术语与“机器学习”（ML）互换使用。我知道并非所有算法都是人工智能，也并非所有人工智能都是机器学习（Broussard 2018；Raj and Seamans 2019），但我的