XiaoMi-AI文件搜索系统
World File Search System灰狼
采用 RES 的混合交流/直流微电网的多目标优化算法：综合综述
摘要：为了克服可再生能源 (RES) 的间歇性，考虑了混合微电网系统的优化方法，该系统集成了可再生能源 (RES) 并向偏远地区提供可靠的电力。混合交流/直流微电网系统由太阳能光伏系统、风力涡轮机、电池存储、转换器和柴油发电机构成。混合交流/直流微电网中混合可再生能源的利用率稳步上升；因此，有必要解决优化技术。因此，本研究提出利用进化算法的多目标优化方法。在此背景下，回顾了几篇关于多目标优化的论文，以确定带有可再生能源的混合交流/直流微电网的容量和最佳设计。在这里，最佳系统包括最低能源成本、最低净现值成本、低运营成本、低碳排放和高可再生能源比例。这些都是通过使用多目标优化 (MOO) 算法确定的。混合交流/直流微电网的规模优化基于多目标灰狼优化器 (MOGWO) 和多目标粒子群优化 (MOPSO)。同样，使用不同进化算法 (MOGA、MOGOA 等) 进行多目标优化可以降低能源成本和净现值成本，并提高孤岛混合微电网系统的可靠性。
靶向衰老的治疗药物的进步
简介：心脏病是显着影响受害者生活方式和生活的著名人类疾病。心律不齐（心律不齐）是反映个人心跳状态的关键心脏疾病之一。ECG（心电图）信号通常用于这种心脏疾病的诊断过程中。目标：在本手稿中，已经努力采用和检查新兴群智能（SI）技术的性能，以寻找用于心律不齐的最佳特征集。方法：已经考虑了279个属性和452个实例，标准基准UCI数据集集已被考虑。五种不同的基于SI的元元素技术。二进制灰狼优化器（BGWO），蚂蚁狮子优化（ALO），蝴蝶优化算法（BOA），蜻蜓算法（DA）和缎面鸟优化（SBO）也已被使用。此外，已经设计了五种新型SBO的混乱变体，以解决诊断心律不齐的特征选择问题。已经计算了不同的性能指标，例如精度，健身价值，最佳功能集和执行时间。结论：从实验中观察到，就心律不齐的准确性和适应性值而言，SBO的表现优于其他SI算法。bgwo，da，boa和alo。此外，当重点仅在尺寸上时，BOA和ALO似乎是最适合的。
使用卷积自动编码器模型和 Interv 在 rs-fMRI 模式中自动诊断精神分裂症和注意力缺陷多动障碍
摘要 当今世界，许多人患有脑部疾病，他们的健康受到威胁。到目前为止，已经提出了许多诊断精神分裂症 (SZ) 和注意力缺陷多动障碍 (ADHD) 的方法，其中功能性磁共振成像 (fMRI) 模态是医生中流行的方法。本文提出了一种使用新深度学习方法的静息态 fMRI (rs-fMRI) 模态的 SZ 和 ADHD 智能检测方法。加州大学洛杉矶分校数据集包含 SZ 和 ADHD 患者的 rs-fMRI 模态，已用于实验。FMRIB 软件库工具箱首先对 rs-fMRI 数据进行预处理。然后，使用具有建议层数的卷积自动编码器模型从 rs-fMRI 数据中提取特征。在分类步骤中，引入了一种新的模糊方法，称为区间型2模糊回归（IT2FR），然后通过遗传算法、粒子群优化和灰狼优化（GWO）技术进行优化。此外，还将IT2FR方法的结果与多层感知器、k最近邻、支持向量机、随机森林和决策树以及自适应神经模糊推理系统方法进行了比较。实验结果表明，与其他分类器方法相比，采用GWO优化算法的IT2FR方法取得了令人满意的结果。最后，提出的分类技术能够提供72.71％的准确率。
通过深度学习预测癫痫发作......
脑电图 (EEG) 是一种广泛使用的重要技术，可用于辅助诊断癫痫和研究人脑的电模式。由于 EEG 信号的非平稳性质，不同患者的不同记录会话中的癫痫发作模式会有所不同。在这项研究中，我们实施了一种新的深度学习长短期记忆 (LSTM) 模型来检测脑肿瘤和癫痫发作。该过程包括四个关键步骤：EEG 信号预处理、发作前特征提取、使用灰狼优化 (GWO) 进行超优化以及基于 LSTM 的分类。评估利用了来自 EEG 和 ABIDE fMRI 数据集的长期 EEG 记录。通过试验各种模块和记忆单元层，首先进行预分析以确定最佳 LSTM 网络架构。LSTM 模型利用了许多检索到的特征，包括在分类之前提取的 EEG 通道之间的时间和频域信息。实施方法的发现揭示了准确预测癫痫发作同时最大限度地减少误报的显著优势。所实施的 LSTM 方法实现了 99% 的准确率、98% 的精确度、99% 的召回率和 98% 的 f1 测量值，与基于跨子模式相关的主成分分析 (SUBXPCA) 和梯度提升决策树 (GBDT) 方法相比，效果更佳。
https://dx.doi.org/10.12785/ijcds/120166 独立混合可再生能源的最佳经济规模
收到日期：2021 年 2 月 21 日，修订日期：2020 年 2 月 20 日，接受日期：2022 年 3 月 29 日，发布日期：2022 年 9 月 30 日 摘要：本文利用不同的进化优化算法，研究了印度库鲁克谢特拉社区独立式 (HRES) 的最佳经济规模。在优化过程中，将光伏 (PV)、风力涡轮机 (WT)、电池和柴油发电机 (DEG) 等不同子系统的数量视为感兴趣的变量，以净现值成本、回收期、计算成本和平准化能源成本 (LCOE) 作为绩效衡量标准。通过对结果的分析，可以确定与粒子群优化 (PSO)、引力搜索算法 (GSA)、灰狼优化器 (GWO) 和组合 PSO-GSA 算法提供的解决方案相比，鲸鱼优化算法 (WOA) 提供的解决方案在 LCOE、净现值和回收期方面表现最佳。对这些算法的相对性能进行了定性和定量比较和对比，不仅突出了研究结果，而且突出了从经济角度对独立 HRES 进行最佳定型（根据问题陈述），还突出了其他性能指标，例如收敛时间、计算成本和复杂性。模拟在 MATLAB 软件中执行。关键词：经济定型、HRES、LCOE、独立、优化算法
一种新型的生物启发的元疗法用于全局优化
本文介绍了山羊优化算法（GOA），这是一种新型的生物启发的元疗法，灵感来自山羊的适应性行为。从他们的觅食策略，运动模式和逃避寄生虫的能力中汲取灵感，果阿旨在有效地平衡探索和剥削。该算法结合了三种关键机制：用于全球搜索的自适应觅食策略，一种用于精炼解决方案的运动方法以及一种跳跃机制来逃避本地Optima。此外，解决方案过滤过程通过维持人群中的多样性来增强鲁棒性。果阿的性能是针对良好的元启发术评估的，包括颗粒群优化（PSO），灰狼优化器（GWO），遗传算法（GA），鲸鱼优化算法（WOA）和人造Bee Colony（ABC）。比较结果证明了果阿的出色收敛速度，增强的全球搜索效率以及提高的解决方案精度。这些改进的统计意义将通过Wilcoxon Rank-sum检验验证。尽管有效，果阿仍面临一些挑战，包括计算复杂性和对参数设置的敏感性，这为进一步的优化留出了空间。未来的研究将探讨自适应参数调整，与其他元启发式学的杂交以及供应链管理，生物信息学和能量优化的现实应用。调查结果表明，果阿在生物启发的优化技术方面提供了有希望的进步。
一种用于随机的增强型水母搜索优化器......
多微电网 (MMG) 的能源管理 (EM) 解决方案是一项提供更多灵活性、可靠性和经济效益的关键任务。然而，由于可再生能源的随机性以及负载波动，MMG 的能源管理 (EM) 成为一项复杂而艰巨的任务，因为可再生能源的渗透率很高。在这方面，本文旨在通过最佳纳入光伏 (PV) 系统、风力涡轮机 (WT) 和生物质系统来解决 MMG 的 EM 问题。在这方面，本文提出了一种增强型水母搜索优化器 (EJSO) 来解决 85 总线 MMGS 系统的 MMG 的 EM，以最小化总成本，同时提高系统性能。所提出的算法基于威布尔飞行运动 (WFM) 和适应度距离平衡 (FDB) 机制来解决传统 JSO 技术的停滞问题。在标准和 CEC 2019 基准函数上测试了 EJSO 的性能，并将获得的结果与优化技术进行了比较。根据获得的结果，与其他优化方法（如沙猫群优化 (SCSO)、蒲公英优化器 (DO)、灰狼优化器 (GWO)、鲸鱼优化算法 (WOA) 和标准水母搜索优化器 (JSO)）相比，EJSO 是一种解决 EM 的强大方法。获得的结果表明，建议的 EJSO 的 EM 解决方案可以将成本降低 44.75%，同时系统电压曲线和稳定性分别提高 40.8% 和 10.56%。
使用机器学习增强脑电信号分类和
本文提出了一种基于脑电图的大脑语言信号分类的更好解决方案，它使用机器学习和优化算法。该项目旨在通过实现更高的准确性和速度来取代语言处理任务中的脑信号分类。本研究使用改进的离散小波变换 (DWT) 进行特征提取，通过将脑电图信号分解为显著的频率分量，提高了适当捕获信号特征的能力。应用灰狼优化 (GWO) 算法方法来改进结果并选择最佳特征，通过选择具有最大相关性的有影响力的特征同时最小化冗余，获得更准确的结果。这种优化过程总体上提高了分类模型的性能。在分类的情况下，提出了支持向量机 (SVM) 和神经网络 (NN) 混合模型。这结合了 SVM 分类器在高维空间中管理函数的能力，以及神经网络利用其特征进行非线性学习（模式学习）的能力。该模型在脑电图数据集上进行了训练和测试，分类准确率为 97%，表明我们的方法的稳健性和有效性。结果表明，这种改进的分类器可用于脑机接口系统和神经系统评估。机器学习和优化技术的结合已确立了这一范式，成为进一步研究脑语言识别脑电信号处理的一种高效方法。
使用正弦和基于教学学习的融合培训馈送前馈神经网络，用于医学图像注册
摘要这项研究提出了一种新型的杂交元神经算法，正弦辅助教学学习学习的优化（SCATLBO），旨在训练用于单声道和多模式医学图像注册的喂养前进神经网络（FNNS）。scatlbo结合了正弦骨算法（SCA）的优势，用于探索基于教学学习的优化（TLBO），以实现剥削，达到了平衡，从而增强了算法能力，以避免局部最小值并提高逆转率。医学图像注册，对于准确的医学分析必不可少的，从这种混合方法中受益，因为它有效地对齐了复杂的多模式图像。在这项工作中，SCATLBO用于训练来自癌症基因组乳房侵入性癌（TCGA-BRCA）数据集的乳房MRI图像。SCATLBO的性能是针对几种众所周知的元启发式算法的基准测试，包括TLBO，粒子群优化（PSO），蚂蚁菌落优化（ACO），灰狼优化器（GWO）和进化策略（ES），以及基于平均平方误差（MSE）的评估（MIS）和杂音的评估（MI）。实验结果表明，SCATLBO在准确性，收敛速度和稳健性方面优于其他技术，将其确立为基于神经网络的图像注册任务的有前途的工具。这项工作有助于提高FNN的元启发式培训方法，并在各种医学成像领域中使用了潜在的应用。
使用混合DOA - SBNN方法与可再生能源集成的电动汽车充电站的微电网系统
配备微电网的电动汽车充电站提供了经济和可持续的电源。除了支持环保移动性外，该技术还降低了网格依赖性并提高了能源可靠性。手稿引入了一种用于整合玩偶制造商优化算法（DOA）和空间贝叶斯神经网络（SBNN）的效率电动汽车（EV）的混合技术。此方法优化了微电网中光伏（PV），风力涡轮机（WTS），超级电容器（SCS）和电池储能系统（BESS）的关节操作，以增强EV充电站的效率，可靠性，可靠性和功率质量，同时降低电气限制。SBNN预测EV负载需求，以提高效率和可靠性，而DOA管理微电网（MG）弹性，以确保无缝的EV充电。MG系统具有四相电感器耦合的交织增压转换器（FP-ICIBC）和用于最佳功率管理的分数比例 - 比例衍生物（FOPID）控制器。MATLAB中的评估将DOA - SBNN与现有方法进行了比较，证明了其在增强EV充电性能方面的有效性。所提出的方法优于所有当前技术，包括多群优化（MSO），多物镜灰狼优化器（MOGWO）和修改的多目标SALP SALP群群优化算法（MMOSSA）。结果表明，推荐方法的能量效率为19.19％，26.15％和