XiaoMi-AI文件搜索系统
World File Search System盲目搜索
表格编号（12）
算法 • 将启发式搜索应用于示例问题 • 根据启发式值检测解决方案的正确路径。 • 将 A* 应用于示例 • 检测到达目标的最短路径 • 表明 A* 是可接受的 • 根据不同的启发式函数显示信息性效果 • 将最小-最大算法应用于示例博弈树。 • 计算树的不同级别的 alpha beta 值。 • 检测要修剪的分支 • 对一组生产规则应用前向和后向推理。 • 为专家系统构建决策树。 • 对一组命题表达式应用解析。 • 检测 FOL 中的健全性和完整性 • 对一组 FOL 表达式应用解析。 • 区分深度和广度搜索 • 比较盲目搜索和启发式搜索之间的搜索空间 • 分析修剪算法的效果 • 将结果与最小-最大算法的结果进行比较
空间蜂窝机器人轨道桁架无碰撞路径规划
摘要：针对空间站桁架上元胞机器人的移动路径规划问题，以三棱柱桁架为研究对象，提出一种融入引力搜索算法的优化蚁群算法。创新性地采用了限制探索区域的分层搜索策略，利用引力搜索算法求得桁架节点的最优解，并进一步将其转化为蚁群算法中信息素的初值，可以有效防止算法在前期陷入局部最优解，使得优化算法具有更快的收敛速度。本文提出了一种包含目标间夹角的启发式函数，可以有效避免前期的盲目搜索，提高路径搜索能力。仿真结果表明，在选择桁架路径时可以有效减少元胞机器人的路径和规划时间。
DeepMalaria：人工智能驱动的强效抗疟药发现
由于耐药性的出现，抗疟药物的疗效正在下降。据报道，所有可用的抗疟药物，包括青蒿素，都出现了耐药性，因此对替代药物候选物的需求一直存在。传统的药物发现方法是对大型化合物库进行高通量筛选 (HTS) 以识别新药线索，这种方法耗时且资源密集。虽然虚拟计算机筛选是解决这个问题的一种方法，但模型的泛化并不理想。人工智能 (AI) 利用基于结构或基于配体的方法，在化学性质预测领域表现出高度准确的性能。利用现有数据，AI 将成为盲目搜索 HTS 或基于指纹的虚拟筛选的合适替代方案。AI 模型将学习数据中的模式并帮助有效地搜索命中化合物。在这项工作中，我们引入了 DeepMalaria，这是一种基于深度学习的过程，能够使用化合物的 SMILES 预测其抗恶性疟原虫抑制特性。基于图形的模型在葛兰素史克 (GSK) 数据集中的 13,446 种公开可用的抗疟原虫命中化合物上进行训练，这些化合物目前正用于寻找治疗疟疾的新型候选药物。我们通过预测大环化合物库中的命中化合物和已批准用于重新利用的药物来验证该模型。我们选择了大环化合物，因为这些配体结合结构在疟疾药物发现中尚未得到充分探索。该过程的计算机模拟流程还包括对内部独立数据集的额外验证，该数据集主要由天然产物化合物组成。利用从大型数据集进行的迁移学习来提高深度学习模型的性能。为了验证 DeepMalaria 生成的匹配结果，我们使用了常用的基于 SYBR Green I 荧光测定的表型筛选。DeepMalaria 能够检测到所有具有纳摩尔活性的化合物和 87.5% 的抑制率超过 50% 的化合物。进一步的实验揭示了这些化合物的作用机制，结果表明，其中一种热门化合物 DC-9237 不仅能抑制恶性疟原虫的所有有性阶段，而且是一种速效化合物，这使其成为进一步优化的有力候选者。
人工智能简介
不知情的搜索策略：问题决定了图和目标，但没有决定从边界中选择哪条路径。这是搜索策略的工作。搜索策略指定从边界中选择哪些路径。通过修改边界路径选择的实施方式可以获得不同的策略。 • 无信息搜索策略 – 亦称“盲目搜索”，无信息搜索策略不使用关于目标节点的可能“方向”的信息 – 无信息搜索方法：广度优先、深度优先、深度限制、均匀成本、深度优先迭代深化、双向 • 信息搜索策略 – 亦称“启发式搜索”，信息搜索策略使用关于领域的信息（尝试）（通常）朝着目标节点的大致方向前进 – 信息搜索方法：爬山法、最佳优先、贪婪搜索、束搜索、A、A* 评估搜索策略 完整性 保证只要存在解决方案就能找到解决方案 时间复杂度 找到解决方案需要多长时间（最坏或平均情况）？通常以扩展的节点数来衡量 空间复杂度 算法使用了多少空间？通常以搜索期间“节点”列表的最大大小来衡量 最优性/可接受性 如果找到解决方案，是否保证它是最优的？也就是说，它是不是成本最小的那个？ 深度优先搜索 第一个策略是深度优先搜索。在深度优先搜索中，边界就像一个后进先出的堆栈。元素一次一个地添加到堆栈中。任何时候选择并从边界上移除的元素都是最后添加的元素。 算法： 如果初始状态是目标状态，则退出并返回成功 否则，执行以下操作，直到发出成功或失败的信号： 生成初始状态的后继 E。 如果没有后继，则发出失败信号。 调用深度优先搜索，以 E 作为初始状态。 返回成功，表示成功。否则继续此循环。 DFS 的属性 如果已知解决方案路径很长，DFS 就不会花时间在图中搜索大量的“浅”状态。但是，DFS 可能会在图的深处“迷失”，错过通往目标的短路径，甚至陷入无限循环。 DFS 的优点：DFS 需要的内存较少，因为只存储当前路径上的节点。偶然情况下，DFS 可能根本不需要检查太多的搜索空间就能找到解决方案。广度优先搜索在广度优先搜索中，边界被实现为 FIFO（先进先出）队列。因此，从边界选择的路径是最早添加的路径。这种方法意味着从起始节点开始的路径是按照路径中弧数的顺序生成的。在每个阶段选择一条弧数最少的路径。广度优先搜索在以下情况下很有用 空间不是问题； 你想找到包含最少弧的解决方案；