XiaoMi-AI文件搜索系统
World File Search System进化算法
量子进化算法的新模式
摘要：在文献中已经讨论了量子进化算法的不同形式。这些努力中的一个分支研究方法是用量子比例来表示遗传信息的表示，即问题信息。该表示的典型缺点是在算法的评估和选择步骤中丢失了量子信息。即，在混合古典设置中实现算法，并且需要在每次迭代中进行测量。这不可避免地会破坏基因组表示中的叠加和纠缠结构。在这项工作中，我们提出了一种用于遗传信息和评估和选择阶段的新实施方法，该方法实现了量子电路中的这些步骤。为了实现这一目标，我们利用Qudits代表不断发展的实体。此外，我们还利用模式来设计量子亚电路来组成从经典领域已知的控制结构。结果，我们显示了任何时间算法的量子电路设计，该算法不必在每次迭代中测量，并且不取决于经典的控制。仅需要在旗帜标志上检查进化过程的整体进展。该方法当前具有某些局限性，例如在目标函数中。此处是针对玩具问题的领导者。
联合学习启发的进化算法
摘要：在本文中，我们提出了一个创新的联邦学习启发的进化框架。其主要新颖性是，这是第一次使用进化算法直接执行联合学习活动。进一步的新颖性存在于以下事实，即与文献中的其他联合学习框架不同，我们的人可以同时处理机器学习中的两个相关问题，即解决方案的数据隐私和解释性。我们的框架由主/从方法组成，其中每个从包含本地数据，保护明智的私人数据，并利用进化算法来生成预测模型。主人通过奴隶分享了每个从属上出现的本地学到的模型。共享这些本地模型会导致全球模型。由于数据隐私和可解释性在医学领域非常重要，因此通过利用语法进化算法来预测算法以预测糖尿病患者的未来葡萄糖值。通过将所提出的框架与不发生本地模型交换的另一个框架进行比较，通过将所提出的框架进行比较，可以通过实验评估这种知识共享过程的有效性。结果表明，所提出的方法的性能更好，并证明了其共享过程的有效性，用于出现在个人糖尿病管理的本地模型，可作为有效的全球模型。此外，统计分析揭示了模型交换相对于未发生交换的情况的统计优势。考虑到不参与学习过程的其他受试者，我们的框架发现的模型比没有知识共享的模型显示出更高的概括能力：知识共享提供的改进等于精度约为3.03％，召回率为1.56％，f 1的3.17％，对于准确性，f 1.3.17％。
多目标进化算法：分类、分析和新创新
本论文由 AFIT Scholar 的学生研究生作品免费提供给您，供您开放访问。它已被 AFIT Scholar 的授权管理员接受纳入论文和学位论文。如需更多信息，请联系 AFIT.ENWL.Repository@us.af.mil 。
设计高协同性光学腔的进化算法
量子发射体（例如离子、原子、 NV 中心或量子点）与谐振器光学模式的强耦合和较长的腔光子寿命对于量子光学在基础研究和实用量子技术的众多应用中至关重要。有望满足这些要求的系统是光纤微腔 [1-4]、离子束蚀刻介质谐振器 [5] 或微组装结构 [6]。发射体和腔光子之间的强耦合可以通过很小的腔体体积和非常短的光学腔来实现。然而，对于许多现实的量子装置，由于技术困难，腔镜不能放置得太近：对于囚禁离子系统，短腔会导致介质镜带电并导致射频离子囚禁场畸变 [7]；对于中性原子，由于需要将原子输送到腔内以及需要从光学侧面进入腔体进行冷却和捕获[8,9]，短腔长受到限制。因此，用于量子光学装置应用的光学腔需要结合强耦合率和低损耗，同时保持镜子足够远。实现强耦合的一种方法是使腔体处于（近）同心配置中 [10]。这使腔中心的光模场腰部最小化，从而使发射极-光子耦合最大化，但是由于镜子上的模场直径较大，会增加削波损耗，从而限制了由腔协同性所能实现的最大腔性能。增加腔中心场振幅的另一种方法是通过调制镜子轮廓来创建某种干涉图案 [11]。我们假设我们不受球形腔的限制，即我们可以使用例如聚焦离子束铣削或激光烧蚀来创建任意形状的镜子，如第 6 节中更详细讨论的那样。在这里，我们用数字方式探索了腔镜的调制球面轮廓，这些轮廓会产生高度局部化的腔模式，同时保持较低的损耗。通过这种方法，我们发现了一种镜子轮廓的流形，它可以提供比同心腔更低的损耗率，从而实现更高的协同性。与我们之前的工作 [ 11 ] 相比，在这里我们不需要先验地了解我们想要生成的确切模式形状（特别是特定的
GEEvo：利用进化算法生成和平衡游戏经济
摘要 — 游戏经济设计极大地影响了玩家体验和进步速度。现代游戏经济正变得越来越复杂，即使是微小的数字调整也非常敏感，这可能会对整体游戏体验产生意想不到的影响。因此，在开发过程中进行彻底的手动测试和微调是必不可少的。与现有的针对特定游戏或类型的算法平衡的研究不同，这项研究采用了一种更抽象的方法，专注于通过经济来实现游戏平衡，与特定游戏无关。我们提出了 GEEvo（游戏经济演进），这是一个生成基于图形的游戏经济并平衡新生成或现有经济的框架。GEEvo 采用两步法，其中进化算法首先用于生成经济，然后根据指定的目标（例如生成的资源或随时间造成的伤害）来平衡它。我们通过使用来自经济的多次模拟运行的数据对适应度函数进行不同的参数化来定义不同的目标。为了支持这一点，我们定义了一个轻量级且灵活的游戏经济模拟框架。我们的方法在生成的数据集上使用各种平衡目标进行了测试和基准测试，并且我们进行了一个案例研究，评估了两个流行游戏角色类别的两个虚构经济的伤害平衡。索引词——游戏经济、进化算法、游戏平衡、模拟
二十一点的随机环境中的增强学习和进化算法
二十一点是一款赌场纸牌游戏，只有几个基本动作，但它具有不可思议的可能性（Thorp，1966）。Garvie（2017）解释了二十一点的所有规则。简而言之，游戏的目的是达到或获得尽可能接近21分。玩家用两张牌开始游戏，并决定是否拿另一张卡（命中）（站立）。如果玩家超过21岁，他们会输。如果经销商拥有21多名，则球员将获胜。如果球员的总数高于经销商，他们也会赢。其他可能的动作是分开的，只有在玩家手中有两个同一张卡并加倍时才允许，只有在卡总计9,10或11时才允许。通过拆分，游戏有效地分为2场比赛，两场比赛正常进行。又增加了一张卡，但它使该游戏的赌注翻了一番。游戏取决于运气，并且没有一种能够赢得的策略，但是，与次级或随机比赛相比，有一些玩法可以增加获胜几率的方法。由于二十一点是一款赌场游戏，因此它的设计使房屋总是有略有优势。根据其他研究（Summerville，2019年），（Thorp，1966）二十一点的最佳策略
大脑 - 计算机界面通道选择优化了使用元式和进化算法
许多大脑 - 计算机界面（BCI）研究由于其固有的复杂性而忽略了通道优化。但是，仔细的渠道选择会提高性能和用户的舒适性，同时降低系统成本。进化的元映射证明了它们在解决复杂问题方面的有用性，但尚未完全利用。该研究的目的是两个方面：（1）提出一种新型算法，以找到每个用户设置的最佳通道，并将其与其他现有的元次素化学进行比较； （2）建立将这些优化策略调整到该框架的准则。共有3个单目标（GA，BDE，BPSO）和4个多目标（NSGA-II，BMOPSO，SPEA2，PEAIL）现有算法已通过3个公共数据库进行了调整和测试：“ BCI竞争III-DATASET II”，“中心拼写“中心拼写者”和“ RSVP拼写”。双前分排序算法（DFGA），这是一种新型的多目标离散方法，特别针对BCI框架设计。的结果表明，所有元数据术的表现都超过了基于P300的BCIS的完整集和常见的8通道集。dfga使用8个通道表现出3.9％的准确性3.9％。并使用4.66个通道获得了类似的精度。地形分析还强大了为每个用户自定义频道集的需求。因此，提出的方法计算具有不同数量的通道的最佳解决方案集，从而使用户可以为下一个BCI会话选择最合适的分布。©2021作者。由Elsevier B.V.这是CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下的开放访问文章。
脑电信号分类深度架构优化：使用进化算法的 AutoML 方法
摘要：由于信噪比低且通常存在来自不同来源的伪影，脑电图 (EEG) 信号分类是一项具有挑战性的任务。之前已经提出了不同的分类技术，这些技术通常基于从 EEG 频带功率分布图中提取的一组预定义特征。然而，EEG 的分类仍然是一个挑战，这取决于实验条件和要捕获的反应。在这种情况下，深度神经网络的使用提供了新的机会来提高分类性能，而无需使用一组预定义的特征。然而，深度学习架构包含大量超参数，模型的性能依赖于这些超参数。在本文中，我们提出了一种优化深度学习模型的方法，不仅是超参数，还有它们的结构，该方法能够提出由不同层组合组成的不同架构的解决方案。实验结果证实，通过我们的方法优化的深度架构优于基线方法，并产生计算效率高的模型。此外，我们证明优化的架构相对于基线模型提高了能源效率。
不断发展的深度神经网络：权重的优化...
神经网络训练进化算法的实现。我们探讨了它在监督学习问题上的表现，并将其与随机梯度下降进行比较。在强化学习环境中也演示了一种类似的神经网络训练进化算法。这两种方法都展示了进化算法训练大规模神经网络的能力，但忽略了
一种新型的心肌炎检测，结合了深钢筋学习和改进的差异进化算法
抽象的心肌炎是一种严重的心血管疾病，如果不及时治疗，可能会导致严重的后果。它是由病毒感染触发的，并出现诸如胸痛和心脏功能障碍之类的症状。早期检测对于成功的治疗至关重要，心脏磁共振成像（CMR）是识别这种情况的宝贵工具。但是，由于对比度较低，噪声可变以及每名患者的多个高CMR切片的存在，使用CMR图像检测心肌炎可能具有挑战性。为了克服这些挑战，该方法融合了先进的技术，例如卷积神经网络（CNN），改进的差异进化（DE）算法（DE）算法以及用于培训的基于增强学习（RL）模型。开发这种方法由于来自德黑兰OMID医院的Z- Alizadeh Sani心肌炎的分类不平衡，提出了重大挑战。为了解决这个问题，培训过程被构建为一个顺序决策过程，在该过程中，代理会获得更高的奖励/罚款，以正确/错误地对Mi-Nority/多数派类进行分类。此外，作者提出了一种增强的DE算法来启动反向传播（BP）过程，从而克服了基于梯度的方法的初始化灵敏度问题，例如训练阶段的后退传播。通过基于标准性能指标的实验结果证明了拟议模型诊断心肌炎的有效性。总的来说，这种方法显示出加快CMR图像的分类，以自动筛查，促进早期检测和成功治疗心肌炎。