XiaoMi-AI文件搜索系统
World File Search System进化算法
网络攻击模式的协同进化建模和......
作者：M Shlapentokh-Rothman · 2021 · 被引用 14 次 — 简化识别的名称、协同进化算法变体、网络安全环境、竞争、攻击和防御行为、模型...
进化神经模糊系统和应用
摘要。近年来，混合软计算方法的使用表明，在各种应用中，几种技术的协同作用优于单个技术。例如，使用神经模糊系统和进化模糊系统将模糊系统的近似推理机理与神经网络和进化算法的学习能力融合在一起。进化神经系统融合了神经计算方法与进化计算的解决方案搜索能力。这种混合方法保留了可以通过三个基本软计算范式完全集成来克服的局限性，这导致了进化的神经模糊系统。本章的目的是提供混合软计算系统的描述，并特别注意进化算法和神经网络的联合使用，以便将模糊系统具有学习和适应性功能。在介绍基本软计算范式之后，考虑了各种形式的杂交，这导致了进化神经模糊系统。本章还介绍了一种特定的方法，该方法共同使用神经学习和遗传优化来从给定数据中学习模糊模型，并优化它以进行准确性和可解释性。
一个用于优化深神经网络体系结构和超参数
在本文中，我们提出了Dragon（用于定向的无环形优化），这是一种自动生成效率高的深神经网络体系结构并优化其相关超参数的算法框架。该框架基于不断发展的无环图（DAG），定义比文献中现有的搜索空间更具灵活的搜索空间。它允许进行不同的古典操作的混合物：卷积，相互作用和密集的层，但也有更多新的操作，例如自我注意力。基于此搜索空间，我们建议邻里和进化搜索操作员，以选择网络的体系结构和超参数。这些搜索操作员可以与能够处理混合搜索空间的任何元疗法一起使用。我们在时间序列预测基准的时间序列上使用异步进化算法测试了我们的算法框架。结果表明，龙的表现优于最先进的手工制作的模型和汽车技术，用于在众多数据集上预测时间序列。Dragon已被实施为Python开源软件包1。关键字：神经体系结构搜索，超参数优化，元启发式学，进化算法，时间序列预测
使用RES：全面评论
摘要：为了克服RES的间歇性，考虑了整合可再生能源（RES）和可靠功率的混合微电网系统的优化方法。混合AC/DC微电网系统是使用太阳能光伏系统，风力涡轮机，电池存储，转换器和柴油发电机构建的。与杂化AC/DC微电网的混合可再生能源的利用稳定增加。因此，有必要解决优化技术。因此，本研究提出了使用进化算法利用多目标优化方法。在这种情况下，审查了一些有关多目标优化的论文，以确定与RESS的混合AC/DC微电网的能力和最佳设计。在这里，最佳系统包括最低能源成本，最低净现现有成本，低运营成本，低碳排放和高可续签分数。使用多目标优化（MOO）算法确定这些。混合AC/DC微电网的大小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，具有不同进化算法（Moga，Mogoa等）的多目标优化降低了能源成本和净现在成本，并提高了岛状混合微电网系统的可靠性。
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。
感应地面定居点
这项研究提出了一种人工智能方法，以考虑多因素之间的相互作用，例如地质条件，施工参数，结构序列以及灌浆体积和时间安排，以预测盾牌隧道过程中的地面沉降。人工智能方法采用了混合神经网络模型，该模型将差异进化算法纳入人工神经网络（ANN）。差分进化算法用于确定ANN的优化结构和超占主米。然后采用自适应力矩估计（ADAM）方法来促进ANN的训练过程。在亚当的强度上，进化算法将进一步增强，以处理大量ANN候选者而不消耗大量计算资源。所提出的混合模型应用于广州地铁线路的盾牌隧道期间的地面定居点的现场案例9。地质条件和屏蔽操作参数首先是通过特征表演策略来表征和量化的，然后是模型的输入。结果使用所提出的混合模型验证预测的准确性。此外，通过部分导数敏感性分析方法，可以确定对地面沉降影响很大的屏蔽操作参数，该方法可以为屏蔽操作提供指导。
使用机器学习识别儿童自闭症谱系障碍诊断的神经解剖学和行为特征
自闭症谱系障碍（ASD）是一种神经发育障碍，可以引起明显的社会，沟通和行为挑战。对ASD的诊断很复杂，迫切需要识别与ASD相关的生物标志物和功能，以帮助自动化诊断并开发预测性ASD模型。本研究采用了一种新型的进化算法，即连接子句进化算法（CCEA），以选择具有和没有ASD的个体的个体最重要的特征，并且能够容纳具有少量样品具有大量特征测量值的数据集。数据集是独一无二的，包括从7到14岁的28名儿童进行的行为和神经膜的测量。所鉴定的潜在生物标志物候选物包括大脑体积，面积，皮质厚度和平均曲率在扣带回皮质，额叶皮层和颞顶结周围的特定区域中，以及与心理理论相关的行为特征。使用单独的机器学习分类器（即k-nearest邻居算法）来验证CCEA特征选择和用于ASD预测。研究结果表明，机器学习工具如何有助于改善ASD的诊断和预测模型。
CMA 演进策略：比较回顾
我们假设一种搜索场景，我们想要最小化目标函数 f : IR n → IR , x → f ( x )。1 关于 f 唯一可获取的信息是已评估搜索点的函数值。我们的性能衡量标准是达到某个函数值所需的函数评估次数。许多连续域进化算法使用正态分布来采样新的搜索点。在本章中，我们重点介绍具有多元正态搜索分布的算法，其中分布的协方差矩阵不限于先验，例如不是对角矩阵。属于此类的分布估计算法（EDA）包括多元正态估计算法（EMNA）、高斯网络估计算法（EGNA）[15，16]和迭代密度估计进化算法（ID EA）[4]。属于此类的进化策略 (ES) 包括具有相关突变自适应功能的 (µ/µ I, λ ) -ES2[19] 和具有协方差矩阵自适应 (CMA) 的 ES[10]。最初，CMA 被解释为去随机化的自适应 [12]：与最初的自适应相比，在 CMA 中，分布参数的变化遵循其自身的随机性，而分布参数的变化则确定性地与对象参数的变化相关。在本章中，我们将从不同的角度回顾 CMA，揭示其与 EMNA 等 EDA 的密切关系。
基于改进SPEA2和改进NSGA2的智能电网经济调度方法
当前环境危机的严重性促使可再生能源发电与智能电网的融合发展。可再生能源的接入使得智能电网的经济调度变得复杂。因此，智能电网的经济调度模型非常必要。本文提出了一种同时考虑经济性和污染排放的智能电网经济调度模型。用于仿真的智能电网模型由风能、太阳能、燃料电池和火电构成，燃料电池的使用使智能电网实现多能源互补。针对传统集中式通信方式容易发生通信拥塞的缺陷，本文采用多智能体信息交换方法提高稳定性和效率。在该模型的解决方法方面，本文提出了改进强度帕累托进化算法2（ISPEA2）和改进非支配排序遗传算法2（INSGA2）来解决智能电网的经济调度问题。将强度帕累托进化算法2(SPEA2)、非支配排序遗传算法2(NSGA2)及其改进算法同时应用于所提出的智能电网经济调度仿真模型，仿真结果表明ISPEA2和INSGA2是有效的，ISPEA2和INSGA2在精度或运行时间上均比SPEA2和NSGA2有所提高。
人工智能和机器学习学位名称的研究生课程
1。CSE 6505：语音识别2。CSE 6506：数据挖掘3。CSE 6507：机器翻译4。CSE 6508：进化算法5。CSE 6509：文本到语音综合6。CSE 6510：自然语言处理7。CSE 6511：计算机视觉8。CSE 6701：神经网络9。CSE 6704：模糊系统10。CSE 6705：元赫尔学11。CSE 6708：语义网12。CSE 6709：深度学习13。CSE 6710：加固学习