XiaoMi-AI文件搜索系统
World File Search System进化算法
多...
抽象的自主区域保护是多代理系统中重要的研究领域，旨在使捍卫者能够防止入侵者进入特定地区。本文提出了一个多代理区域保护环境（MRPE），其守卫者，防守者损害赔偿和入侵者逃避策略针对捍卫者。MRPE由于其高的非机构性和有限的拦截时间窗口而对传统保护方法提出了挑战。为了克服这些障碍，我们修改了进化增强学习，从而产生了相应的多代理区域保护方法（MRPM）。MRPM合并进化算法和深度强化学习的优点，特定利用差异进化（DE）和多代理的深层确定性政策梯度（MADDPG）。促进了各种样本探索并克服了稀疏的奖励，而MADDPG则训练防守者并加快了融合过程。此外，为多机构系统量身定制的精英选择策略是为了增强防御者的协作而设计的。本文还提出了巧妙的设计，以有效地推动政策优化的功能和奖励功能。最后，进行了广泛的数值模拟以验证MRPM的有效性。
能源存储和跨境互联对提高未来电力系统灵活性的作用：哥伦比亚的案例
可再生能源技术在电力领域的快速发展为电力系统带来了新的重大挑战，因为它们具有很强的间歇性。因此，需要更大的灵活性来确保系统能够在大量可变可再生能源 (RES) 的情况下可靠且经济高效地运行。电力存储和跨境互联被视为进一步整合这些能源的两个关键组成部分。因此，本研究的目的是以哥伦比亚电力系统为例，分析电网规模电力存储和互联在整合可变可再生能源方面的技术经济效应。EnergyPLAN 工具用于构建参考系统模型和未来场景。首先，研究了电力存储和互联对电力系统的技术影响。随后，应用多目标进化算法 (MOEA) 进行技术经济优化并确定一组最佳配置。结果表明，提高储能和互联水平可以进一步促进可变可再生能源的渗透，实现年总发电量约 96.8%。此外，燃料消耗和二氧化碳排放量的大幅减少可能使电力部门的排放因子达到约 26.5 gCO 2e /kWh。© 2021 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY-NC-ND 许可协议开放获取的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。
推荐引用 推荐引用 Simpson, Jesse D.，“人工智能和图论在网络欺凌中的应用”（2020 年）。密歇根州立大学研究生论文。3535。https://bearworks.missouristate.edu/theses/3535
网络欺凌是当今在线社交媒体中持续存在的破坏性问题。辱骂用户利用社交媒体向无辜的社交媒体用户发送帖子、私人消息、推文或图片，进行网络骚扰。检测和预防网络欺凌案件至关重要。在这项工作中，我分析了多种机器学习、深度学习和图形分析算法，并探索了它们的适用性和性能，以寻求一个强大的网络欺凌检测系统。首先，我评估了机器学习算法支持向量机、朴素贝叶斯、随机森林、决策树和逻辑回归的性能。这产生了积极的结果，并获得了 86% 以上的准确率。使用进化算法实现了进一步的增强，从而改善了机器学习模型的整体结果。深度学习算法是下一个实验，其中从训练时间和性能方面监测效率。接下来，进行了循环神经网络和分层注意力网络的分析，准确率达到 82%。最终的研究项目使用图形分析来探索不同社交媒体用户之间的关系，并分析发现发布攻击性消息的用户的连通性和社区。
医学神经体系结构搜索：调查和分类法
医学深度学习（DL）迅速发展的领域引起了人们的重大兴趣，这证明了获得FDA批准的Nuberober模型[Benjamens等。，2020年]。在开发和监管认可方面的激增强调了先进计算技术在改造医疗保健中的关键作用。其中，医疗神经架构搜索（MEDNA）成为一个枢纽区域，弥合了最新的机器学习方法与医学数据分析的复杂需求之间的差距。图1显示了针对医疗任务的自动深度学习体系结构设计的数量增加。神经建筑搜索（NAS）[Elsken等。，2019年]，这是这种进化中的基石，表示DL领域的变革转变。它标志着从传统，专业驱动的，通常是启发式方法到设计神经网络体系结构的过渡到更系统的ATIC和算法驱动的过程。nas利用索菲的算法自主构想潜在的净工作架构，并重点是优化性能指标和计算效率。使用了几种选择算法来探索不同的架构搜索空间，其中包括进化算法和基于梯度的方法主要是主导。这些策略
使用进化增强学习的无知识的生物序列设计
使用所需的适当设计设计新型的生物学序列是生物科学中的重大挑战，因为较大的搜索空间超大。传统的设计程序通常涉及多轮昂贵的湿实验室评估。为了减少对昂贵的湿实验实验的需求，使用机器学习方法来帮助设计双学序列。然而，具有已知特性的双学序列的有限可用性阻碍了机器学习模型的训练，从而极大地限制了它们的适用性和性能。为了填补这一空白，我们提出了Erlbioseq，这是一种用于生物序列设计的进化增强学习算法。erlbioseq杠杆可以在没有先验知识的情况下学习学习的能力，以及进化算法的潜力，以增强生物序列较大的搜索空间中强化学习的探索。另外，为了提高生物序列设计的效率，我们在生物序列设计过程中删除了序列筛选的预测因子，该过程既包含了局部和全局序列信息。我们在三种主要类型的生物序列设计任务上评估了提出的方法，包括DNA，RNA和蛋白质的设计。结果表明，与现有的最新方法相比，所提出的方法可以取得显着改进。
通过大语言模型识别复杂网络中的关键节点
识别网络中的关键节点是一项经典的决策任务，许多方法难以在适应性和效用之间取得平衡。因此，我们提出了一种方法，该方法可以通过大语言模型（LLMS）赋予进化算法（EA），以生成一个称为“ Score_nodes”的函数，该函数可以进一步用于根据分配的分数来识别重要的节点。我们的模型由三个主要组成部分组成：手动初始化，种群管理和基于LLMS的进化。它从初始种群中演变，并手动创建了一组设计的节点评分功能。llms利用他们强大的上下文理解和丰富的编程技能来对个人进行交叉和突变操作，从而产生出色的新功能。然后将这些功能分类，排名和消除，以确保人口的稳定发展，同时保留多样性。广泛的实验证明了我们方法的出色性能，与其他最先进的算法相比，它表明了其强大的发电能力。它可以始终如一，有序地生成各种和高效的节点评分功能。可以在此工作中重现所有结果的所有源代码和模型在此链接上可公开可用：https：//anonymon.4open.science/r/llm4cn-6520
通过深钢筋学习辅助操作员选择的受约束多目标优化
摘要 - 分解有限的多目标优化问题，其进化算法引起了相当大的关注。使用不同的算法策略，进化运算符和约束处理技术，已经开发出各种受约束的多目标优化算法（CMOEAS）。CMOEA的性能可能很大程度上取决于所使用的操作员，但是，通常很难为当前的问题选择合适的操作员。因此，改善操作员的选择是有希望的，对于CMOEAS来说是必要的。这项工作提出了一个在线操作员的选择框架，并在深入的强化学习中有助于。人口的动态，包括融合，多样性和可行性，被视为国家；候选运营商被视为行动；人口状态的改善被视为奖励。通过使用Q-Network学习策略来估计所有动作的Q值，建议的方法可以适应地选择一个操作员，该操作员根据当前状态最大程度地提高人口的改善，从而改善算法性能。该框架嵌入了四个流行的CMOEAS中，并在42个基准问题上进行了评估。实验结果表明，与九个最先进的CMOEA相比，提出的深钢筋学习辅助操作员的选择显着提高了这些CMOEAS的性能，并且所得算法获得了更好的多功能性。
使用通话详细记录和混合机器学习方法对房地产价格进行建模的人工智能
摘要：开发准确的房地产价格预测模型对于城市发展和几项关键的经济功能至关重要。由于存在巨大的不确定性和动态变量，房地产建模已被视为复杂系统进行研究。在本研究中，提出了一种新颖的机器学习方法来解决房地产建模的复杂性。通话详细记录 (CDR) 为深入研究流动性特征提供了绝佳的机会。本研究探索了借助人工智能 (AI) 预测房地产价格的 CDR 潜力。几个重要的流动性熵因素，包括居民熵、居民回转、工人熵、工人回转、居民工作距离和工人家庭距离，被用作输入变量。使用多层感知器 (MLP) 的机器学习方法开发预测模型，并使用粒子群优化 (PSO) 的进化算法进行训练。使用均方误差 (MSE)、可持续性指数 (SI) 和 Willmott 指数 (WI) 评估模型性能。所提出的模型显示出令人鼓舞的结果，表明工人的熵和居民的工作距离直接影响房地产价格。然而，居民流动、居民熵、工人的流动和工人的家对价格的影响最小。此外，结果表明，活动流动和流动熵通常与房地产价格较低的地区有关。
可重新配置的颗粒超材料中自适应力链的演变†
在外部施加的载荷下，颗粒包装形成了力链网络，这些网络取决于晶粒的接触网络和刚度。在这项工作中，我们研究了可变刚度颗粒的包装，我们可以通过更改包装中各个颗粒的刚度来指导力链。每个可变刚度颗粒都是由硅胶壳制成的，该壳封装了由低熔点金属合金（田间金属）制成的芯。通过通过共同设置的铜加热器发送电流，可以通过焦耳加热熔化每个粒子内部的金属，从而导致颗粒的软化。随着粒子冷却至室温，合金凝固，粒子恢复了其原始刚度。为了优化包含软颗粒和刚性颗粒的颗粒包装的机械响应，我们采用了一种进化算法，结合了离散元素方法模拟，以预测将在组装边界上产生特定力输出的刚度模式。使用可变刚度颗粒的2D组件在实验中构建了预测的刚度模式，并使用光弹性测量了组装边界不同点处的力输出。此结果是制造机器人颗粒超材料的第一步，可以动态地调整其机械性能，例如力传输，弹性模量和按需频率响应。
大语言模型时代的进化计算：调查和路线图
摘要 - LARGE语言模型（LLMS）不仅对自然语言处理进行了修订，而且还将其实力扩展到了各个领域，标志着对人工通用情报的重大迈进。LLM与进化算法之间的相互作用（EAS），尽管目标和方法的不同，但在复杂问题中的适用性有共同的追求。同时，EA可以为LLM在Black-Box设置下的进一步增强提供优化框架，从而使LLM具有灵活的全球搜索能力。另一方面，LLMS固有的丰富领域知识可以使EA能够进行更智能的搜索。此外，LLMS的文本处理和生成功能将有助于在各种任务中部署EAS。基于这些互补的优势，本文提供了详尽的审查和前瞻性的路线图，将互惠灵感分为两个主要途径：LLM增强的EA和EA-EA-EA-EA-EA-EA-HANCHANCEL LLM。进一步引入了一些集成的协同方法，以体现LLMS和EAS之间的互补性，包括代码生成，软件工程，神经体系结构搜索以及各种一代任务。作为第一个全面的综述，重点是LLM时代的EA研究，本文为了解LLMS和EAS的协作潜力提供了基础垫脚石。确定的挑战和未来的方向为研究人员和从业人员提供了指导，以释放这种创新合作在优化和人工智能方面的进步方面的全部潜力。我们创建了一个github存储库来索引相关论文：https：//github.com/wuxingyu-ai/llm4ec。