XiaoMi-AI文件搜索系统
World File Search System遗传算法
修订版-BIIC-Proceedings.pdf
索引词软计算、模糊逻辑、混合、遗传算法、神经模糊。I. 介绍随着技术的进步，准确检测疾病成为可能。肺癌 [1]、乳腺肿瘤 [2]、脑瘤 [3]、肝肿瘤 [4]、COVID-19[5] 等疾病都是借助 X 射线、MRI（磁共振成像）和 CT（计算机断层扫描）扫描 [6] 等多种图像模态技术进行诊断的。使用与人类健康、植物、叶子、农作物等相关的软计算方法可以检测出许多疾病。软计算提供精度并处理不确定性。软计算方法包括人工神经网络、遗传算法、模糊逻辑和元启发式算法。近年来，已经开发了混合方法来提高结果的准确性 [7][8]。在图像模态过程中，一些问题包括医学图像中的噪声、不完整信息和不相关数据。由于这些
软计算：目标、重要性和各种问题……
摘要 本研究讨论了软计算的目的、重要性、方法、品质和要求。除此之外，本文还介绍了众多软计算作者的工作以及各种问题解决技术，如遗传算法、模糊逻辑和机器学习。报告还讨论了硬计算和软计算之间的差异。此外，该研究还讨论了各种问题解决技术的优点、局限性和缺点。另一方面，在软计算中，使用近似模型代替传统计算来处理复杂的实际问题。软计算也可能充满不确定性和模糊性。软计算是一种计算形式，包括模糊逻辑、遗传算法、人工神经网络、机器学习和专家系统。它已成为自动控制工作的重要组成部分。软计算技术现已广泛应用于各种住宅、企业和工业应用，并已被证明是有效的。随着低成本、高性能数字处理器和廉价内存芯片越来越受欢迎，软计算方法和应用将变得更加普遍。
人工智能地图Beta 2.0
规划约束满足问题/可满足性问题 (CSP/SAT) 遗传算法 知识共享/管理 知识获取/发现 人工智能公平性 社会问题应用 市场设计 多智能体决策/共识构建 信息可视化 群体智能 稀疏建模
![机器学习[R17A0534]讲义](/simg/g:\will\search\icon\source\b\b04497115176d4bfc8e822e2e357b3b536e9ea6c.webp)
机器学习[R17A0534]讲义
单元I：机器学习介绍，学习模型，几何模型，概率模型，逻辑模型，分组和分级，设计学习系统，学习类型，学习，监督，无监督，增强，观点和问题，版本空间，PAC学习，PAC学习，VC尺寸。单元II：有监督和无监督的学习决策树：ID3，分类和回归树，回归：线性回归，多线性回归，逻辑回归，神经网络：简介，感知，多层感知，支持向量机：线性和非线性，线性和非线性，内核功能，K最近的邻居。聚类简介，K-均值聚类，K-Mode聚类。单元III：合奏和概率学习模型组合方案，投票，错误纠正输出代码，包装：随机林木，增强：Adaboost：堆叠，堆叠。高斯混合模型 - 期望 - 最大化（EM）算法，信息标准，最近的邻居方法 - 最近的邻居平滑，有效的距离计算：KD -Tree，距离测量。第四单元：加强学习和评估假设的介绍，学习任务，Q学习，非确定性奖励和行动，时间差异学习，与动态编程的关系，主动的加强学习，在增强学习中的概括。动机，抽样理论的基础：误差估计和估计二项式比例，二项式分布，估计器，偏见和差异单位V：遗传算法：动机，遗传算法：代表假设，遗传操作员，遗传操作员，适应性和选择，示例性的探索，遗传探索，遗传学探索，遗传学的探索，模型：效果，并行化遗传算法。
人工智能：表示和问题解决
• 用于 CSP 的具有最小冲突启发式的迭代改进算法 • 爬山法（贪婪局部搜索） • 随机游走 • 模拟退火 • 束搜索 • 遗传算法 • 识别局部搜索算法的完整性和最优性 • 比较不同的局部搜索算法以及与
用于增材制造的沉淀硬化不锈钢的基因设计
介绍了一种用于增材制造 (AM) 的沉淀硬化 (PH) 不锈钢 (SS) 设计的遗传算法。研究发现，完全马氏体基体是实现最大强度的关键因素，但与早期研究不同的是，还考虑了 AM 独有的原位时效处理，从而促进了 AM 过程中富铜沉淀物的沉淀。将设计理论集成到遗传算法优化框架中，以最大限度地提高强度和可打印性。通过使用激光粉末床熔合 (LPBF) AM 制造新型合金部件，进行了实验概念验证，并将其与商业 LPBFed 17-4 PH SS 进行了比较。结果与设计策略目标一致。设计合金的优异机械性能主要归因于两个因素的结合：沉淀硬化和位错强化。沉淀硬化是提高 LPBF 新型 PH SS 屈服强度的主要原因，其原因是打印过程中位错增殖和湮没导致基体位错密度升高。
使用 AI 进行动态资源分配和性能
摘要-本研究旨在评估使用人工智能进行动态资源管理和优化软件系统性能的可能性。在当今复杂的应用程序使用世界中，常规的资源管理方法无法满足这些动态需求并发挥其使用潜力。在本研究中，基于资源利用率和消耗、平均响应时间、吞吐量、成本、预测能力、稳定性和收敛时间等性能指标对三种主流人工智能技术——强化学习、神经网络和遗传算法进行了评估。结果表明，神经网络具有最佳的资源获取性能和响应率，而强化学习具有最佳的成本管理和灵活性率。正如已经指出的那样，遗传算法在寻找优化解决方案方面非常有用，但缺乏实时响应能力。因此，结果提供了关于如何根据特定应用需求选择适当的 AI 技术的重要理解，这反过来对于愿意使用基于 AI 的解决方案改善资源管理的组织很有用。
使用眼动追踪、鼠标优化用户界面布局...
Diego-Mas, JA.; Garzon Leal, D.; Poveda Bautista, R.; Alcaide Marzal, J.(2019).使用眼动追踪、鼠标移动和遗传算法优化用户界面布局。应用人体工程学。78:197-209。 https://doi.org/10.1016/j.apergo.2019.03.004
巴基斯坦 Renala Khurd 案例研究
摘要：广泛用于灌溉的水渠网络同样是向附近地区输送微电能的良好来源。这种系统的一个实际例子是巴基斯坦 Renala Khurd 的微型水力发电与国家电网的结合，即水电网配置。除了罕见的 Renala Khurd 水力发电示例外，太阳能光伏发电与主流网络的结合，即太阳能光伏电网配置，也得到了广泛应用。主要分布式发电源组合的综合运行在经济性和可靠性方面具有不同的运行属性，需要在安装前进行量化。到目前为止，已经模拟了各种主要分布式发电源组合，并报告了它们对项目经济性和可靠性的累积影响。需要对各种配置进行详细的经济性和可靠性评估，以便可持续且具有成本效益地选择配置。本研究提出了一种太阳能-水力-电网三联产组合，并采用最佳规模方案来降低太阳能系统规模和电网运营成本。使用固定水电和可变太阳能及电网系统以及许多预定义约束，开发了一种基于遗传算法的最优定型公式。在 HOMER Pro 软件中模拟水电-电网、太阳能-电网和电网-水电-太阳能配置，以分析经济影响，并在项目的各种配置下进行可靠性评估。最后，将遗传算法的最优值提供给 HOMER Pro 软件搜索空间，以模拟电网-水电-太阳能配置。结果表明，水电-电网配置的净现值 (NPC) 比电网-水电-太阳能配置低 23%，而未进行优化定型的电网-水电-太阳能的 NPC 比太阳能-电网配置低 40%，而采用遗传算法的电网-太阳能-水电的 NPC 比水电-电网配置低 36%，比不使用遗传算法的太阳能-电网-水电低 50.90%，比电网-太阳能配置低 17.1%，从而证明利用三联产能源集成是对有运河水电地区的可行解决方案。
使用无线信号
摘要 - 物联网领域（IoT）中的杂货应用涉及跟踪人员和商品，其质量受室内位置精度影响的质量。信号方法的模式匹配，也称为特征指纹方法，是众多室内定位方法之一。由于存在嘈杂的环境情况，因此在定位中实现精度很容易中断。需要有效的稳定技术来减轻对本地化质量的负面影响。本研究介绍了几种新型机器学习方法和索引方法，旨在提高室内定位应用的准确性。遗传算法和部分最小二平方理论提议为此目的共同起作用。传统的指纹定位方法，例如粒子群优化（PSO），高斯模型还测试了验证目的。这种方法通过PSO算法试图近似接收信号强度指示器（RSSI）信号的噪声频谱，从而通过PSO算法来调整高斯模型的主要频率/振幅。与PSO/Gaussian模型指纹方法相比，遗传算法（GA）/部分最小二乘（PLS）/K-Nearest邻居（KNN）方法可以达到92％的室内定位精度，同时需要最小的开发时间。在复杂的实验室和走廊设置中，当目标位置验证程序中包括加权KNN算法时，总准确率可以达到95％，分辨率为16 cm。总体而言，我们建议的GA/PLS/KNN方法优于传统方法和基于许多无线技术的当前静态定位方法，例如WiFi，4G/5G，蓝牙低能（BLE）等。关键字 - 事物（IoT）本地化，粒子群优化（PSO）算法，部分最小二乘（PLS）算法，遗传算法（GA），智能定位