XiaoMi-AI文件搜索系统
World File Search System遗传算法
比较遗传算法（GA）和粒子群优化（PSO），用于估计易感暴露感染的（SEIR）模型PAR
背景：用于分析疾病扩散的最常用的数学模型是易感暴露感染的回收（SEIR）模型。此外，SEIR模型的动力学取决于几个因素，例如参数值。目标：本研究旨在比较两种优化方法，即遗传算法（GA）和粒子群优化（PSO），以估算SEIR模型参数值，例如感染，过渡，恢复和死亡率。方法：将GA和PSO算法与SEIR模型的估计参数值进行了比较。适应性值是根据累积阳性covid-19病例的实际数据与从seir covid-19模型解决方案的案例数据之间的误差计算得出的。此外，使用四阶Runge-kutta算法（RK-4）计算了CoVID-19模型的数值解，而实际数据是从印度尼西亚雅加达省正Covid-19 Case的累积数据集获得的。然后使用两个数据集比较每个算法的成功，即数据集1，代表COVID-19的扩展的初始间隔和数据集2，该间隔代表一个间隔，其中COVID-19 Case Case较高增加。结果：估计四个参数，即由于疾病引起的感染率，过渡率，恢复率和死亡率。在数据集1中，当值= 0.5时，GA方法的最小误差（即8.9％）发生，而PSO的数值误差为7.5％。在数据集2中，GA方法的最小误差，即31.21％，当时发生在= 0.5时，而PSO的数值误差为3.46％。结论：基于数据集1和2的参数估计结果，PSO比GA具有更好的拟合结果。这表明PSO对所提供的数据集更健壮，并且可以更好地适应Covid-19-19的流行病的趋势。关键字：遗传算法，粒子群优化，SEIR模型，COVID-19，参数估计。文章历史记录：2024年2月12日，2024年5月17日第一个决定，2024年6月20日接受，在线获得2024年6月28日
反对控制的遗传算法优化...
1. 引言 在现代交通系统中，减阻对于减少能源消耗和污染物排放至关重要。正如 Cheng 等人 [3] 所述，交通运输部门占能源预算的 25%，却排放了全球 10% 以上的温室气体。表面摩擦是造成阻力的一个重要因素，对于商用飞机来说，其总阻力中高达 55% 是由表面摩擦引起的。在过去的几年中，人们提出了各种技术来通过实验和数值方法减少表面摩擦阻力（例如 [5]、[10] 和 [14]）。大多数减阻策略都侧重于壁面附近的相干结构，例如准流向涡旋 (QSV) 和速度条纹，这些结构与表面摩擦阻力密切相关。诸如喷出和扫掠等众所周知的事件都与 QSV 密切相关 [13]。最近的研究表明，可以使用相对简单的方案来控制近壁面湍流事件，从而减少表面摩擦。Choi 等人 [4] 对湍流通道流中的主动控制进行了直接数值模拟。他们发现，通过施加吹气和吸气来抵消壁面法向速度，可实现高达 25% 的壁面摩擦减少。此外，他们观察到当检测平面靠近壁面（y + ≈ 10 ）时，阻力会减小，而当检测平面距离壁面较远时，阻力会显著增加。Rebbeck 和 Choi [12] 对实时对抗控制进行了风洞实验。他们研究了当使用壁面法向射流对单个扫掠事件施加对抗控制时，边界层的近壁面湍流结构如何变化。他们的结果表明，扬声器执行器产生的壁面法向射流可以有效阻挡扫掠事件期间高速流体的向壁运动。这表明，对壁面湍流进行反向控制可以减少湍流边界层的表层摩擦阻力。最近，Yu 等人 [15] 开发了一种人工智能开环控制系统，用于操纵平板上的湍流边界层，以减少摩擦阻力。边界层的特征是基于动量厚度的雷诺数 Reθ ，等于 1450。该系统由合成射流、壁线传感器和用于无监督学习最优控制律的遗传算法组成。每个合成射流（从矩形流向狭缝中喷出）的速度、频率和驱动相位都可以独立控制。通过使用
遗传算法对 Transformer 编码器的微调效果如何？第一种方法
遗传算法 (GA) 已在工程或医学等不同领域得到研究，以优化网络路由或医学图像分割等各种问题。此外，它们还被用于自动寻找深度神经网络的最佳架构。但是，据我们所知，它们尚未被用作 Transformer 模型的权重优化器。虽然梯度下降一直是这项任务的主要范例，但我们相信 GA 有其优势。在本文中，我们将证明尽管 GA 能够微调 Transformer 编码器，但它们的泛化能力比 Adam 差得多；然而，仔细观察，GA 从两个不同的预训练数据集中利用知识的能力超过了 Adam。
通过遗传算法设计设施布局设计
设施布局设计在制造和服务设施的效率和生产力中起着至关重要的作用。设施中机器，设备和工作区的布置显着影响工作流程，物质流和整体操作效率。设施布局设计的传统方法通常依赖于手动或启发式方法，这些方法可能会耗时，并且可能不会产生最佳的解决方案。遗传算法（气）为优化设施布局设计提供了有希望的替代方法。受自然选择过程的启发，气体模拟于迭代改善解决方案。它们通过产生一系列潜在的解决方案，评估其健身性，并通过选择，跨界和突变操作来迭代发展，从而产生更好的后代解决方案。扩展现实（AR）是一项创新，它覆盖了当前现实的插图。在AR创新授权小工具或应用程序Catch的文章图片时，将其提供给PC Vision程序，然后处理该图片以从其预测信息基础上积累了每个吸引人和相关的微妙之处。它具有在现实世界和电子数据之间直接连接的承诺。在许多情况下，AR作为计算机生成的现实（VR）混合在一起。两者之间的关键对比是，尽管AR通过实际数据覆盖层巩固了当前的现实，但增强现实取代了整个真正的世界。此外，在VR的情况下，客户不必可用于遇到虚构的宇宙，尽管如果应该出现扩展现实的情况，则可以预期客户的存在。在设施布局设计的背景下，考虑各种约束和目标，遗传算法可用于探索和完善布局配置。通过将布局设计表示为染色体并使用健身功能来评估其有效性，本文旨在全面概述遗传算法在设施布局设计中的应用。
遗传算法方法的不对称电容车辆路由：伊斯坦布尔面包分布的案例研究，türkiye
在优化的情况下将产品传达给客户对于公司本身至关重要。要考虑的一种优化策略是运输，最小数量的车辆和各个位置之间最小距离的课程选择。换句话说，这是对车辆路由问题（VRP）的解决方案的检查，尤其是电容的VRP（CVRP），这是一种更现实的模型化方法。对于经常向客户进行分销的企业，例如管理日常分销协调的管理工作，按时完成分销非常重要。在具有复杂道路和许多下降点的大城市中，这可以通过从CVRP的系统建模中受益而实现。在这项研究中，伊斯坦布尔人的面包的一个生产设施的交付网络调查位于伊斯坦布尔的Türkiye，每天分配三次的伊斯坦布尔一侧，这将是感兴趣的重点。将使用遗传算法（GA）来解决设施网络的相应不对称CVRP（ACVRP）和带有正宗驾驶距离的215个带有正宗驾驶距离的面包自助餐，并将提出优化的运输网络。
通过转移功能和遗传算法对心脏的电活动进行建模
摘要：尽管医疗保健和医疗技术在过去几十年中已经取得了显着发展，但心脏病仍然是全球死亡率的主要原因。心电图（ECG）是检测心脏病的最广泛使用的工具之一。本研究提出了基于转移函数的数学模型，该模型允许使用遗传算法（GA）在拉普拉斯空间中探索和优化心脏动力学。使用GA对传递函数参数进行微调，并用临床心电图记录用作参考信号。基于多项式和延迟的提议模型近似于根平方误差为4.7％，R 2值为0.72的真实心电图。该模型通过使用单个周期性脉冲输入来实现ECG信号的周期性。它的简单性使人们可以通过对其效果的预定理解来调整波形参数，这可用于产生心律不齐模式和健康信号。这是与其他大量微分方程和许多参数负担的其他模型相比，这是一个显着的优势。
使用遗传算法在卫星通信中直接辐射阵列的多束光束形成
载卫星通信的最新进展提高了动态修改直接辐射阵列（DRA）的辐射模式的能力。这不仅对于传统的通信卫星（例如地球轨道（GEO））至关重要，而且对于低轨道（例如低地球轨道（LEO））的卫星也至关重要。关键设计因素包括光束的数量，梁宽，有效的各向同性辐射功率（EIRP）和每个梁的侧叶水平（SLL）。然而，当试图同时满足上述设计因素的要求时，在多微型方案中出现了一个挑战，这些设计因素反映为不均匀的电源分配。这导致过度饱和，尤其是由于每个光束的激活时间（通常称为激活实例），在中心位置的天线元件中。应对这一挑战，本文提出了一种平衡每个必需光束天线元件激活实例的方法。我们的重点是在位于地球表面500公里的立方体上以19 GHz运行的光束。我们引入了一种基于遗传算法（GA）的算法，以通过调节每个天线元件的重量矩阵的振幅分量来优化光束成型系数。该算法的关键约束是对每个元素激活实例的限制，避免了射频（RF）链中的过度饱和。此外，该算法可满足梁的要求，例如梁宽，SLL，指向方向和总功率。使用先前的关键设计因素，该算法将优化所需的基因，以解决所需的光束特性和约束。我们使用8×8 DRA贴片天线在三个方案中测试了该算法的有效性，该天线具有圆形极化，并在三角形晶格中排列。结果表明，我们的算法不仅符合所需的光束模式规格，而且还确保了整个天线阵列的均匀活化分布。
使用遗传算法进行收敛-发散喷嘴轮廓优化
收敛-发散 (CD) 喷嘴的优化对于整个航空航天工业的各种应用都至关重要 - 这些领域与 NASA 的使命密切相关。这项研究特别关注机器学习（特别是遗传算法）和计算流体动力学 (CFD) 软件在 CD 喷嘴几何优化问题中的应用。通过操纵三次样条连接的控制点的位置，可以创建一个开放的设计空间并驱动性能最佳的单个 CD 喷嘴产生通过欧拉方程计算的等熵流场 (Δ𝑆= 0.0𝐽𝑘𝑔𝐾)。本文产生的最佳情况对 Δ𝑆= 0.935𝐽𝑘𝑔𝐾 的局部最小几何形状进行了初始猜测。 395 万美元。该项目奠定的基础为进一步应用遗传算法优化 CD 喷嘴和其他亚音速/超音速流体组件打开了大门。
基于遗传算法的图形解释器用于恶意软件分析
摘要 - MALWARE分析师通常更喜欢使用呼叫图，控制流程图（CFGS）和数据流程图（DFGS）的反向工程（DFGS），涉及黑盒深度学习（DL）模型的利用。拟议的研究介绍了一条结构化管道，用于基于逆向工程的分析，与最新方法相比，提供了有希望的结果，并为子图中的恶意代码块提供了高级的可解释性。我们将规范可执行组（CEG）作为便携式可执行文件（PE）文件的新表示形式提出，将句法和语义信息独特地纳入其节点嵌入。同时，Edge具有捕获PE文件的结构方面。这是介绍涉及句法，语义和结构特征的PE文件表示形式的第一项工作，而以前的努力通常仅集中在句法或结构属性上。此外，识别出恶意软件肛门的可解释人工智能（XAI）中现有图形解释方法的局限性，这主要是由于恶意文件的特异性，我们介绍了基于遗传算法的图形解释器（gage）。gage在CEG上运行，努力确定与预测的恶意软件家族相关的精确子图。通过实验和比较，与先前的基准相比，我们提出的管道在模型鲁棒性得分和判别能力方面表现出很大的改善。此外，我们已经成功地使用了对现实世界数据的实用应用，从而产生了有意义的见解和解释性。这项研究提供了一种强大的解决方案，可以通过对恶意软件行为有透明而准确的了解来增强网络安全。此外，所提出的算法专门用于处理基于图的数据，有效解剖复杂的含量和隔离影响的节点。索引术语 - 模式分析，可解释的AI，解释性，图，遗传算法
遗传算法的评论：操作和应用
本文介绍了遗传算法（GA）的回顾，这是一种受自然选择和遗传学启发的突出优化技术。在快速发展的计算方法论的背景下，GA在解决各个领域的复杂优化问题方面的功效引起了极大的关注。背景强调了优化技术在应对现实世界挑战方面的重要意义。但是，问题的固有复杂性和多样性需要使用多功能方法。问题声明强调了探索GA的基本操作和应用的需求，以提供对其能力和局限性的细微理解。本综述的目标包括探索基本的遗传操作员，例如选择，交叉和突变，同时研究其在维持多样性和融入最佳解决方案的作用中。方法论，对现有文献进行了系统分析，以使GA应用中的关键见解和趋势进行分解。主要发现表明，GA在解决工程，经济学，生物信息学及其他方面的问题方面的适应性。通过促进在大型解决方案空间内发现最佳或近乎最佳的解决方案，GA证明了其在传统方法不足的情况下的勇气。结论强调了GA在优化景观中的持久相关性，强调了它们仍然是解决复杂的现实世界挑战的重要工具，只要他们的参数是裁定的，以平衡探索和剥削。