XiaoMi-AI文件搜索系统
World File Search System遗传算法
使用遗传算法的选择性谐波消除...
摘要 - 在功率应用中广泛使用了多重逆变器，以在中等或高压水平下以低谐波失真（THD）的形式获得低。已经有几种技术可以应用于多级逆变器，以便在输出电压中获得较低的THD。选择性谐波消除（SHE）技术是这些技术之一，并且在电力电子中也具有广泛的应用领域。它也是常规PWM技术的替代方法，包括阶梯电压波形的非线性方程。此外，她的技术还提供了控制输出电压的有效价值。在本文中，已提出了减少开关数量的多级逆变器，该逆变器已提出了系统成本的降低，并且非线性方程的解决方案已通过遗传算法（GA）软件进行了优化。模拟和分析的结果清楚地表明，提出的基于GA的技术可以消除所需的谐波顺序。
基于约束量子优化的新型量子遗传算法
摘要 摘要 在过去的几十年中，已经开发出了许多量子算法。阻碍这些算法广泛实施的主要障碍是可用量子计算机的量子比特规模太小。盲量子计算 (BQC) 有望通过将计算委托给量子远程设备来处理此问题。在这里，我们介绍了一种新颖的约束量子遗传算法 (CQGA)，该算法以非常低的计算复杂度选择约束目标函数（或庞大的未排序数据库）的最佳极值（最小值或最大值）。由于约束经典遗传算法 (CCGA) 收敛到最优解的速度高度依赖于最初选择的潜在解的质量水平，因此 CCGA 的启发式初始化阶段被量子阶段取代。这是通过利用约束量子优化算法 (CQOA) 和 BQC 的优势实现的。所提出的 CQGA 用作上行链路多小区大规模 MIMO 系统的嵌入式计算基础设施。该算法在考虑不同用户目标比特率类别的同时，最大化上行大规模 MIMO 的能量效率 (EE)。仿真结果表明，建议的 CQGA 通过仔细计算每个活跃用户的最佳发射功率，使用比 CCGA 更少的计算步骤，实现了能量效率的最大化。我们证明，当整体发射功率集或总体活跃用户数量增加时，与 CCGA 相比，CQGA 始终执行较少数量的生成步骤。例如，如果我们考虑将总体活跃用户数量 () 设置为 18 的场景，CQGA 会使用较少的生成步骤数（等于 6）找到最优解，而 CCGA 则需要更多的生成步骤数，达到 65。
基于新的有效遗传算法 - 塔古奇...
库存路由问题源于车辆路由问题和供应商管理的库存问题的组合。在本文中，我们提出了一种数学模型和一种用于解决多个周期库存路由问题的新型遗传算法。目标是在给定时间范围内向分散客户提供产品，同时管理客户库存以避免短缺并最大程度地减少总库存和运输成本。为代表此问题的解决方案，我们引入了一种新的染色体结构。此结构在编码和解码解决方案，保持交叉和突变操作后保持可行性，在一个步骤中解决路由和库存管理，并全面合并有关每个解决方案方法的信息。使用Taguchi方法对算法参数，包括跨界和突变率，人口大小，迭代次数和选择压力进行微调。为了评估算法效率，我们利用文献中的标准实例。我们的结果表明，与以前的方法相比，所提出的算法表现出色。
计算机网络优化的遗传算法中的定向交叉
摘要：使用遗传算法（GA）的优化是几个科学学科的众所周知的策略。交叉是遗传算法的必不可少的操作员。这是为该操作数开发可持续形式的研究领域。在这项工作中，提出了一个新的跨界操作数。该操作数取决于对染色体的描述，并为父母的等位基因带来了新的结构。建议每个等位基因都有两种态度，一种态度与另一种态度不同，两者都与等位基因相称。因此，如果一种态度是好的，则另一种态度应该不好。这适用于许多包含钦佩参数和未加工参数的系统。拟议的跨界将改善所需的态度，并抑制不希望的态度。可以在两个阶段实现所提出的跨界：第一阶段是一种父母的态度的一种交配方法，以提高一种态度，以牺牲另一种态度。第二阶段是在不同父母之间交配的第一个改进阶段之后。因此，将采用两个并发的改进步骤。系统的仿真实验显示出拟合函数的改善。所提出的跨界车可能对不同的领域有所帮助，尤其是优化路由算法和网络协议，该应用程序已在这项工作中被测试为案例研究。
使用遗传算法的电源系统的最佳设计
本文提出了一种基于用于设计牵引力供应系统的遗传算法的优化模型。所提出的模型既适合计划新线路，也适用于扩展旧线路，从而导致更有效的运营以及较低的投资成本。最小化固定安装代表了搜索某些技术约束的创新设计的优化标准：变电站中最大的电压下降和最大功耗。优化问题所涉及的变量是：铁路架空线的数字，类型和位置；以及牵引力变电站的数字，大小和位置。最后，对可能设计的评估涉及研究的铁路拉伸的简化电气建模。因此，电气模拟和计算也已适应其在遗传算法中的实现。马德里 - 巴塞罗那高速线的一部分被认为是研究案例，以分析拟议模型的性能。的结果揭示了通过提出的模型及其善良和鲁棒性获得的新设计的适用性。关键字：铁路，电源系统，优化，遗传算法。
基于遗传算法优化的随机森林的电池寿命预测
电池的健康状况通常定义为SOH。SOH的最典型定义基于电池容量。电池容量的变化趋势可以直接反映电池的健康状况，即电池寿命。当电池容量逐渐降低时，它代表了电池性能的降解。当容量达到给定的阈值（通常为工厂容量的70％至80％）时，这意味着电池故障。此阈值在此称为故障阈值。因此，如果我们可以根据电池的历史使用数据来预测电池容量趋势，我们可以提前了解电池寿命，然后及时进行调整和维护策略，以避免事故并降低维护成本。
量子启发遗传算法解决组合优化问题
工程、金融和基因组学等众多行业都遇到了组合优化问题。这些问题需要通过从有限的集合中选择最佳组合或排列来优化给定的目标函数，但要受到特定限制（Smith，2010 年）。然而，由于这些问题本身就很复杂，因此有时很难通过计算解决，而且需要很长时间。研究人员已经使用了各种优化策略来解决这些问题，其中遗传算法 (GA) 脱颖而出（Goldberg，1989 年）。在问题的解空间中寻找解决方案是通过遗传算法完成的，遗传算法的灵感来自自然选择和进化的思想。它们使用选择、交叉和突变等遗传运算符在几代中开发出一个潜在解决方案群体（Holland，1975 年）。尽管 GA 能够有效地处理各种优化问题，但 Mitchell（1998 年）发现，在处理具有高维解空间的困难组合优化问题时，它们的性能可能会下降。此外，搜索过程可能会陷入局部最优，这使得找到整体最优解决方案变得更加困难（Vose，1999）。
通过用于逆分子设计的机器学习增强遗传算法
催化，5 - 10和电池研究。11 - 13实际上，化学空间的nite尺寸中的大小使详尽的搜索变得不可能，并决定了使用有效的优化方法，这些方法通过利用有关感兴趣域的现有知识来提示候选化合物。这些发电模型解决了逆设计问题，其中目的是最佳满足给定规格施加的一组要求的解决方案。尤其是进化方法，尤其是受到达尔文人进化的启发，并在进化的解决方案中运作，以逐步产生更好的解决方案。在化学和材料科学方面，已经在1990年代初已经采用了进化方法，例如15种在聚合物的从头设计中，16种蛋白质17和制冷剂。18，随着2010年代（深）机器学习的爆炸爆炸，这些努力被忽略了，而不是基于基于人工神经网络（ANN）的其他生成方法（例如复发性神经网络，19 - 21个变量自动编码器），22 - 22 - 22 - 24正常化的24个变量自动化器模型，25 - 27 - 27-27-27-27-27和di and Inion and Inion and Inion模型。28 - 30尽管如
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。
应用于浮点染色体表示的遗传算法的传统技术
遗传算法最近已成为实用且可靠的优化方法。试图解决特定问题时要考虑的最重要的问题之一是选择适当的染色体表示。主要使用的染色体表示是二进制字符串，字符串，浮点数，数字，矩阵和其他数据结构的阵列[3,4,5,6,8,10]。对于给定的问题，与其他表示相比，总会有一个表现出更好的优化结果。然而，遗传算法理论主要集中在二进制表示上，对非二进制表示几乎没有什么可说的。遗传算法结构中的另一个重要问题，与染色体表示的选择密切相关，是编码和解码机制，它们在染色体表示和优化问题的变量之间执行转换[10]。这些机制取决于问题变量的性质。