XiaoMi-AI文件搜索系统
World File Search System遗传算法
通过多变量回归和新型遗传算法预测 Q 值
收到日期：2020 年 1 月 5 日；修订日期：2020 年 4 月 17 日；接受日期：2020 年 5 月 28 日 摘要：确定隧道支撑是隧道工程领域的一个重要争论，它确保了隧道的稳定性和安全性。Q 系统分类是一种用于确定岩石隧道支撑系统的技术。问题在于无法获得支撑系统所需的所有参数。另一方面，这种访问非常昂贵且耗时。因此，不可能在所有情况下确定 Q 值。本文使用 SPSS 程序确定 Q 系统中最有影响力的参数。然后，采用多元回归 (MVR) 和遗传算法 (GA) 方法，提出了一种使用三个有影响的参数预测 Q 值的关系。为此，使用了 140 个实验数据。为了评估获得的模型，使用了 34 个不在原始数据集中的新实验数据。本文的创新之处在于不再使用六个参数，而是使用对 Q 值影响最大的三个参数来确定 Q 值。在本研究中，MVR 模型（训练数据的 RMSE = 2.68、相关系数 = 0.81，测试数据的 RMSE = 2.55、相关系数 = 0.80）表现优于 GA 模型（训练数据的 RMSE = 2.90、相关系数 = 0.82，测试数据的 RMSE = 2.61、相关系数 = 0.84）。关键词：遗传算法、影响参数、多变量回归、Q 系统、隧道支护。1. 引言如今，地下空间在发达国家和发展中国家的使用越来越多。地面空间的限制、核电站的建设以及弹药和武器库的建设使得利用地下空间和设计隧道成为必然。
采用多目标遗传算法对静电电子透镜进行多标准优化
采用多目标遗传算法 (MOGA) 优化方法，对具有五个电极和两个目标函数的静电电子光学系统的设计进行了优化。考虑的两个目标函数是固定图像平面中一次电子束的最小探针尺寸和镜头内探测器平面上的最大二次电子检测效率。耗时的步骤是计算系统电位。有两种方法可以做到这一点。第一种是使用 COMSOL（有限元法），第二种是使用二阶电极法 (SOEM)。前者使优化过程非常缓慢但准确，而后者使其快速但准确性较低。提出了一种全自动优化策略，其中基于 SOEM 的 MOGA 为基于 COMSOL 的 MOGA 提供输入系统。这加速了优化过程并将优化时间缩短了至少约 10 倍，从几天缩短到几个小时。典型的优化系统的探针尺寸为 11.9 nm，二次电子检测效率为 80%。这种新方法可以在具有一个或多个目标函数和多个自由变量的静电透镜设计中实现，是一种非常高效、全自动的优化技术。
基于量子启发的遗传算法模型自动
由于许多优势，近年来自动调制分类（AMC）的受欢迎程度很高。在交流方面，AMC的可靠性非常关键。增加信号的数量成倍增加了使用AMC的成本。精确的分类方法，例如神经网络，其中神经网络的参数或输入变量的尺寸或输出变量的尺寸是动态修改的，在获得高精度结果方面尚未成功。为了提高调制分类的准确性，本研究采用基于量子（灵感）遗传算法（Qiga）的“ Qiga”特征选择模型。qiga用于选择正确的功能，并限制必须学习的示例数量，以便缩短整体系统时间并降低计算成本。选择出色的特性通过量子计算增强，这是为了降低解决方案的复杂性。内部验证结果表明，Qiga模型显着提高了统计匹配质量，并显着优于其他模型。关键字
使用遗传算法的AI辅助模拟框架焊接的联合可靠性风险估计，以优化AI模型的初始参数
摘要：焊接关节疲劳是球网阵列包装中的关键故障模式之一。由于可靠性测试是耗时的，并且需要物理驱动模型的几何/材料非线性，因此开发了AI辅助模拟框架以建立针对设计和过程参数的风险估计能力。由于焊接关节疲劳失败的时间依赖性和非线性特征，该研究遵循AI辅助模拟框架，并构建了非序列的人工神经网络（ANN）和顺序的经常性神经网络（RNN）体系结构。都研究了两者，以了解他们从数据集中提取时间相关的焊料关节疲劳知识的能力。此外，本研究应用了遗传算法（GA）优化，以减少最初猜测的影响，包括神经网络体系结构的权重和偏差。在这项研究中，开发了两个GA优化器，包括“背对派”和“进展”。此外，我们将主成分分析（PCA）应用于GA优化结果以获得PCA基因。在GA优化的PCA基因下，所有神经网络模型的预测误差均在0.15％以内。没有明确的统计证据表明，当应用GA优化器用于最大程度地降低初始AI模型的影响时，RNN在晶圆级芯片式包装（WLCSP）中的芯片式包装（WLCSP）焊接可靠性风险估计均优于ANN。因此，即使焊接疲劳是时间依赖于时间依赖的机械行为，但具有更快的训练速度的ANN模型可以实现具有广泛设计域的稳定优化。
基于遗传算法和人工神经网络的瞳孔反应客观疼痛测量实验研究
摘要 对医疗保健提供者来说，获得患者疼痛程度的客观测量一直是一个挑战。医院环境中最常见的疼痛评估方法是询问患者的口头评分，这被认为是一种主观方法。为了获得患者的客观疼痛程度，我们建议使用瞳孔反应和机器学习算法来客观地测量疼痛程度。东北大学招募了 32 名健康受试者参与了这项研究。通过要求健康受试者将手放在装满冰水的桶中，对他们施加疼痛刺激。我们从瞳孔直径数据中提取了 11 个特征。为了获得最佳特征子集，使用遗传算法 (GA) 为人工神经网络 (ANN) 分类器选择特征。在特征选择之前，ANN 的 f1 分数为 54.0 ± 0.25%，包含所有 11 个特征。经过特征选择后，ANN 使用所选特征子集（即平均值、均方根 (RMS) 和瞳孔曲线下面积 (PAUC)）表现出最佳性能，准确率为 81.0%。实验结果表明，瞳孔反应与机器学习算法相结合可能是一种有前途的客观疼痛水平评估方法。这项研究的结果可以改善患者在远程医疗中测量疼痛的体验，尤其是在大多数人不得不待在家里的疫情期间。
基于遗传算法的拓扑拓扑优化航空应用中使用的热交换器鳍
拓扑优化（to）通常使用且经过充分探索。然而，它在航空航天应用中使用的复杂热流体设备设计中的利用是有限的且相对较新的。这是因为流体动力学，传热和形状之间的耦合是复杂且非线性的。此外，由于可能发生的自由形式，从一个到分析产生的几何形状通常非常复杂，而且很难制造。随着添加剂制造（AM）的出现，可以直接制造复杂的几何形状。这项研究开发了一种基于计算流体动力学（CFD）的新遗传算法（GA），以生成用于航空航天应用中使用的热交换器的优化细胞形状。为了实现这种方法，使用体素表示创建了矩形基线细节。通过突变基线限制的次数来产生一个无性群体。然后使用CFD软件包OpenFOAM评估每个设计的性能，然后应用优化算法。GA使用由整体传热和压降组成的复合材料函数对设计进行分类，并基于突变和最高表现设计的结转而生成新一代。该研究还探讨了GA对各种GA选项的敏感性以及不同流动雷诺数的影响。通常，随着雷诺数的增加，最佳相对于基线的最佳提高百分比增加，可能会提高89％。总体而言，该方法可以生成新颖的自由形式设计，这些设计可能为传热应用打开新的性能空间。
基于多目标优化的非支配排序遗传算法对风能潜力的评估 III
摘要：风能是一种丰富的可再生能源，近年来在世界范围内得到广泛应用。本研究提出了一种新的基于多目标优化 (MOO) 的风能系统遗传算法 (GA) 模型。所提出的算法包括非支配排序，其重点是最大化风力涡轮机的功率提取，最小化发电成本和电池寿命。此外，还分析了风力涡轮机和电池储能系统 (BESS) 的性能特征，特别是扭矩、电流、电压、充电状态 (SOC) 和内阻。完整的分析是在 MATLAB/Simulink 平台上进行的。将模拟结果与现有的优化技术（如单目标、多目标和非支配排序 GA II（遗传算法 II））进行了比较。从观察结果来看，非支配排序遗传算法 (NSGA III) 优化算法提供了卓越的性能，特别是更高的涡轮机功率输出、更高的扭矩率、更低的速度变化、更低的能源成本和更低的电池退化率。该结果证明，与传统的优化工具相比，所提出的优化工具可以从自激感应发电机（SEIG）中提取更高的功率。
遗传算法用于由多个能量载体提供的电力系统中的能源承诺
1设拉子技术大学电气和电子工程系，伊朗71557-13876； m.dehghani@sutech.ac.ir（M.D.）; mardaneh@sutech.ac.ir（M.M.）2加拿大卡尔加里大学卡尔加里大学电气与计算机工程系，加拿大AB T2N 1N4； maliko@ucalgary.ca 3能源技术系，微电网研究中心，奥尔堡大学，丹麦9220 AALBORG； joz@et.aau.dk 4 Tecnologico de Monterrey，Monterrey N.L.工程与科学学院64849，墨西哥； carlos.sotelo@tec.mx（C.S.）; David.sotelo@tec.mx（D.S.）5 104工程单元A，宾夕法尼亚州立大学宾夕法尼亚州立大学建筑工程系A工程系A 16802； mun369@psu.edu.edu6écolede Technologiesupérieure，魁北克大学，蒙特利尔，QC H3C 3P8，加拿大； kamal.al-haddad@etsmtl.ca *信件：ricardo.ramirez@tec.mx;电话。： + 52-81-2001-5597
使用遗传算法找到运动脑电图信号的区分频率
脑部计算机界面的关键部分是脑电图（EEG）运动任务的分类。诸如眼睛和肌肉运动之类的工件损坏了脑电图信号并降低分类性能。许多研究试图从EEG信号中提取不是冗余和歧视性特征。因此，本研究提出了一种信号预处理和用于脑电图分类的特征提取方法。它包括使用离散的傅立叶变换（DFT）作为特定频率的理想滤波器来删除伪像。它还将脑电图通道与强调脑电图信号的有效通道交叉相交。然后，计算出跨相关的结果，以提取使用支持向量机（SVM）对左右指的运动进行分类的特征。应用遗传算法以找到两个EEG类信号的DFT的区分频率。通过13受试者的手指运动分类确定了所提出的方法的性能，实验表明平均准确性高于93％。
SiC MOSFET 建模及使用遗传算法进行参数拟合
在这一部分，我想感谢那些在工作中给予我帮助的人。副教授 Dimosthenis Peftitsis 和博士候选人 Ole Christian Spro 是我的导师，他们的指导和支持对我的工作至关重要。我感谢 Dimosthenis 的激励和积极性，鼓励我工作。Ole Christian 是我的日常导师，帮助我解决遇到的困难。他的指导总是挑战我的思维，给我指点，帮助我理解，而不是简单地给我最简单的答案。这帮助我成长为一个人。我感谢 Ole Christian 花了很多时间来指导和激励我的工作。此外，我还要感谢博士候选人 Daniel Alexander Philipps 与我讨论不同的话题并给我反馈。这帮助我改进了我的工作。最后，我要感谢我的家人和朋友对我的信任和鼓励。这帮助我克服了困难时期并最终完成了学业！