XiaoMi-AI文件搜索系统
World File Search System遗传算法
博士K. vasu babu div>
使用遗传算法使用遗传算法来减少微波耦合”微波工程和技术杂志（SCOPUS索引），ISSN：2349-9001（在线）第3卷，第1期，第1期，第11-30页，2016年40，201640。K. Vasu Babu，M。R。N. Tagore，K。C。B. Rao博士，“
通过AI和战场数字双胞胎增强军事行动：整合贝叶斯优化，遗传算法和强化学习
本文提出了一种使用先进技术（例如贝叶斯优化（BO），遗传算法（GA）和加固学习（RL）等先进技术来优化军事行动的综合方法。该研究重点关注三个关键领域：防御行动中的单位处置，消防支持计划和下属单位的任务计划。对于单位处置，BO用于优化基于战场指标的营的位置，汤普森采样采集功能和周期内核可实现卓越的结果。在消防支持计划中，GA用于最大程度地减少威胁水平和发射时间，以有限的资源下解决资源受限的项目调度问题（RCPSP）。最后，开发了用于任务计划的RL模型，结合了多代理增强学习（MARL），图形注意网络（GAT）和分层增强学习（HRL）。RL模型通过模拟战场场景来展示其在产生战术操作方面的有效性。这种方法使军事决策者能够增强复杂环境中运营的适应性和效率。结果强调了这些优化技术支持军事指挥和控制系统在实现战术优势方面的潜力。
无标题 - 卡拉布克大学
硬车削多目标优化：非支配排序遗传算法-II 方法...................................................................................................................................................... 126
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。
优化用于铣削操作的加工参数，
这项研究着重于使用传统设置，下坡单纯形和遗传算法方法优化CNC铣削参数。该研究评估了加工参数（例如降低速度和进料速度）对关键性能指标的影响，包括表面粗糙度，工具磨损，加工时间和整体成本效益。通过使用3D表面和轮廓图，该研究表明，最佳切割速度的范围为40-80 m/min，进料速度从0.1-0.25 mm/牙齿介于0.1-0.25 mm/牙齿中，导致峰值工具寿命约为9-10分钟。遗传算法的表现优于传统设置和下坡单纯词，其单位成本最低为8.50美元，而下坡单纯子的成本为9.00美元，传统设置为11.00美元。收敛分析表明，遗传算法虽然需要更多的迭代，但总体成本较低（约8.50美元），并提供了更好的优化结果。成本分解分析显示，加工和改变工具的成本大幅降低，遗传算法将工具换成本降低至1.50美元，加工成本降至3.50美元，从而带来了最具成本效益的解决方案。这些发现证明了高级优化技术在增强CNC铣削过程，提高加工效率和最小化运营成本方面的有效性。
多个免疫细胞中的蛋白O-Glcnacylation及其治疗势具有库存管理的绿色供应链网络设计的综合优化模型
摘要：供应链网络设计和库存管理都是提高企业核心竞争力的重要意义。这项研究研究了设施位置的联合优化问题和组装制造业企业的多电子供应链网络的库存，考虑了设施的选择，选择供应商的选择，运输模式选择以及同时的库存决策。提出了一个相应的综合优化模型，旨在最大程度地减少总成本，包括设施的开放成本，开放式工厂和分销中心的库存成本以及整个供应链网络中车辆的运输成本以及CO 2发射的成本。基于提出的优化模型的特征，开发了嵌入局部搜索的混合遗传算法来解决所提出的模型。数值示例和案例研究，以说明所提出的模型和相应算法的有效性。发现该模型是合理且适用的，而混合遗传算法（HGA）比标准遗传算法（SGA）更有效。此外，植物的最大销售时间对供应链的总成本产生了重大影响。
一系列聚合物的介电性关系研究
介电常数是一个值，它被广泛应用于许多科学领域，并且表征了外部电场下物质的极化程度。在这项工作中，研究了一组聚合物集的介电常数（ε）的结构质体关系。通过应用遗传算法与多个线性回归分析（GA-MLRA）相结合的遗传算法开发了一个透明的机械模型，以获得机械上可解释且透明的模型。基于使用各种验证标准进行的评估，提出了四个和八变量的模型。在最佳模型中分析并讨论了最佳模型中选定的描述符。使用验证程序应用模型具有良好的预测能力和鲁棒性。
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
基于人工智能的需求预测解决方案，日
人工智能技术（神经网络、强化学习和遗传算法）有潜力解决电力系统优化问题，目前正在研究和开发中。这些技术旨在支持动态调度，实现实时自动电网平衡。需求响应解决方案正在日趋成熟，旨在通过让消费者或产消者响应实时价格来塑造有利于绿色能源的消费模式。用于瞄准正确客户群（数据分析）、获取实时价格（神经网络、强化学习和遗传算法）和最大化产消者回报（基于人工智能代理的模型）的人工智能解决方案正在开发中。然而，这些技术需要进一步测试和开发才能大规模部署。在人工智能的支持下，部分分散调度和调度的可行性也在研究中。