谷歌痛失两员大将致股价暴跌,“Transformer 之父”八人九年来履历与去向大揭秘

【能源系统优化】基于NSGA-II的储能容量配置模型:多目标优化与全寿命周期成本分析 项目介绍 MATLAB 储能容量配多大?NSGA-II优化与寿命成本情景分析 内容概要:本文介绍了一个基于MATLAB的储能容量配置优化项目,通过NSGA-II多目标优化算法,综合考虑储能系统的全寿命周期成本、供电可靠性与新能源消纳能力,构建了包含数据生成、储能运行仿真、寿命衰减建模、多目标优化与决策分析的一体化模型框架。项目生成50000条多维随机数据,涵盖负荷、新能源出力、电价、温度与电池运行压力,并建立储能能量容量、功率与备用SOC的协同配置模型。通过时序仿真计算充放电行为、等效循环次数与容量衰减,结合初始投资、运行收益、更换成本与惩罚项,构建全生命周期经济评价体系。NSGA-II算法用于求解成本、供电可靠性与碳排放之间的Pareto最优前沿,支持多情景对比分析,如电价波动、负荷增长与寿命衰减加剧等,最终输出推荐配置与可视化结果,为储能工程选型提供量化依据。; 适合人群:具备一定MATLAB编程基础,从事电力系统规划、储能系统设计、新能源集成或优化算法研究的科研人员与工程技术人员,尤其适用于研究生、能源领域研发工程师及项目规划人员。; 使用场景及目标:①解决“储能容量配多大”这一实际工程问题,优化容量与功率的协同配置;②评估不同电价、负荷、气候与政策情景下储能方案的经济性与鲁棒性;③分析寿命衰减对长期成本的影响,避免“低投入高维护”的不合理配置;④为新能源电站、微电网、工业园区等场景的储能规划提供Pareto最优解集与决策支持。; 阅读建议:此资源侧重于模型构建与算法实现,建议读者结合提供的代码示例深入理解NSGA-II在储能优化中的应用,重点关注目标函数设计、寿命成本建模与多情景分析逻辑。建议运行数据生成与优化代码,调试并可视化结果,以掌握从数据到决策的完整流程。 立即下载

谷歌痛失两员大将致股价暴跌,“Transformer 之父”八人九年来履历与去向大揭秘

前几天,谷歌接连痛失两员大将。6月18日,Transformer论文的共同作者之一Noam Shazeer在X上宣布离职,加入OpenAI。两天后,2024年诺贝尔化学奖得主、AlphaFold团队负责人John Jumper也宣布离开Google DeepMind,去向是Anthropic。

两条消息接连砸下,资本市场反应强烈:谷歌母公司Alphabet股价一度暴跌超7%,市值蒸发逾3000亿美元。多家分析机构将此次抛售归因于「人才出走」。D.A. Davidson的分析师Gil Luria直言,Shazeer投奔OpenAI、Jumper投奔Anthropic,两人前后脚离职,让市场开始担心谷歌在AI人才争夺战中落于下风。

Shazeer的离开尤为值得关注——这已是他第二次离开谷歌。2021年,他因不满公司不愿公开发布自己主导研发的聊天机器人,出走创办了Character.AI;2024年8月,谷歌花约27亿美元买下Character.AI的技术授权,将他请回DeepMind,让他出任Gemini项目的工程副总裁,与Jeff Dean共同领导该项目。不到两年,他还是走了,这次去了死对头OpenAI。

至此,九年前发表的论文《Attention Is All You Need》的八位共同作者,已全部离开谷歌。X用户Tyler Maran做了一张图,展示他们如今各自的去向,这张图在社交网络上被大量转发。

不过,这张图可能很快就会过时。过去两天,市场传言英伟达正在悄悄吸纳Essential AI的核心团队,其中包括Transformer论文作者之一、Essential AI联合创始人兼CEO Ashish Vaswani。截至发稿,英伟达和Essential AI均未正式回应此事。

借此机会,我们来完整盘点这八位被称为「Transformer 之父」的人九年来的履历,以及他们如今的真正去处。需说明的是,《Attention Is All You Need》论文的作者顺序是随机排列的。论文脚注明确:所有作者贡献均等,排序随机,不存在「第一作者」或「通讯作者」。本文按论文原本的署名顺序,依次介绍这八个人。

「万物起源」:八个不务正业的谷歌人

要理解他们如今的去向,得回到2017年。当时,机器翻译领域主流是循环神经网络(RNN),模型按顺序处理句子,无法并行计算,训练又慢又贵。谷歌大脑的八个人决定尝试一个大胆想法:扔掉循环结构,只留「注意力机制」,让模型一次性看完整句话,自行判断重点关注的词。论文标题「Attention Is All You Need」化用了披头士的《All You Need Is Love》,此后成为许多论文标题模仿的形式。

论文的作者贡献说明记录了每个人的具体工作:Jakob Uszkoreit最先提出用自注意力取代循环结构,并主导早期验证;Ashish Vaswani与Illia Polosukhin一起设计并实现最初的Transformer模型,几乎参与项目各环节;Noam Shazeer提出缩放点积注意力、多头注意力机制以及无参数的位置表示方法,事事亲力亲为;Niki Parmar在最初的代码库和后来的tensor2tensor框架里,设计、实现并调试了众多模型变体;Llion Jones尝试大量新模型变体,负责最初的代码库、推理效率优化和可视化工作;Łukasz Kaiser和Aidan N. Gomez搭建tensor2tensor的各个模块,替换早期代码库,提升了实验结果和研究效率。

这段说明也揭示了一个细节:尽管论文署名顺序随机,但Uszkoreit、Vaswani、Polosukhin和Shazeer承担了架构层面更核心的角色,而Parmar、Jones、Kaiser和Gomez则在工程实现和系统搭建上发挥重要作用——这也是后来八人选择不同道路时,性格与专长差异的早期体现。

「Transformer」这个名字也有故事。Uszkoreit喜欢这个词的发音,团队内部自称「Team Transformer」,早期设计文档封面上画着变形金刚动画里的六个角色。论文发表至今,引用量已超过26万次,是21世纪被引用最多的论文之一。

Ashish Vaswani

Vaswani 1986年出生于印度,2002年从印度比拉理工学院(BIT Mesra)获得计算机科学学士学位,随后赴美,在南加州大学跟随David Chiang攻读博士,研究统计机器翻译和神经网络语言建模。博士毕业后,他在南加大信息科学研究所做了两年计算机科学家,2016年加入Google Brain成为研究科学家,工作至2021年。

按论文作者贡献说明,Vaswani与Illia Polosukhin一起设计并实现最初的Transformer模型,是核心人物之一。离开谷歌后,2021年他与Niki Parmar、前OpenAI工程副总裁David Luan等人共同创办Adept AI,担任首席科学家,目标是打造能在任意软件里自主完成操作的「行为模型」。Adept一度融资超4亿美元,估值约10亿美元,但产品未落地,团队出现分歧。Vaswani和Parmar早早退出,他在Adept的首席科学家任期止于2022年11月。

2023年初,Vaswani与Parmar再次合作创立Essential AI,他出任CEO。公司获谷歌、英伟达、AMD战略投资:种子轮830万美元由Thrive Capital领投,2023年底5650万美元A轮由March Capital领投,谷歌、英伟达、AMD、KB Investment、Franklin Templeton等机构跟投。2026年初,公司完成1.75亿美元B轮融资,由Lightspeed Venture Partners领投,Thrive Capital跟投,估值达10亿美元,成为独角兽。2025年底,公司发布首个开源模型系列Rnj - 1(以印度数学家拉马努金Ramanujan命名)。

然而过去两天情况有变。据报道,英伟达正在招募Essential AI的核心团队,Vaswani也在其中,未来将参与英伟达开源模型Nemotron的研发。消息人士称,原因是Essential AI融资遇瓶颈,且把Vaswani和团队从英伟达竞争对手AMD的阵营拉走是划算的买卖。已有几位Essential AI的研究员(包括Alok Tripathy、Saurabh Srivastava)更新领英资料,显示已加入英伟达。但截至目前,英伟达和Essential AI均未正式确认该消息。

Noam Shazeer

Shazeer 1976年出生于费城,是正统犹太教徒;父亲Dov Shazeer是数学教师出身的工程师,姐妹被希伯来学院授予拉比资格。他少年时天赋出众,1994年作为美国队成员参加国际数学奥林匹克竞赛获满分金牌,随后进入杜克大学学习数学和计算机科学,是Angier B. Duke纪念奖学金获得者,并在Putnam数学竞赛中获奖。

2000年,Shazeer加入谷歌,早期成名作是修好谷歌搜索的拼写纠错功能。按Transformer论文作者贡献说明,他提出缩放点积注意力、多头注意力机制以及无参数的位置表示方法,是除Vaswani和Polosukhin外,「几乎参与每个细节」的人。

2017年合著Transformer论文后,他和同事Daniel De Freitas做出聊天机器人Meena,但谷歌未公开发布。2021年两人离职创办Character.AI,从a16z等机构融资超1.5亿美元,做成受欢迎的角色扮演聊天应用。

2024年8月,情况转折:谷歌与Character.AI达成27亿美元授权协议,Shazeer和De Freitas带同事回谷歌DeepMind,他被任命为工程副总裁,与Jeff Dean、Oriol Vinyals共同领导Gemini项目。因他持有Character.AI约三成到四成股份,这笔交易让他个人套现7.5亿到10亿美元。2026年,他当选美国国家工程院院士,履历辉煌。

但几个月后,他再次离开,这次去了OpenAI,负责「架构研究」方向,恰逢OpenAI为冲击IPO招兵买马(公司6月8日已向美国证券交易委员会秘密提交S - 1文件,估值传闻达8520亿美元)。OpenAI CEO Sam Altman公开表示:「从OpenAI创立第一天起,他就是我最想合作的人之一」,还称这次招聘「酝酿了十年」。

对谷歌而言,这是代价高昂的「回购未遂」:两年前花27亿美元请回的人,如今投奔头号竞争对手,这也是本周谷歌股价大跌的直接原因之一。

Niki Parmar

Parmar出生于印度浦那,本科就读于浦那计算机技术学院(Pune Institute of Computer Technology),主修信息技术。在校期间,她通过吴恩达和Peter Norvig开设的网络公开课对人工智能和机器学习产生兴趣,随后赴美在南加州大学读计算机科学硕士,跟随教授Morteza Dehghani用机器学习方法研究社会科学问题。

2015年,Parmar加入谷歌研究院做软件工程师,2017年转入谷歌大脑做研究软件工程师,是当时谷歌大脑团队里最年轻、唯一没有博士学位的研究人员。

按论文作者贡献说明,她在最初的代码库和后来的tensor2tensor框架里,设计、实现并调试了众多模型变体。论文发表后,她将Transformer推向语言之外领域,参与自注意力机制扩展到图像生成和计算机视觉的研究。

2021年,Parmar离开谷歌,与Ashish Vaswani、David Luan等人共同创办Adept AI,担任首席技术官。她和Vaswani一样早早退出Adept,2023年初与Vaswani一起创立Essential AI,继续担任联合创始人。

但她没等到Essential AI的B轮融资和独角兽身份。2024年底,Parmar悄悄离开Essential AI,加入Anthropic,并于2025年2月公开宣布。她在X上写道:「今天和往常一样适合分享:我去年12月加入了Anthropic。」她随后参与Claude 3.7 Sonnet的开发,这是Anthropic历史上重要的模型发布之一。如今她是Anthropic的技术团队成员,专注于前沿能力研究和强化学习方向。

两位曾经的合著者、两次共同创业的搭档,最终走向不同归宿:Parmar提前一年多悄然离开,融入头部实验室;而Vaswani选择继续推动Essential AI发展,直到本周被竞争对手招揽。

Jakob Uszkoreit

Uszkoreit出生于语言学世家,父亲Hans Uszkoreit是知名计算语言学家。儿子提出「单靠注意力机制就够用」假设时,父亲也表示怀疑。Uszkoreit在柏林工业大学获得博士学位,后来在谷歌大脑达到「杰出科学家」级别。

按论文作者贡献说明,Uszkoreit最先提出用自注意力机制取代循环神经网络,并主导早期验证——这个假设的种子,早在他2016年与Ankur Parikh、Oscar Täckström、Dipanjan Das合著的「可分解注意力模型」论文中就已埋下。

「Transformer」这个名字因他喜欢发音而定,团队内部自称「Team Transformer」,早期设计文档封面上画着变形金刚动画里的六个角色。

2020年底,DeepMind的AlphaFold2证明Transformer式的模型可解决蛋白质折叠难题。他意识到,深度学习未能改变生物学,缺的不是算法,而是数据。「这几乎成了一种道德义务,」他回忆说。

于是2021年,他和斯坦福大学生物化学教授、知名RNA设计游戏Eterna的开发者Rhiju Das共同创立Inceptive,公司总部在伯克利,研究团队在柏林——他本人住在柏林,员工分布在苏黎世、伦敦、温哥华和美国东海岸多个城市。公司核心思路是反向做实验:用机器人和人工大规模生成全新的RNA实验数据,再喂给模型学习。

Inceptive已从英伟达、a16z、Obvious Ventures、Section 32等机构融资约1.2亿美元。本月初,RNA干扰疗法的开创者Alnylam制药与Inceptive签署战略合作,借助Inceptive的基础模型加速siRNA候选药物的设计,首付款3000万美元,整笔合作潜在总金额可达约20亿美元。Uszkoreit表示:「大多数药物设计靠试错,而Inceptive认为生命规律复杂,只有AI能学会。」

八位作者中,他是唯一转行做生物科技的人,印证了论文当年的预言:注意力机制的潜力,不止于机器翻译。

Llion Jones

Jones是威尔士人,毕业于伯明翰大学,2011年加入谷歌做软件工程师,工作十多年,是八位作者中少数没有博士学位、靠工程直觉摸索的人。

按论文作者贡献说明,他尝试大量新模型变体,负责最初的代码库、推理效率优化和可视化工作。他回忆那个关键瞬间:「我们尝试砍掉模型部分,看效果,结果反而更好。」这是「循环结构多余」假设首次被验证。

2023年,Jones和同样来自谷歌的David Ha在东京创立Sakana AI。「Sakana」在日语中是「鱼」的意思。Ha任CEO,Jones任CTO,公司另一位联合创始人Ren Ito任COO。

Jones常驻东京,在社交媒体自称「住在东京的威尔士AI研究员」。公司研究路线反潮流:不单纯堆算力和参数,而是借鉴自然演化逻辑,让小模型像鱼群一样协作,代表性研究成果有Continuous Thought Machine(连续思维机)和能自主开展端到端研究的「AI Scientist」项目。近日,公司发布性能前沿的Sakana Fugu模型。

Sakana AI累计融资3.79亿美元,包括2026年3月完成的B轮融资,三菱电机是投资方之一。2026年3月,公司与三菱日联金融集团(MUFG)达成多年合作协议,后者计划用Sakana的技术改造银行业务系统,这笔合作有望让估值约15亿美元的公司一年内盈利。

Jones多次表达对单纯「scaling」的怀疑。2026年3月,他在银行业内部活动中说,当下AI研究面临尴尬:投资和人才涌入,理论上应催生更多突破,但实际留给研究者「自由摸索」的空间被压缩。他提到,Sakana内部保留部分「没有KPI」的研究自由度,因为下一个突破可能来自这种不计后果的长线投入——这也是当年谷歌大脑孕育出Transformer的方式。

他还说过:要让新架构取代Transformer,必须「明显地、毫无疑问地更好」。

Aidan N. Gomez

Gomez是八位作者中年纪最小的。论文发表时,他是谷歌大脑20岁的本科实习生,在多伦多大学读计算机和数学双学位。

按论文作者贡献说明,他和Łukasz Kaiser搭建tensor2tensor框架的各个模块,替换早期代码库,提升了实验结果和研究效率。他回忆:「我只想搞清楚注意力机制,没想到它会成为『万物的架构』。」论文发表后,他去牛津大学读博士,中途暂停学业创业,2024年正式拿到博士学位。

2019年,Gomez和Ivan Zhang、Nick Frosst创办Cohere,定位为企业级AI服务商,避开消费级聊天机器人的烧钱竞赛,主打数据隐私、本地化部署和多语言能力,客户多为大型企业和各国政府。2023年,Gomez入选《时代周刊》AI领域百大影响力人物,他和联合创始人获《麦考林》杂志AI趋势先锋榜首位;2025年4月,他入选电动车公司Rivian的董事会。

这种「不性感」的打法让公司财务数据良好:截至2026年中,Cohere年化经常性收入超2亿美元,过去一年增长6倍,毛利率约70%,累计融资近17亿美元,估值约70亿美元;2025年8月,公司请来曾参与Uber上市的Francois Chadwick担任首位CFO,员工二级市场卖出股份的窗口已开放一轮,Gomez多次表示IPO「快了」,但公司仍未向监管机构提交招股书。

Gomez越来越像地缘政治意义上的AI发言人。本周,他在《财富》杂志撰文,呼吁各国重视「数字主权」问题,提到Anthropic模型访问权限收紧事件,警告各国不能把未来「租」给少数科技巨头,要建立多元生态,让各国依赖不同AI供应商,保有自己的价值观、语言和法律体系。

他还表示,外界对「AI末日」风险的担忧被夸大,他更担心虚假信息在社交媒体上被自动化放大。Gomez如今关注的不仅是模型本身,还有谁有资格决定全球使用的AI。

Łukasz Kaiser

Kaiser是波兰人,最初学术训练集中在逻辑学、自动机理论、算法模型论和博弈论等理论计算机科学方向:他在弗罗茨瓦夫大学获得数学和计算机科学双硕士学位,在德国亚琛工业大学完成博士学业,随后在法国国家科学研究中心(CNRS)和巴黎七大拥有终身教职,专注于逻辑学和自动机理论的纯理论研究。后来他转向应用,在谷歌大脑工作近八年,期间是TensorFlow的合著者之一,与Samy Bengio合作发表「主动记忆能否取代注意力」的早期论文,与Ilya Sutskever合作发表「神经GPU学习算法」。

按论文作者贡献说明,他和Aidan N. Gomez搭建tensor2tensor框架,提升了实验结果和研究效率。

八位作者中,他是唯一未创业、始终在大型实验室做纯研究的人。2021年他加入OpenAI,当时ChatGPT还未面世。在OpenAI,他参与Codex的研发(后来成为GitHub Copilot的技术基础)以及配套的HumanEval编程基准,也参与GSM8K数学题数据集的研究,这项工作展示了「让模型多算、多采样」可提升准确率,是后来推理模型范式的雏形。

他还是GPT - 4技术报告的署名作者之一,成为OpenAI首个推理模型o1(2024年9月发布)的核心贡献者,被认为是「研究负责人」级别的角色,此后参与o3及更新的推理范式,直到如今的GPT - 5系列。

他最近在Matt Turck主持的MAD Podcast上谈到,Transformer已被数学证明可解决任何问题,只要允许模型生成足够多的中间推理步骤。这是对九年前那篇论文的更精确注解。

Illia Polosukhin

Polosukhin来自乌克兰哈尔科夫,本科学应用数学,是国际大学生程序设计竞赛(ICPC)冠军选手。他回忆,十岁看《黑客帝国》后,就对人工智能产生浓厚兴趣。2014年,他加入谷歌,参与TensorFlow相关研究,也从事机器阅读理解和问答系统方面的研究。

按论文作者贡献说明,他与Ashish Vaswani一起设计并实现最初的Transformer模型,负责验证架构在机器翻译任务上的有效性。

论文发表后,2017年他离开谷歌,与Alexander Skidanov共同创办人工智能公司NEAR.AI。不久他们发现,做去中心化基础设施更有趣,于是2018年前后公司转型为区块链项目NEAR Protocol。NEAR采用Nightshade分片技术,通过Aurora提供与以太坊兼容的二层网络,2020年主网正式上线,已从a16z、Coinbase、老虎环球基金、Hashed、Dragonfly Capital等机构融资超5.3亿美元。

如今的Polosukhin试图融合自己的两个身份:2026年3月,他表示「区块链未来的用户将是AI智能体,而非人类」,将NEAR定位为智能体经济的「结算层」。同年4月,他呼吁建立更完善的监管框架应对自主AI智能体,认为现有机构和制度未准备好处理责任归属和系统性风险问题,呼吁建立清晰的问责机制和「人在回路」式的监督。

他目前常驻葡萄牙。能同时拥有「写了奠基性LLM论文」和「经营市值数十亿美元区块链公司」两个身份的人,全世界可能只有他一个。

八条路,继续探索

2024年3月,英伟达GTC大会上,八位作者中的七位(Niki Parmar因故缺席)首次以群体身份亮相,接受黄仁勋访谈。黄仁勋说:「我们今天享受的一切,都能追溯到那一刻。」对话结束时,他给每人送上一块刻着「你们改变了世界(You transformed the world)」的英伟达DGX - 1超算签名纪念牌。同年11月,日本NEC C&C;基金会将当年的C&C;奖颁给「Transformer团队」,与他们同台领奖的是三位研究跨洋海底光缆传输技术的资深工程师。不同领域的基础设施建设者,被放在同一个奖项里。

九年过去,这八条人生轨迹已分散到几乎不会相交的地方:硅谷的企业服务赛道,东京的演化算法实验室,柏林的分子生物学公司,葡萄牙的区块链协议,以及本周仍在变动的几家头部AI实验室。

但如果把他们的话放在一起,会发现一个共同观点:没有人认为Transformer是终点。Aidan N. Gomez说世界需要更好的架构;Llion Jones认为新架构必须「明显地、毫无疑问地更好」才能取代Transformer;Łukasz Kaiser用数学语言探索这套九年前诞生的架构能将人类带多远。

这或许是论文留下的最持久遗产:八位作者虽散落各地,但都未停止寻找下一个答案。

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

无人机路径规划中多种优化算法的仿真研究(Matlab代码实现)

内容概要:本文围绕无人机三维路径规划问题,系统研究了多种智能优化算法在复杂环境下的仿真应用与性能对比,重点实现了改进灰狼优化算法(I-GWO)、标准灰狼优化算法(GWO)、金鹰优化算法(GJO)和正弦余弦算法(SCA)的Matlab代码实现。通过构建包含路径长度、飞行高度、威胁规避及转弯角度等多维度目标函数的综合评价体系,对各算法在单无人机路径优化与多无人机协同集群避障场景中的表现进行全面仿真分析,评估其路径规划能力、收敛速度与鲁棒性。研究旨在实现最低综合成本的飞行路径,并为多智能体协同任务提供可靠的算法支撑。; 适合人群:具备一定Matlab编程基础,从事无人机系统设计、智能优化算法研究、路径规划及相关自动化、人工智能领域的科研人员、工程技术人员及研究生。; 使用场景及目标:① 掌握主流智能优化算法在三维空间路径规划中的具体建模与实现方法;② 对比分析不同算法在路径优化质量、计算效率、避障能力和多目标权衡方面的性能差异;③ 为多无人机协同执行侦察、监测、救援等任务提供高效的路径规划解决方案与仿真验证平台。; 阅读建议:建议结合文中提供的Matlab代码进行动手实践,重点关注算法参数调优、目标函数设计以及环境障碍物建模对最终路径的影响,可进一步扩展至动态障碍环境或加入通信约束以适应更复杂的实际应用场景。

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书

内容概要:本文档《超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书》系统阐述了全桥LLC谐振变换器在开关电源中的设计方法,重点利用Mathcad工具进行精确的数学建模与参数计算。内容涵盖LLC谐振变换器的工作原理、关键参数设计(如谐振频率、励磁电感、变比等)、闭环控制策略、软开关实现条件、效率优化及工程实践中需注意的关键事项。文档通过详尽的数学推导和工程实例,构建了一套完整的从理论分析到实际应用的设计流程,特别强调了在不同负载与输入电压条件下确保ZVS/ZCS软开关的实现机制,并提供了实际设计中的取值依据与优化方向,为电力电子工程师提供了一个高效、可靠的设计参考方案。; 适合人群:具备电力电子技术基础,从事开关电源研发的工程师、高校电力电子及相关专业的研究生与科研人员,以及熟悉Mathcad、Simulink等仿真与计算工具的技术人员;; 使用场景及目标:① 掌握全桥LLC谐振变换器的参数设计与性能优化方法;② 开发高效率、高功率密度的软开关电源系统;③ 支持科研项目或工业产品中高性能电源模块的设计与验证;④ 结合仿真模型进行设计结果的验证与教学培训;; 阅读建议:建议结合配套的仿真模型与计算书同步学习,重点关注参数设计公式的推导过程与工程取值的合理性,动手复现计算步骤以加深理解,并通过仿真手段验证设计结果的准确性与鲁棒性。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

具有PWM控制VSC-HVDC链路的IEEE30总线传输系统(Simulink仿真实现)

内容概要:本文详细介绍了基于Simulink仿真实现的具有PWM控制VSC-HVDC链路的IEEE30总线传输系统,系统性地阐述了电压源换流器高压直流输电(VSC-HVDC)的技术原理及其在复杂电力系统中的集成应用。研究重点涵盖VSC-HVDC系统的基本结构、PWM调制控制策略的设计与实现,并将其嵌入IEEE30节点标准测试系统中,构建完整的多区域交直流混合输电仿真模型。通过Simulink平台对系统在不同运行工况下的动态响应进行仿真分析,验证了PWM控制在有功功率、无功功率独立调节、直流电压稳定及故障穿越能力方面的有效性。该仿真模型不仅有助于深入理解现代高压直流输电技术的工作机制,也为含大规模可再生能源接入的智能电网稳定性分析与优化控制提供了可靠的技术支撑与研究平台。; 适合人群:具备电力系统分析、高压直流输电技术基础以及Simulink/MATLAB仿真能力的研究生、科研人员及从事电力系统规划与运行的工程技术人员。; 使用场景及目标:① 掌握VSC-HVDC系统的核心控制原理及其在多节点电网中的建模方法;② 学习并实践基于PWM调制的矢量控制策略在Simulink中的实现过程;③ 对比分析交直流系统在稳态与暂态过程中的功率传输特性与动态响应,为新能源并网、电网互联等实际工程问题提供仿真依据和技术参考。; 阅读建议:建议读者结合文中理论分析与Simulink仿真模型,逐步完成模型搭建与参数设置,并通过改变系统运行条件(如负载投切、故障扰动等)观察系统响应变化,深入理解控制策略的有效性与局限性。同时,鼓励扩展模型功能,如引入风电/光伏等可再生能源接口,进一步探索VSC-HVDC在现代电力系统中的综合应用潜力。

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

【有功-无功协调优化】基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化研究(Matlab代码实现)

内容概要:本文研究了基于改进多目标粒子群优化算法(小生境粒子群算法)的配电网有功-无功协调优化问题,旨在通过Matlab代码实现该算法以提升配电网的运行效率与稳定性。文中详细阐述了小生境粒子群算法的改进策略,该策略通过引入小生境技术增强算法的全局搜索能力和种群多样性,有效避免了早熟收敛问题。研究构建了一个综合考虑有功功率与无功功率协调控制的多目标优化模型,其目标函数涵盖了网损最小化、电压质量最优化以及设备运行成本最低化等关键指标,并设置了必要的等式与不等式约束以确保系统安全稳定运行。通过对典型配电网系统的仿真测试,验证了所提方法在降低网络损耗、改善电压分布、提高供电可靠性方面的有效性与优越性,为现代主动配电网的优化运行提供了新的技术路径。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于高校或研究院所中关于智能电网、分布式电源接入、微电网控制等相关课题的研究;②为电力公司提供配电网优化运行的技术支持,特别是在含有大量分布式电源接入的情况下,如何有效地进行有功-无功协调控制;③作为教学案例用于讲授先进优化算法在电力系统中的实际应用。; 阅读建议:建议读者在学习过程中结合Matlab代码仔细分析算法的具体实现细节,注意理解小生境技术如何影响粒子群的行为,同时应关注多目标优化问题的求解过程及其结果解释,以便更好地掌握该方法的核心思想和技术要点。

九个版本一步跨:从JDK8到JDK17的特性增量、强封装迁移与ZGC实战解析

这篇文章要回答的,正是“从 JDK 8 直接跨到 JDK 17”这件事里最常被问到的四个问题: 九个版本到底攒下了什么? 语言、API、运行时三类变化里,哪些值得用、各自从哪个版本开始可用、哪些说法其实传错了。 升级为什么会“起不来”或“跑不通”? 强封装、被删除的模块、被移除的 JVM 参数,分别会以什么样子出现,怎么定位、怎么治本。 ZGC 的收益是真的吗?怎么测才算数? 停顿影响面怎么估算,压测时有哪些坑会把收益放大或掩盖。 落地要分几步走? 站在 2026 年,还该不该把 17 当终点。

上一篇: DeepSeek大规模招人,中国AI进入造富新阶段,普通人创业窗口已打开!
下一篇: Opus 4.8 二次诊断 MRI 结果与医生诊断大不同,该信谁?
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值