全内反射（Total Internal Reflection, TIR）是光在两种不同折射率介质分界面上的特殊传播现象，广泛存在于光纤通信、棱镜分光、全反射棱镜等核心光学器件中。其本质是当光从光密介质（高折射率n1）射向光疏介质（低折射率n2），且入射角大于临界角θc时，光不再发生折射，而是全部反射回光密介质，仅在光疏介质中产生倏逝波（Evanescent Wave）。传统理论分析虽能推导全内反射

CO₂气载分数（Airborne Fraction, AF）是衡量人类活动排放的 CO₂在大气中留存比例的关键指标，其计算公式为大气 CO₂浓度年增量与人为 CO₂排放量的比值。准确估计 AF 对于理解碳循环反馈机制、评估气候政策效果具有重要意义。然而，AF 的回归估计面临两大挑战：一是零排放量场景（如自然源与人为源抵消时）的数据处理，二是统计精度的提升（受测量误差、自然变率等因素影响）。本文围绕

摘要：本文聚焦于基于极限学习机（Extreme Learning Machine, ELM）的DC-DC转换器建模研究。通过文献检索与筛选，综合分析了该领域的研究重点、方法及进展。研究发现，ELM凭借其快速学习能力和良好的泛化性能，在DC-DC转换器建模中展现出独特优势，为电力电子系统的高效设计与控制提供了新思路。关键词：极限学习机；DC-DC转换器；建模；电力系统。

摘要：本文聚焦于2020年发表于IEEE Transactions on Cybernetics（SCI一区TOP期刊）的三重存档粒子群算法（TAPSO），通过系统梳理其理论框架、技术实现及实验验证，揭示该算法在解决复杂优化问题中平衡探索与开发能力的创新机制。结合相关领域研究进展，分析TAPSO在范例选择、模型自适应及计算效率提升方面的核心贡献，并探讨其未来发展方向。关键词：三重存档粒子群算法；T

在多输入单输出的回归预测任务中，如电力负荷预测、产品质量参数预测等，输入特征往往具有显著的时序特性，且变量间的动态关联复杂。长短期记忆网络（LSTM）通过特殊的门控机制有效解决了传统循环神经网络（RNN）的梯度消失问题，能够捕捉时序数据中的长期依赖关系，在时序回归预测中表现优异。然而，LSTM 模型的 “黑箱” 特性使得其预测结果缺乏可解释性，难以满足实际应用中对决策依据透明化的需求。

多智能体强化学习（Multi - Agent Reinforcement Learning，MARL）作为强化学习领域的重要分支，近年来在学术界和工业界都吸引了广泛的关注。它旨在研究多个智能体在共享环境中如何通过相互作用和学习来优化各自的策略，以实现共同的目标或最大化自身的收益。多智能体强化学习的发展历程可以追溯到上世纪 80 年代，随着计算机技术和人工智能理论的不断进步，其理论框架和算法体系逐渐

一、极限学习机（ELM）的核心特性与传统训练局限极限学习机（Extreme Learning Machine, ELM）作为单隐层前馈神经网络（SLFNs）的改进算法，凭借 “随机初始化输入层 - 隐层权重与偏置、解析求解输出层权重” 的特性，大幅提升了神经网络的训练效率，在数据回归预测（如负荷预测、环境参数预测、工业质量预测）中广泛应用。然而，传统 ELM 的随机初始化机制导致其在回归精度与稳定

一、引言：时间序列预测的挑战与模型优化需求在电力负荷预测、交通流量预估、大宗商品价格走势分析等时间序列场景中，数据往往呈现非线性、强时序依赖、动态波动性三大特征 —— 例如，城市早高峰交通流量受天气、节假日、突发事故等多因素影响，传统时序模型（如 ARIMA）难以捕捉复杂关联，预测精度受限。长短期记忆神经网络（LSTM）凭借门控机制（输入门、遗忘门、输出门）解决了传统 RNN 的 “梯度消失” 问

一、引言随着无人机技术在物流配送、城市巡检、应急救援等领域的规模化应用，城市场景下的路径规划成为决定无人机任务效率与飞行安全的核心环节。与开阔的野外环境不同，城市空间存在密集的建筑物群、复杂的电磁干扰、动态的交通流以及明确的禁飞区域，同时无人机需满足飞行高度限制（通常低于 120 米）、续航约束（单次飞行时间 30-60 分钟）与避障要求，这些因素使三维路径规划面临严峻挑战。

认知无线电网络（Cognitive Radio Network, CRN）通过动态频谱接入技术，允许次级用户（Secondary User, SU）在不干扰主用户（Primary User, PU）的前提下共享授权频谱，有效缓解了频谱资源稀缺问题。然而，SU 之间的异步接入、信道特性时变以及 PU 突发活动等因素，易导致共信道干扰和交叉信道干扰，严重影响网络吞吐量和通信质量。传统干扰控制方法（如功