在复杂系统的控制领域，准确的预测对于实现高效、稳定的控制至关重要。极限学习机（ELM）作为一种快速且有效的神经网络学习算法，在预测任务中展现出良好的性能。然而，ELM 的性能很大程度上依赖于其初始参数的选择。粒子群优化（PSO）算法能够通过群体智能搜索来优化这些参数，但传统 PSO 在处理复杂问题时可能陷入局部最优。多智能体粒子群优化（MAPSO）算法在 PSO 基础上引入多智能体系统的概念，增强

在复杂系统的控制领域，准确的预测对于实现高效、稳定的控制至关重要。极限学习机（ELM）作为一种快速且有效的神经网络学习算法，在预测任务中展现出良好的性能。然而，ELM 的性能很大程度上依赖于其初始参数的选择。粒子群优化（PSO）算法能够通过群体智能搜索来优化这些参数，但传统 PSO 在处理复杂问题时可能陷入局部最优。多智能体粒子群优化（MAPSO）算法在 PSO 基础上引入多智能体系统的概念，增强

随着分布式能源的广泛应用和电力市场的发展，虚拟电厂（VPP）作为一种新型的电力系统组织形式，在提高能源利用效率、促进可再生能源消纳等方面发挥着重要作用。在多虚拟电厂的环境下，动态定价和能量管理是实现系统优化运行的关键问题。主从博弈模型能够有效描述虚拟电厂与电网之间以及虚拟电厂相互之间的决策关系。而元模型优化算法可以在复杂的解空间中高效地寻找最优解，为解决多虚拟电厂的动态定价和能量管理问题提供了有力

在远程太空探索中，多智能体系统常用于执行复杂任务，如太空船的交会与维修。这些任务通常包含多个子任务，需要合理分配给不同的智能体，以实现高效、可靠的操作。基于共识的捆绑算法（CBBA）作为一种有效的多智能体任务分配方法，能够在分布式环境下实现任务的合理分配，提升系统的整体性能。本文将探讨如何运用 CBBA 解决远程太空船交会和维修的 RPO（Resource - Process - Object，资

随着分布式能源的广泛应用和电力市场的发展，虚拟电厂（VPP）作为一种新型的电力系统组织形式，在提高能源利用效率、促进可再生能源消纳等方面发挥着重要作用。在多虚拟电厂的环境下，动态定价和能量管理是实现系统优化运行的关键问题。主从博弈模型能够有效描述虚拟电厂与电网之间以及虚拟电厂相互之间的决策关系。而元模型优化算法可以在复杂的解空间中高效地寻找最优解，为解决多虚拟电厂的动态定价和能量管理问题提供了有力

在远程太空探索中，多智能体系统常用于执行复杂任务，如太空船的交会与维修。这些任务通常包含多个子任务，需要合理分配给不同的智能体，以实现高效、可靠的操作。基于共识的捆绑算法（CBBA）作为一种有效的多智能体任务分配方法，能够在分布式环境下实现任务的合理分配，提升系统的整体性能。本文将探讨如何运用 CBBA 解决远程太空船交会和维修的 RPO（Resource - Process - Object，资

在数据分析领域，变量选择和模型稀疏性问题至关重要。LASSO（Least Absolute Shrinkage and Selection Operator，最小绝对收缩和选择算子）作为一种强大的回归分析方法，通过在目标函数中添加 L1 正则化项，能够实现变量选择和参数估计的同时进行，使得估计的模型具有稀疏性。然而，直接求解 LASSO 优化问题可能面临计算复杂度较高的挑战。交替方向乘子法（ADM

汽车传动系统对于车辆性能起着关键作用，其中扭转振动可能导致零部件疲劳损坏、降低驾乘舒适性等问题。三自由度汽车传动系统扭转模型能够有效反映传动系统的动力学特性。离合器作为传动系统的重要部件，其刚度对系统扭转振动模态有着重要影响。通过对三自由度汽车传动系统扭转系统进行模态分析，研究离合器刚度效应，有助于优化传动系统设计，提升汽车整体性能。模态是结构系统的固有振动特性，每一个模态具有特定的固有频率、阻尼

在许多实际工程系统中，如智能材料驱动系统（如压电陶瓷、形状记忆合金等）、电机控制系统等，迟滞现象广泛存在。迟滞特性表现为系统的输出不仅取决于当前输入，还与输入的历史路径有关，这种特性使得系统的建模和控制变得复杂。经典 Prandtl - Ishlinskii（PI）迟滞模型是描述迟滞现象的一种常用且有效的模型。为了准确应用该模型，需要对其参数进行辨识。粒子群优化（PSO）算法作为一种高效的智能优化

Hammerstein 系统作为一类重要的非线性系统，由一个静态非线性环节和一个线性动态环节串联组成，广泛存在于化工、电力、机械等众多实际工程领域。传统的基于模型的控制方法在处理 Hammerstein 系统时，需要精确的系统数学模型，但实际中获取精确模型往往具有挑战性。数据驱动控制方法直接利用系统输入输出数据进行控制器设计，避免了复杂的建模过程，为 Hammerstein 系统的控制提供了新途径