路径规划作为机器人导航、智能交通及游戏AI等领域的核心技术问题，其算法性能直接影响系统的效率与可靠性。本文以六边形网格结构为研究对象，系统对比了A算法、遗传算法、蚁群优化算法及元胞自动机算法在四组不同规模和复杂度场景下的路径规划性能。通过设计10×10、20×20、30×30及50×50网格的测试场景，从路径长度、计算时间、节点探索数量、成功率及路径质量等维度进行定量分析。实验结果表明，A算法在综

水下图像因光线吸收、散射及水体介质特性，普遍存在色彩失真、对比度低及细节模糊等问题。本文提出一种融合局部颜色映射与颜色迁移的水下图像增强方法，通过构建基于水体光学特性的局部颜色校正模型，结合迁移学习技术实现跨场景颜色适配。实验表明，该方法在自然与工业水下环境中可有效恢复图像真实色彩，提升对比度并抑制噪声，在目标检测、图像分割等任务中表现优于传统方法。

随着高比例可再生能源接入电网，电力系统灵活性不足的问题日益凸显。可再生能源与可控分布式资源可通过虚拟电厂进行聚合管理，在一定程度上缓解对灵活性的需求。尽管新建储能系统可弥补灵活性缺口，但其初始投资成本高昂。为此，本文提出一种基于碳配额与价格联动的燃煤机组租赁机制，向虚拟电厂出让燃煤机组使用权。随后，利用不同需求响应策略调控多类用户的可控负荷，为虚拟电厂提供可控资源。此外，为保证虚拟电厂运营商实现最

在能源和人工智能领域具有重要意义。LSTM（长短期记忆网络）作为一种特殊的循环神经网络（RNN），通过引入门结构解决了传统RNN中的“长期依赖”问题，从而能够有效捕捉时间序列数据中的长期依赖关系和时序特征，这对于风电功率预测尤为关键。

实验采用公开的多模态MRI影像数据集，如BRATS数据集，该数据集包含了多种模态的MRI影像（T1、T1c、T2、FLAIR）以及对应的脑肿瘤标注信息。将数据集划分为训练集、验证集和测试集，以保证实验结果的客观性和可靠性。

结构灵活性：支持交流、直流或混合组网，通过公共耦合点实现功率交互，可脱离主电网独立运行。技术优势提高可再生能源渗透率，减少弃风弃光现象。通过能量互济提升供电可靠性，例如在配电网故障时提供恢复服务。控制架构集中式分层控制：依赖能量管理系统（EMS）进行全局调度，但对通信能力要求高。分布式多代理控制：通过智能体（Agent）自主决策，降低对中心节点的依赖。非对称纳什谈判理论为多微网电能共享提供了兼顾效

随着全球能源结构转型和智能电网技术发展，能源市场呈现高度动态化与不确定性特征。传统基于规则的交易策略难以适应复杂市场环境，而Q-learning算法凭借其无模型学习、动态适应性和鲁棒性优势，成为优化能源交易决策的重要工具。本文系统阐述Q-learning算法原理，构建面向能源市场的马尔可夫决策过程（MDP）模型，通过仿真实验验证其在电力交易、微电网运营等场景中的效益优化能力，并提出深度强化学习、多

KTM-DMOEA（Dynamic Multiobjective Evolutionary Optimization via Knowledge Transfer and Maintenance）是一种基于知识转移和维护功能的动态多目标进化算法。该算法通过结合知识转移预测（KTP）和知识维护采样（KMS）策略，能够在新环境中生成高质量的初始种群，从而缓解负迁移问题，提高算法的整体性能。知识转移预测

多无人机协同追捕-逃逸问题属于多智能体动态博弈领域，具有军事防御、边境巡逻、灾难救援等应用场景。传统集中式控制依赖全局信息，存在通信延迟、单点故障等问题。分散式策略通过局部感知与自主决策，可提升系统鲁棒性与适应性。

受无人机在商业领域应用的影响，多无人机（MultiUAV）路径规划已引发广泛关注。然而，当前的研究往往未能全面考量这一复杂问题中固有的现实约束条件。本报告研究了在城市环境中执行导航任务的智能体的高效路径规划问题。每个智能体均承担配送任务，需先移动至起始点，再前往后续目标位置，同时要绕过障碍物并避免与其他智能体发生碰撞。