二维栅格地图路径规划是机器人导航、游戏智能体控制等领域的核心问题。传统路径规划算法在处理复杂动态环境时存在局限性，而深度强化学习为解决该问题提供了新思路。本文提出基于深度确定性策略梯度（DDPG）算法的路径规划方法，通过构建Actor-Critic神经网络架构，结合经验回放和目标网络技术，在连续动作空间中实现高效路径搜索。实验结果表明，该方法在复杂栅格环境中展现出更强的环境适应性和路径优化能力，相

CNN是一种深度学习模型，擅长提取图像和时间序列数据中的局部特征信息。在风电功率预测中，CNN用于提取风电功率数据的空间特征，如风速变化趋势、季节性变化等。通过滑动窗口和池化层，CNN能够捕捉数据中的局部特征，并减少数据维度。

随着风力发电的大规模并网，风能的间歇性和波动性带来的问题凸显，对风电场发电功率进行准确预测，将不确定的风电转变为可调度的友好型电源，是提高风力发电市场竞争力的有效方式［1-2］。面向日前电力平衡的风电场短期功率预测方法主要有基于学习算法的统计方法［3-4］和基于求解大气运动方程的物理方法［5-7］ 两大类。神经网络法、时间序列法、卡尔曼滤波法等统计方法能够自发地适应不同的风电场特征，具有计算速度快

鳑鲏鱼优化算法（BFO）是一种受自然启发的群智能优化算法，由Lida Zareian等人于2024年提出。该算法灵感来源于鳑鲏鱼独特的繁殖机制，特别是它们在寻找合适的产卵壳（如牡蛎）时的行为。在BFO算法中，每个解决方案都被视为一条鳑鲏鱼或一个鱼卵，通过模拟鳑鲏鱼的交配、繁殖和竞争行为来寻找最优解。

本文聚焦于二维栅格地图路径规划问题，深入探讨深度Q学习（DQN）算法在该领域的应用及神经网络优化策略。通过构建基于DQN的路径规划模型，结合经验回放、目标网络等关键技术，有效解决了传统路径规划算法在复杂环境中的局限性。实验结果表明，优化后的DQN模型在路径规划效率、准确性和适应性方面均表现出显著优势，为智能机器人在复杂环境中的自主导航提供了理论支持与实践参考。

基于元模型的优化算法是一种基于历史数据来驱动样本点的加入从而逼近局部或全局最优解的优化机制，能够改善传统启发式智能算法需要繁复数值模拟的缺陷，目前在飞行器设计等航空航天领域的应用[20]最为广泛，在电力系统方面也有初步的应用。提出基于 Kriging 元模型的博弈均衡算法，在求解过程中建立 Kriging 元模型替代 VPP 内部的能量管理模型，利用粒子群优化算法搜索优异采样点，更新修正 Krig

蒙特卡洛方法是一种基于随机抽样的数值计算方法，通过多次随机抽样来估计系统的行为，从而得到系统的统计性质。在风光模型中，蒙特卡洛方法可以用来模拟风速、风向和太阳光照的变化，进而评估风力和太阳能系统在不同条件下的性能。

该文提出多微电网并网系统租赁共享储能组成微电网联盟参与配电网调峰调度的优化调度策略，促进储能高效应用和新能源就地消纳，实现多主体利益共赢。以配电网为主体，以微电网联盟和共享储能运营商为从体，构建一主多从博弈优化模型。主体制定分时电价实施调峰调度，达到效益最大。从体响应分时电价，实施两阶段优化，第一阶段优化储能应用：各微电网优化储能充放电策略以平抑功率波动，使负荷均方差最小和储能成本最小，并按需租赁

VMD-CNN-LSTM模型是一种结合了变分模态分解(VMD)、卷积神经网络(CNN)和长短时记忆网络(LSTM)的混合预测模型。数据预处理：收集历史电力负荷数据，并进行必要的清洗和规范化处理，以消除异常值和噪声。VMD分解：利用VMD技术对预处理后的负荷数据进行分解，将其分解为多个固有模式函数(IMF)。每个IMF分量代表原始信号中不同频率的成分，有助于分离噪声和信号，并揭示隐藏在复杂负荷数据中

文献来源：摘要：热电联产（CHP）机组的利用是提高可再生能源适应能力的关键途径。然而，热电联产的碳排放对综合能源系统（IES）的污染和经济优化提出了挑战。为了应对这一挑战，我们提出了一种基于电转气（P2G）和碳捕集系统（CCS）的热电联产新模型和优化调度，通过IES中的最优调度解决了P2G所需的碳源和热电联产的碳排放问题。该模型将CHP，P2G和CCS作为一个整体系统。建立了模型的运行规律，分析了