BP神经网络（Backpropagation Neural Network）是一种机器学习算法，其通过反向传播算法来训练网络，使其能够学习输入数据的模式并进行预测或分类任务。BP神经网络通常包括输入层、隐藏层和输出层，并使用反向传播算法来调整网络中的权重，以最小化预测结果与实际结果之间的误差。BP神经网络可以被归类为一种监督学习算法，用于解决各种机器学习问题，如回归、分类等。

李雅普诺夫指数表征了一个系统随着时间运动发生改变的程度，当指数小于 0，说明运动系统体积缩小，系统趋于稳定；当 m=1 时， t 分布即是柯西分布， m 趋于无穷， t 分布即是高斯分布。因此自适应 t 分布变异扰动因子具有柯西、高斯分布两种特性，使得蜣螂算法在迭代前期具有较好的全局开发能力，在迭代后期具有良好的局部探索能力，并提高算法的收敛速度。智能算法，论文复现，算法应用（机器学习、二维&三维

样本特征24，标签类别4。

当 α 接近于 0 时，表示算法在学习过程中高度依赖历史状态信息，而对于获得的即时奖励给予较小的重视。Q-table 意图如图所示，表格中每一行代表一个状态空间，每一列对应智能体可以执行的动作，每一对状态和动作对应的内容为Q(s,a)。Q-learning 算法使用 Q 值来表示在某个状态下采取某个动作所能获得的长期回报，通过不断地更新 Q 值，找到最优的Q 值和策略。2.将已知状态下的 Q 值记

温度变化会直接影响小龙虾的行为，当温度超过30摄氏度时，它们更喜欢寻找凉爽的地方。在适宜的温度下（15摄氏度到30摄氏度），小龙虾会增加觅食活动，而最佳温度是25摄氏度。在避暑阶段，小龙虾的目标是靠近洞穴，这代表了最优解。它们会朝着洞穴靠近，使得个体更接近最优解，增强了COA的开发能力，从而使算法收敛更快。在竞争阶段，小龙虾相互竞争，小龙虾Xi根据另一只小龙虾的位置Xz调整自己的位置，扩大了COA

本文提出了一种融合深度强化学习的在线学习差分进化算法（OLDE），用于高效求解复杂优化问题。OLDE采用双重深度Q网络（Double DQN）维护神经网络模型，依据搜索历史动态选择参数自适应方法，并智能控制种群的变异与交叉操作，有效提升算法的自适应性和搜索效率。OLDE实时收集搜索过程中的历史数据，用作模型训练数据，使算法具备持续学习与策略优化的能力，适应不同阶段的搜索需求。并且，设计了长期策略以

海洋阻尼器的机械性能通常具有高度非线性，以适应动态和冲击环境。阻尼器经过动态和冲击测试，发现其滞回曲线具有速率依赖性且呈非对称性。为了能够描述动态滞回和冲击滞回，基于广义Prandtl-Ishlinskii（GPI）模型提出了一种速率依赖广义Prandtl-Ishlinskii（RDGPI）模型，该模型是GPI模型与径向基函数（RBF）神经网络的混合体。由于模型参数众多，为了提升参数识别效果，本文

蜣螂优化算法是一种群体智能优化算法，具有较强的优化能力和快速收敛性，但容易在优化过程后期陷入局部最优解。本文提出了一种量子计算和多策略混合的蜣螂优化算法（QHDBO），QHDBO通过佳点集初始化种群，动态平衡机制，量子t分布变异策略增强DBO算法，可以避免算法陷入局部最优解。

深度信念网络（Deep Belief Networks, DBNs）是由Geoffrey Hinton于2006年提出的一种经典深度生成模型，它通过将多个受限玻尔兹曼机（RBM）单元堆叠在一起进行训练。RBM是一种无向的生成式能量模型，具有可见输入层和隐藏层，层与层之间有连接，但同一层内的单元之间没有连接。DBN从下到上分别将每层信念网络当做RBF进行训练，然后固定当前层权值，取样当前层的隐层作为

为：以起点作为初始节点，搜索初始节点旁 8 个邻域，并通过启发函数评估后选择代价最小的节点，然后搜索这个节点的 8 个邻域，选择下一个代价最小的节点，重复上述步骤，直到选择的节点与目标点重合，将这些代价最小的节点连接起来就得到一条最优路径。其中， f(n)为n节点的总代价值， g(n)代表从n节点到初始节点的最短路径代价值， h(n)代表从n节点到目标节点代价的估计值。A* 算法是一种基于传统图搜