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

支持向量机（Support Vector Machine，SVM）是一种监督学习算法，用于分类和回归任务。SVM的主要目标是找到一个最佳的超平面，可以将不同类别的样本分开，并且使得两个类别的样本之间的间隔最大化。[1] 史峰, 王辉, 郁磊. MATLAB 智能算法 30 个案例分析[J]. 2011.SVM中参数c 和g是两个重要的超参数，它们分别用于控制。

为了应对暖通空调（HVAC）系统由于不当负荷分配导致的高能源消耗问题，本文提出了一种改进麻雀搜索算法（ISSA）。ISSA算法旨在在满足负载需求的同时，最小化系统的能源消耗，选取每个冷水机组的部分负载率作为优化变量。ISSA算法引入Circle混沌映射以初始化位置，有效提高了初始解的质量和多样性。同时，ISSA算法融合了灰狼优化算法的信息交换加强机制更新生产者位置，并通过混沌正弦余弦更新策略，从而

粒子群算法（PSO）因其高效性被广泛应用于工程优化领域，但现有的许多PSO变体往往采用固定算子，限制了粒子自主学习和智能水平，导致在处理复杂适应度问题时性能受限。本文提出了一种融合强化学习与邻域差分变异策略粒子群算法（NRLPSO），该方法引入了动态振荡惯性权重（DOW）以增强粒子的动态调节能力，并利用基于强化学习的速度向量生成策略（VRL）实现粒子在每轮迭代中自主选择速度更新模型，从而在探索与开

IEEE 国际进化计算大会（IEEE Congress on Evolutionary Computation，IEEE CEC）是进化计算领域中规模最大、影响最重要的会议之一。为了公平评估算法的优化性能，该会议在优化竞赛中提出了单目标实参数数值优化竞赛的问题定义和评估标准。所有新型的进化算法和基于群体的算法都会统一对单目标基准问题进行测试。由现实世界中的优化问题、数学模型或者人工构造的基准问题组

2020年，Afshin Faramarzi等人受到估计动态和平衡状态的控制体积质量平衡模型启发，提出了平衡优化器(Equilibrium Optimizer, EO)。其中，V 为容器的容积，C 为溶液密度，Q 为容量流率，Ceq 表示平衡状态下的浓度，G 为容器内的质量生成速率。EO基于等式(2)进行更新，具体而言，C代表新解，C0代表旧解，Ceq代表当前最优解。为4个体平均值，五者以等概率选

参数 a 为 [−2f, 2f] 之间的随机变量, 假设 a 的值为 [−1, 1] 时猎物停止移动, 此时黑猩猩必须攻击猎物结束捕猎, 因此采取降低 f 值的方式迫使黑猩猩结束捕猎, 黑猩猩的下一个位置可以在当前位置与猎物位置之间的任意位置。开发阶段，黑猩猩进行实际的攻击行为。式中, d(t) 为猎物与黑猩猩之间的距离, t 为当前迭代次数, a、c 为系数向量, m 是由混沌映射产生的混沌向量

是指对已经发现的候选解进行优化，以使其更接近最优解。探索与开发的平衡是智能算法重要因素，它能够在搜索过程中平衡全局搜索和局部搜索。其中，median(xj)表示种群个体j维度上中位数。是指涉及搜索空间的广泛探索，以发现可能的解决方案。其中，Xpl，Xpt分别代表探索与开发。

2023年，J Bai受到双曲正弦余弦函数启发，提出了双曲正弦余弦优化算法（Sinh Cosh optimizer, SCHO）。为了充分利用潜在的搜索空间，SCHO在后期采用了一种类似于动物狩猎的策略，称为有界搜索策略。为了充分利用搜索空间，将开发分为两个阶段，并在整个迭代中进行。其中β控制启动有界搜索策略的值，并设置为1.55。W2控制第二开采阶段的程度。其绝对值在以后的迭代中逐渐增大，开发程