污染物排放对环境造成负面影响，而可再生能源的不稳定性则威胁着微电网的安全运行。为了在保障电力供应可靠性的同时实现环境和经济目标的平衡，本文提出了一种动态分类麻雀搜索算法（DSSA），用于解决孤立微电网中的经济环境调度问题。DSSA采用精英opposition-Chebyshev初始化策略，优化初始解的多样性和均匀性。受因材施教理念启发，DSSA将麻雀种群动态划分为三个组，并为每个组采用不同策略，从

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

优化工业信息集成是发挥工业4.0潜力的基础，推动基于数据的决策，以提高运营效率、降低成本，并增强现代工业环境中的竞争力。在这一过程中，无人机（UAV）路径规划扮演着至关重要的角色，它支持高效、可靠的数据收集与传输，从而为智能决策提供基础。本文提出了增强霜冰优化算法（IRIME），IRIME通过霜晶扩散机制提高初始种群的多样性，通过高空凝结策略提升全局搜索能力，通过格子编织策略避免过早收敛。

在现代工业中，柔性制造系统发挥着不可或缺的作用，而地图建模的精度与连通性对提升AGV运输系统的效率与灵活性至关重要。针对实际制造环境中面临的空间限制、设备故障以及突发任务变更等挑战，本文提出了一种基于六边形网格地图建模的创新型AGV路径规划方法，该方法通过以六边形网格替代传统的方形网格，显著提升了路径规划的连通性、采样频率与安全性。本研究还将改进的蚁群算法与六边形网格地图结合应用于AGV路径规划，

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。

本文介绍进化计算领域张青富教授提出的基于分解的多目标进化算法(MOEA/D)，该论文发表于《IEEE Transactions on evolutionary computation》，引用9k+（高被引论文~）。分解是传统多目标优化中的一种基本策略，但它尚未广泛应用于多目标进化优化。本文提出了一种基于分解的多目标进化算法（MOEA/D），该算法将一个多目标优化问题分解为多个标量优化子问题，并同时

鹦鹉特点是群体内的密切交流，包括飞向鸟群和不飞向鸟群的沟通。2024年，J Lian等人受到鹦鹉学习行为启发，提出了鹦鹉优化算法（Parrot Optimizer, PO）。PO灵感来自于在驯养的鹦鹉中观察到的觅食、停留、交流和对陌生人的恐惧行为。Xbest最优鹦鹉位置，Xmean种群鹦鹉平均位置。

本文提出了一种新型的自然启发元启发式算法——真菌生长优化算法（FGO），灵感来源于真菌在自然界中的生长行为。真菌的生长行为包括菌丝生长、分枝和孢子萌发，菌丝生长行为模拟了菌丝的扩展和趋化性，能够精确探索搜索空间，并有效地发现和利用富含营养的区域，避免了局部最优解的停滞和收敛速度过慢的问题。分枝行为则模拟了新菌丝从现有菌丝侧面生长，探索周围区域寻找更多资源，增强了算法的探索能力。孢子萌发行为则代表了

同时，算法通过权重来模拟粘菌在觅食过程中产生的正反馈，从而形成三种不同的形态类型。当各种食物源的质量不同时，粘菌可以选择浓度最高的食物源。当食物源的质量很高时，粘菌将采用局部搜索方法，从而将搜索集中在已发现的食物源上。当食物浓度较低时，该区域的权重将减少，从而转而探索其他区域。2020年，Li等人受到自然界黏菌觅食行为启发，提出了黏菌算法(Slime Mould Algorithm，SMA)。这里

2017年，Tanyildizi等人受到正弦函数单位圆内扫描启发，提出了黄金正弦算法（Golden Sine Algorithm, GSA）。GSA来源于正弦函数单位圆内扫描类似于待优化问题解的空间搜索，并通过黄金分割率缩小搜索空间以逼近算法最优解。