本研究针对数据挖掘与机器学习中高维数据特征冗余、计算复杂等问题，提出基于二进制多邻域人工蜂群算法（Binary Multi - Neighborhood Artificial Bee Colony Algorithm，BMNABC）的特征选择方法。通过构建二进制编码方案描述特征子集，设计多邻域搜索策略增强算法全局与局部搜索能力，结合适应度函数评估特征子集优劣。

本研究针对柔性车间调度中任务分配、机器选择和工序排序的复杂性与动态性，提出基于多动作深度强化学习的柔性车间调度方法。通过构建适合柔性车间调度场景的状态空间、动作空间和奖励函数，结合深度神经网络强大的函数逼近能力，让智能体在复杂环境中学习最优调度策略。实验结果表明，该方法相较于传统调度算法和单一动作强化学习方法，能有效提高车间生产效率，降低最大完工时间，为柔性车间高效调度提供了新途径。关键词多动作深

本研究鉴于风电功率预测的复杂性与不确定性，提出基于北方苍鹰算法优化卷积神经网络 - 双向门控循环单元 - 注意力机制（CNN-BiGRU-Attention）的风电功率预测模型。借助北方苍鹰算法对 CNN-BiGRU-Attention 模型参数进行寻优，充分融合 CNN 的局部特征提取、BiGRU 的时序信息处理及 Attention 对关键特征聚焦的优势，结合多源数据开展预测。实验表明，该模型

随着电力系统的智能化发展，准确的电力负荷预测对电网的安全稳定运行和经济调度至关重要。本文提出一种基于 Mealpy 库优化的 CNN-BiLSTM-Attention 模型，用于电力负荷预测。通过 Mealpy 库中的智能优化算法对 CNN-BiLSTM-Attention 模型的超参数进行优化，充分发挥卷积神经网络（CNN）提取空间特征、双向长短期记忆网络（BiLSTM）捕捉时间序列双向信息以及

共享单车作为一种新兴的城市出行方式，以其便捷、环保、经济等特点，在全球范围内迅速发展。共享单车的普及，在一定程度上缓解了城市交通拥堵问题，也为市民提供了多样化的出行选择。然而，共享单车运营过程中也面临着诸多挑战，其中之一便是车辆的合理调度与投放。准确预测共享单车租赁需求，对于优化车辆资源配置、提高运营效率、降低运营成本具有重要意义。本文旨在探讨基于BP神经网络的共享单车租赁预测方法。BP神经网络作

在现代生活与工业生产中，类噪声环境声音广泛存在，如交通噪声、工业机械运转声等。准确识别这些声音对于环境监测、故障诊断、安防预警等领域具有重要意义。然而，类噪声环境声音具有成分复杂、特征多变、易受干扰等特点，传统声学识别方法在处理此类声音时面临诸多挑战。人工神经网络凭借强大的非线性映射能力和自学习能力，为类噪声环境声音的准确识别提供了新的解决方案。本文将详细探讨基于人工神经网络的类噪声环境声音声学识

潮流计算是电力系统运行、规划和控制中的基础且关键的环节。传统的潮流计算方法，如牛顿-拉夫逊法和高斯-赛德尔法，在处理大规模复杂电力系统时面临收敛性差、计算效率低等问题。近年来，随着人工智能技术的快速发展，启发式优化算法，特别是遗传算法（GA）和粒子群算法（PSO），被引入到潮流计算领域。本文旨在深入比较这两种算法在电力系统潮流计算中的应用、性能及其优缺点。通过理论分析和仿真实验，探讨GA和PSO在

随着全球能源消耗的持续增长和电力系统复杂性的日益提升，准确的电力负荷预测对于保障电网稳定运行、优化能源调度、提升经济效益具有不可替代的重要性。传统的负荷预测方法，如统计模型和浅层机器学习模型，在处理电力负荷数据所固有的非线性、时变性和高噪声等复杂特征时面临挑战。近年来，深度学习技术在处理序列数据方面展现出卓越的性能，其中，由Google在2017年提出的Transformer模型以其独特的自注意力

随着全球能源转型和可持续发展理念的深入，风力发电作为一种清洁、可再生的能源形式，其在电力系统中的比重日益增长。然而，风电的间歇性和波动性给电网的稳定运行带来了挑战。精准的风电功率预测是保障电网安全、优化电力调度、提升风电消纳能力的关键。本文聚焦于风电功率预测领域，提出了一种基于时间卷积网络（TCN）、门控循环单元（GRU）和自注意力机制（Attention）的混合深度学习模型（TCN-GRU-At

工业生产中，空压机作为核心动力源，其能耗占据着举足轻重的地位。精确预测空压机的负荷，对于优化能源管理、提高运行效率、降低生产成本具有重要意义。本文深入探讨了基于前馈神经网络（FFNN）模型的空压机负荷预测方法。首先，分析了影响空压机负荷的关键因素，包括环境温度、湿度、生产需求、设备运行状态等。其次，详细阐述了FFNN模型的原理、结构以及在负荷预测中的应用优势。接着，构建了基于FFNN的空压机负荷预