机器人路径规划是机器人领域的核心研究方向之一，旨在为机器人在复杂环境中寻找一条从起点到目标点的无碰撞最优路径。

深度学习预测模型的性能高度依赖超参数的合理配置，传统超参数选择方法（如网格搜索、随机搜索）存在效率低下、易陷入局部最优、泛化能力不足等问题，难以满足复杂场景下的预测需求。针对这一痛点，本文提出一种基于鲸鱼优化算法（Whale Optimization Algorithm, WOA）优化卷积神经网络-长短期记忆网络（CNN-LSTM）混合预测模型超参数的方法，构建WOA-CNN-LSTM预测模型。首

负荷预测是能源系统规划、调度与运行优化的核心基础，精准的负荷预测能够为电力系统峰谷调节、新能源消纳、电网安全稳定运行提供可靠决策依据，对提升能源利用效率、降低运行成本具有重要现实意义。随着能源互联网的快速发展，负荷影响因素日益多元化，除传统的时间、温度因素外，湿度、风速、节假日、经济活动、能源价格等多种变量均会对负荷产生显著影响，单一变量预测模型已难以满足复杂场景下的预测精度需求，多变量负荷预测成

本文针对多微网主体能源共享中的利益分配不均、分布式协同调度效率低、可再生能源消纳不足等核心问题，复现了基于纳什博弈与交替方向乘子法（ADMM）的多微网能源共享优化模型。首先，构建多微网主体能源共享框架，明确各微网作为独立博弈参与者的利益诉求，引入纳什博弈理论刻画微网间能源交易的非合作博弈过程，通过纳什均衡实现各主体利益最大化与系统整体效益的平衡；其次，考虑多微网能源共享中的功率平衡、储能约束、传输

随着高比例可再生能源（风电、光伏等）大规模并网，电力系统惯量下降、峰谷差扩大，传统调峰、调频手段已难以满足系统安全稳定运行需求。储能系统凭借毫秒级响应速度、双向功率调节能力及高循环效率，成为解决上述问题的核心技术之一。本文聚焦SCI论文中电力系统储能调峰、调频模型的复现研究，系统梳理模型的理论基础、核心假设、建模流程、求解算法及仿真验证方法，明确复现过程中的关键难点与解决方案，确保复现结果的准确性

针对传统扰动观察法（P&O）在独立光伏系统（含电池站）中存在的跟踪精度低、稳态振荡大及动态响应滞后问题，提出一种改进的适应性步长 P&O 最大功率点跟踪（MPPT）方法。通过引入光伏阵列输出功率变化率与电池荷电状态（SOC）双因子动态调节步长，结合滞环比较机制抑制稳态波动，构建含 Boost 变换器与双向 DC-DC 电池充放电控制器的系统仿真模型。基于 MATLAB/Simulink 平台，在标

长短期记忆网络（LSTM）作为一种特殊的循环神经网络（RNN），凭借其卓越的序列建模能力，在时间序列预测领域取得了显著的成果。然而，传统的LSTM模型在面对复杂且非线性时间序列时，往往会遇到参数寻优困难，导致预测精度下降的问题。为解决这一难题，本文将探讨一种基于麻雀搜索算法（Sparrow Search Algorithm，SSA）优化的LSTM模型，即SSA-LSTM，旨在提升LSTM模型的预测

核极限学习机 (Kernel Extreme Learning Machine, KELM) 是一种高效的单隐层前馈神经网络，在回归预测领域展现出良好的性能。然而，KELM 的性能对核函数参数的选择非常敏感，而传统的参数寻优方法往往耗时且容易陷入局部最优。本文提出一种基于水循环算法 (Water Cycle Algorithm, WCA) 优化 KELM 的回归预测模型 (WCA-KELM)。该模

核密度估计（Kernel Density Estimation, KDE）作为一种非参数统计方法，在数据生成领域展现出独特的潜力和价值。它摆脱了传统参数模型对数据分布的先验假设，能够从有限的观测样本中逼真地重构出潜在的数据分布，为数据生成任务提供了灵活且强大的工具。KDE的基本思想是通过核函数将每个数据点的影响力“平滑”地扩展到其邻域，然后将这些平滑后的影响叠加起来，从而估计出整体的概率密度函数。

近年来，随着大数据时代的到来，数据规模呈爆炸式增长，其中包含着丰富的信息和潜在的价值。如何有效地从海量数据中提取有用的信息，并进行精准的分类预测，成为一个重要的研究课题。在众多机器学习算法中，循环神经网络（RecurrentNeuralNetwork,RNN）因其处理序列数据的能力而备受关注。然而，传统的RNN存在梯度消失和爆炸问题，限制了其在长序列数据上的应用效果。