擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

该框架的核心是构建一个全局决策网络，其输入为整个种群的实时状态（包括粒子位置分布、适应值梯度和环境变化检测信号），隐藏层通过聚类算法划分子群，每个子群中心代表一个局部搜索方向，输出层决策每个粒子的两个关键动作：一是选择学习目标（子群中心或全局最优），二是调整加速系数以平衡勘探与开发。在CEC2017测试集的30个函数上的实验显示，该算法在保持搜索多样性的同时，提高了全局最优解的发现概率，相较于标准

移动机器人的关键技术是路径规划。路径规划技术要求移动机器人在存在障碍物的环境中，能够感知周围事物，并收集信息作为信源，从起始点到目标点，规划出一条不发生碰撞且线路最优的路径。因此。如何使移动机器人在不同的环境下，自主避开障碍物的同时，能够省时高效的到达目标点，是目前机器人自主导航路径规划的研究热点和重要问题。 基于深度强化学习 DRL 的机器人决策控制是人工智能时代下的产物，是机器人自主移动研究中

将网约车的运营过程建模为马尔可夫决策过程，提出了基于强化学习的针对单辆网约车进行空车调度的 Q-Net 模型，并在后续扩展得到解决多辆网约车调度问题的 PRI-AC 模型，通过优化网约车的长期收益得到最佳调度策略。基于重庆网约车轨迹数据集实现了单辆网约车调度与多辆网约车调度的模拟环境实现智能体与环境的交互，通过仿真实验与基线算法在相同初始环境下进行对比实验证明了本文所提出算法的有效性。在单辆网约车

车道保持是实现车道保持的基本任务，对车辆车道保持进行研究具有一定的学术意义和工程价值。当前的车道保持算法都是基于两段法实现，a 对车道线进行识别，b 通过控制算法计算获得车辆的控制量，且该方法比较死板，算法没有足够的自学性能。深度学习拥有强大的拟合性能，强化学习则是让智能体在环境中进行试错尝试，根据环境给予的反馈来学习自己的策略，深度强化学习同时拥有强大的拟合性能和自学性能。在强化学习中，智能体（

针对配电网集中式调控问题维数高、实时性不足的问题，本文提出了一种基于云边协同架构的配电网无功-电压就地控制框架，并在此框架下建立了分区两阶段的无功-电压优化模型。接着，利用基于数学模型的方法求解慢时间尺度的日前调控问题，并基于多智能体强化学习方法完成实时日内调度。其次，提出了强化学习经验增强方法，并结合注意力机制提出一种新型的多智能体深度强化学习算法，有效缓解了多数强化学习方法经验采样效率低、数据

为提高算法的可靠性与安全性，本文在解耦系统模型和不确定量实现过程的基础上，利用数据驱动的主动配电网潮流模型实现深度强化学习算法中的探索与试错过程。此外，本文还提出了一种改进的值迭代算法，通过引入阶段性并行时差参数更新和目标策略平滑正则化等方法，提升了算法的稳定性和运行效率，同时实现了对连续与离散变量的联合优化处理。该模型与算法的结合使得主动配电网在面对不确定的负荷和发电情况时，能够更加灵活、高效地

这种方法的优势在于，它能够根据不同工况下的数据特性自动调整融合权重，从而在噪声干扰和数据不平衡的条件下都能保持良好的诊断性能。大量实验验证表明，与单独使用某一传感器相比，多传感器融合方法在准确率和F1值指标上均有显著提升，特别是在存在外部噪声干扰的情况下，融合方法的抗干扰能力表现得更加突出。实验结果表明，相比传统的融合方法，改进后的自适应融合网络在同等条件下展现出更强的抗噪声能力，且在处理不平衡数

在校准好的仿真模型上,我们系统地注入了内泄漏增大、阀芯卡滞、油液污染、密封件失效等十余种典型故障类型,通过改变故障严重程度、运行工况以及外部负载等参数,生成了一个涵盖多类型、多等级、多工况的故障样本数据库。尽管AMESim仿真模型能够生成大量带有精确标签的故障样本,但仿真信号与真实工况下的实测信号之间仍然存在着不可忽视的分布差异,直接将仿真域训练好的模型部署到真实压力机会出现明显的诊断性能衰减。在

信号预处理层完成数据清洗、异常值剔除、归一化以及前述的特征灰度图转换等工作。在前端的特征提取阶段,网络包含三条并行的卷积支路,每条支路采用不同尺寸的卷积核分别捕获细粒度局部特征、中等粒度区域特征以及大粒度全局特征,三条支路的输出经过通道维度拼接后形成多尺度融合特征图。与传统CNN将分类任务交由全连接层完成不同,我们将多尺度卷积之后的特征向量作为极限学习机的输入,极限学习机的输入层到隐藏层之间采用随