在热力学研究领域，传统的基于物理定律和经验公式的方法在面对复杂系统时逐渐显露出局限性。随着数据科学的发展，利用数据分析方法来构建和理解热力学系统成为新的研究方向。带有异次变量的分数阶自回归模型（Fractional Autoregressive Model with Heterogeneous Variables，FAR - HV）为这一研究提供了一种创新的视角，它能够捕捉热力学数据中的长记忆性和

中压电缆作为电力传输的重要组成部分，其运行可靠性直接关系到电网的稳定供电。局部放电是中压电缆绝缘老化的重要表现形式，对其进行有效监测和分析能提前发现潜在故障隐患。建立准确的局部放电传输模型，有助于深入理解局部放电信号在电缆中的传播特性，为故障诊断和定位提供坚实的理论基础。中压电缆在长期运行过程中，由于绝缘材料的缺陷、电场分布不均匀、机械应力等因素，会导致局部区域的电场强度超过绝缘材料的击穿场强，从

在现代电力系统中，配电网作为连接发电与用电的关键环节，其运行的可靠性和经济性至关重要。然而，配电网故障难以避免，故障发生后进行快速有效的故障重构，能够迅速恢复供电，降低停电损失，优化网络运行。基于遗传算法的方法为配电网故障重构提供了一种高效的解决方案，尤其在经典的 IEEE33 节点配电网模型中展现出独特优势。配电网故障重构主要有两个关键目标。一是恢复尽可能多的失电负荷，最大程度降低停电对用户的影

在当今无人机应用日益广泛的背景下，无人机在复杂三维环境中的避障和路径规划成为关键技术挑战。基于 Q - Learning 强化学习算法的路径规划方法为解决这一问题提供了创新且有效的途径。该方法通过构建复杂环境模型、精心设计奖励函数、运用特定训练策略以及独特的路径提取方法，使无人机能够在充满静态和动态障碍物的三维空间中自主规划安全且经济的飞行路径。

在当今以电池为核心能源的众多设备与系统中，从便携式电子设备到电动汽车，再到大规模储能电站，准确估计电池的健康状态（SOH）至关重要。它不仅关系到设备的性能与可靠性，还影响着设备的使用寿命与安全性。极限学习机（ELM）作为一种高效的机器学习算法，在电池 SOH 估计中展现出一定潜力。然而，为进一步提升其性能，结合鲸鱼优化算法（WOA）对 ELM 进行改进，形成 WOA - ELM 模型，为更精准的电

在数据驱动的预测领域，多变量回归预测旨在通过多个输入变量预测单个输出变量，这在金融市场预测、气候预测、工业过程监控等众多场景中具有重要应用。长短期记忆网络（LSTM）因其对时间序列数据中长短期依赖关系的有效捕捉能力而被广泛应用。卷积神经网络（CNN）则擅长提取数据的局部特征。将两者结合形成的 CNN - LSTM 模型，兼具了两者的优势。此外，引入黑翅鸢算法（BKA）对 CNN - LSTM 进行

在智能交通与自动驾驶领域，车辆路径跟踪技术至关重要。精确跟踪预定轨迹不仅能提高行车安全性，还能优化交通流量，提升出行效率。模糊预测控制（MPC）融合了模糊逻辑与预测控制的优势，为车辆路径跟踪提供了一种强大且灵活的解决方案。通过预测车辆未来状态并结合模糊推理进行实时控制，可有效应对车辆行驶中的不确定性与复杂性，实现高精度的路径跟踪。

湍流是自然界和工程领域中普遍存在的复杂流动现象，对其进行准确模拟和分析对于理解物理过程、优化工程设计至关重要。然而，直接数值模拟（DNS）湍流需要巨大的计算资源，在实际应用中往往难以实现。因此，发展高效的降阶模型成为湍流研究的重要方向。基于 Koopman 理论与谱模型降阶思想的数据驱动降阶模型，为解决这一难题提供了新的途径。构建观测函数：选择合适的观测函数 φ(x)，例如速度分量、涡量等物理量的

适配不同检测目的的路径生成：所提出的算法能够针对不同的检测目的（基于不同检测距离需求），生成适宜的检测路径，例如用于裂缝检测和摄影测量的路径。这意味着该算法具备灵活性，可根据实际检测任务的特点，生成满足特定需求的无人机飞行路径，以获取最有效的检测数据。优化路径的性能提升：与传统方法相比，所提出的优化方法生成的可行检测路径在总转弯角度和加速度方面有显著改善。通过在优化目标中纳入转弯角度，有助于提高检

边坡稳定性预测在土木工程、地质工程等领域至关重要，准确的预测有助于预防滑坡等地质灾害，保障工程安全与人员生命财产。BP 神经网络作为一种常用的非线性预测模型，在边坡稳定性预测中得到广泛应用。然而，BP 神经网络的初始权值和阈值随机设定，易导致收敛速度慢、陷入局部最优等问题，影响预测精度。Q 学习作为强化学习的经典算法，能够通过与环境交互不断学习最优策略。将 Q 学习应用于 BP 神经网络的权值和阈