在复杂系统的控制领域，准确的预测对于实现高效、稳定的控制至关重要。极限学习机（ELM）作为一种快速且有效的神经网络学习算法，在预测任务中展现出良好的性能。然而，ELM 的性能很大程度上依赖于其初始参数的选择。粒子群优化（PSO）算法能够通过群体智能搜索来优化这些参数，但传统 PSO 在处理复杂问题时可能陷入局部最优。多智能体粒子群优化（MAPSO）算法在 PSO 基础上引入多智能体系统的概念，增强

在复杂系统的控制领域，准确的预测对于实现高效、稳定的控制至关重要。极限学习机（ELM）作为一种快速且有效的神经网络学习算法，在预测任务中展现出良好的性能。然而，ELM 的性能很大程度上依赖于其初始参数的选择。粒子群优化（PSO）算法能够通过群体智能搜索来优化这些参数，但传统 PSO 在处理复杂问题时可能陷入局部最优。多智能体粒子群优化（MAPSO）算法在 PSO 基础上引入多智能体系统的概念，增强

这个项目是关于利用MATLAB平台对具有6自由度（DOF）手臂、6自由度腿部和2自由度颈部的人形机器人进行编程。该研究涵盖了包括正运动学和逆运动学、步态生成、速度控制、路径规划和轨迹生成在内的各个方面。在整个项目过程中，我们实施和评估了不同的算法和技术，以实现机器人的精确和高效运动。这项研究的成果有助于人形机器人编程的进展，并支持智能和有能力的人形机器人在各种应用中的发展。人形机器人一直是科技领域

随着分布式能源的广泛应用和电力市场的发展，虚拟电厂（VPP）作为一种新型的电力系统组织形式，在提高能源利用效率、促进可再生能源消纳等方面发挥着重要作用。在多虚拟电厂的环境下，动态定价和能量管理是实现系统优化运行的关键问题。主从博弈模型能够有效描述虚拟电厂与电网之间以及虚拟电厂相互之间的决策关系。而元模型优化算法可以在复杂的解空间中高效地寻找最优解，为解决多虚拟电厂的动态定价和能量管理问题提供了有力

在远程太空探索中，多智能体系统常用于执行复杂任务，如太空船的交会与维修。这些任务通常包含多个子任务，需要合理分配给不同的智能体，以实现高效、可靠的操作。基于共识的捆绑算法（CBBA）作为一种有效的多智能体任务分配方法，能够在分布式环境下实现任务的合理分配，提升系统的整体性能。本文将探讨如何运用 CBBA 解决远程太空船交会和维修的 RPO（Resource - Process - Object，资

Hammerstein 系统作为一类重要的非线性系统，由一个静态非线性环节和一个线性动态环节串联组成，广泛存在于化工、电力、机械等众多实际工程领域。传统的基于模型的控制方法在处理 Hammerstein 系统时，需要精确的系统数学模型，但实际中获取精确模型往往具有挑战性。数据驱动控制方法直接利用系统输入输出数据进行控制器设计，避免了复杂的建模过程，为 Hammerstein 系统的控制提供了新途径

随着工业自动化程度的不断提高，设备运行状态监测和故障诊断变得尤为重要。门控循环单元（GRU）作为一种循环神经网络，在时间序列数据分析方面表现出色，被广泛应用于故障诊断领域。然而，GRU模型的性能受初始参数设置和训练过程的影响，难以在复杂工业环境中取得最佳诊断效果。为此，本文提出了一种基于花朵授粉优化算法（FPA）优化GRU门控单元实现故障诊断的方法。该方法利用FPA的全局搜索能力，对GRU模型的关

在许多实际工程系统中，如智能材料驱动系统（如压电陶瓷、形状记忆合金等）、电机控制系统等，迟滞现象广泛存在。迟滞特性表现为系统的输出不仅取决于当前输入，还与输入的历史路径有关，这种特性使得系统的建模和控制变得复杂。经典 Prandtl - Ishlinskii（PI）迟滞模型是描述迟滞现象的一种常用且有效的模型。为了准确应用该模型，需要对其参数进行辨识。粒子群优化（PSO）算法作为一种高效的智能优化

在电力负荷预测（如风速、温度、历史负荷多变量关联）、交通流量预测（车流量、降雨量、时段特征耦合）、工业过程监控（温度、压力、流量时序联动）等场景中，多变量时序数据存在 “短期波动剧烈、长期依赖复杂、特征耦合度高” 三大难点。传统单模型（如 GRU、CNN）面临双重局限：一是 CNN 虽擅长提取局部时序特征（如短期负荷峰值），却难以捕捉长周期依赖；二是 GRU 虽能建模长期关联，却对局部关键特征（如

该系统以EKF为数据融合核心，以编码器里程计提供运动先验、激光雷达提供环境观测，在已知地标（如预设的二维码、柱体等）的环境中，通过 “预测 - 更新” 循环实现定位与建图。状态向量定义EKF 两大核心步骤预测步（基于编码器里程计）：根据机器人上一时刻状态和编码器输出的运动增量（如轮速、位移），通过运动模型预测当前时刻的状态估计值和协方差矩阵，初步估计机器人位姿。更新步（基于激光雷达）