焊接作为现代工业制造中金属材料连接的核心工艺，广泛应用于汽车制造、航空航天、能源化工、船舶工程等关键领域，其质量直接决定了工程结构的安全性、可靠性与使用寿命。在焊接过程中，受材料特性、工艺参数波动、环境干扰等多重因素影响，极易产生气孔、夹渣、未熔合、裂纹、未焊透等各类内部及表面缺陷。这些缺陷若未能及时识别与处理，会逐渐演变为应力集中点，在服役过程中可能引发结构失效，甚至导致灾难性安全事故。因此，对

风电作为一种重要的可再生能源，其功率预测对于电力系统的稳定运行、电力调度以及能源管理至关重要。然而，风电功率受到多种复杂因素的影响，如风速、风向、温度、气压等，具有高度的波动性和不确定性。传统的预测方法在处理这些复杂的非线性关系时存在一定局限性。近年来，融合多种智能算法和深度学习模型的方法逐渐成为研究热点。本文将介绍基于非洲秃鹫优化算法（AVOA）优化卷积神经网络（CNN）、长短期记忆网络（LST

负荷预测在电力系统的规划、运行和管理中起着关键作用。准确的负荷预测有助于优化发电计划、合理分配电力资源以及提高电网运行的稳定性和经济性。传统的负荷预测方法在处理复杂的负荷变化模式时存在局限性，而基于机器学习的方法展现出了强大的潜力。极限学习机（ELM）作为一种快速且有效的单隐层前馈神经网络，但其随机生成的输入权重和偏置可能导致预测性能的不稳定。本文提出利用凌日优化算法（TSOA）对 ELM 进行优

在现代控制系统中，多输入多输出（MIMO）线性系统广泛应用于航空航天、工业生产、机器人技术等众多领域。对这类系统进行准确评估并设计有效的反馈控制策略，对于实现系统的高性能运行至关重要。本文将深入探讨 MIMO 线性系统的评估方法以及反馈设计技术。

同时定位与地图构建（SLAM）是移动机器人领域的关键技术，扩展卡尔曼滤波器（EKF）常被用于解决 SLAM 问题。然而，基于 EKF 的 SLAM 系统中存在不一致性问题，影响其定位和建图的准确性。从可观测性角度深入分析这一问题，有助于理解系统状态可观测性与不一致性之间的关系，为改进基于 EKF 的 SLAM 算法提供理论依据。本文将详细阐述相关概念，并探讨基于可观测性分析解决不一致性问题的方法。

随着电子商务的蓬勃发展和城市物流需求的日益增长，传统物流模式面临着诸多挑战，如交通拥堵、配送成本高昂以及配送效率低下等。无人机（Unmanned Aerial Vehicle, UAV）凭借其灵活、高效、低成本等优势，被认为是解决“最后一公里”物流配送难题的有效方案。然而，如何在复杂多变的环境下，为无人机规划出最优的物流配送路径，成为无人机物流应用的关键问题之一。本文将探讨基于Q-learning

远程太空船交会和维修（Rendezvous, Proximity Operations, and Docking/Repair，简称 RPO）任务是航天领域中极具挑战性的复杂作业，涉及多智能体（如维修机器人、协同观测卫星）在太空环境中完成目标识别、轨道机动、设备维修等一系列协同操作。这类任务的核心难点在于多智能体与多任务之间的动态匹配 —— 需在满足任务时间窗口、能源约束、轨道安全性等严苛条件的前

时间序列预测在金融、气象、能源等多个领域都具有重要的应用价值。传统的时间序列模型，如自回归移动平均（ARMA）模型及其变种，通常基于线性假设，难以捕捉时间序列中的非线性特征和波动性。为了克服这些局限性，本文提出了一种基于广义自回归条件异方差（GARCH）模型与长短期记忆（LSTM）神经网络的混合方法，用于时间序列预测研究。该方法首先利用GARCH模型对时间序列的波动性进行建模，提取残差序列，然后将

股票市场以其高收益性与高风险性并存的特点，长期以来吸引着大量投资者。然而，股票价格的波动受到多种复杂因素的影响，如宏观经济形势、行业发展趋势、公司盈利能力、投资者情绪以及突发事件等。传统的预测方法往往难以捕捉这些因素之间的非线性关系，导致预测精度较低。近年来，深度学习技术在处理时间序列数据方面展现出强大的能力。

电力现货市场是电力系统运行的重要组成部分，其价格波动对电力生产商、消费者和整个电力市场都具有深远的影响。准确、高效地建模和预测电力现货价格，有助于市场参与者做出更优的决策，提高市场运行效率，保障电力系统的稳定可靠。本文深入探讨了电力现货价格的特性，并回顾了现有的建模和预测方法。在此基础上，重点分析了传统统计方法、机器学习方法以及混合方法在电力现货价格预测中的应用，并提出了未来研究方向的展望，旨在为