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。

一、研究背景与核心需求（一）传统避障方法的局限性人工势场法（APF）固有缺陷仅依赖 “引力（目标吸引）- 斥力（障碍物排斥）” 模型，易陷入局部最优（如多障碍物包围时 “势场陷阱”），且对动态障碍物适应性差，无法自主学习环境特征。基础 DQN 的不足经验回放采用均匀采样，忽略高价值经验（如接近障碍物的危险状态），导致收敛速度慢；纯强化学习依赖大量试错，初期碰撞率高，不适用于高安全需求场景（如无人机

单文件可完整复现实验，无额外工具箱依赖，仅需基础 MATLAB，一次性生成 5 组仿真对比图表：任务重规划时序曲线（15min 风扰、40min 禁飞区干扰，4 种规划算法对比）并发无人机数量 - 系统延迟曲线（M/M/1 事件驱动排队仿真）误码率 BER - 信噪比 SNR 曲线（BPSK 调制 + 高斯白噪声 + 算法专属干扰）信任安全合规率 vs 环境自适应得分分组柱状图可解释性指标柱状图（

本仓库提供一套可直接运行的 MATLAB 仿真程序，实现。

直流电机（有刷 / 无刷直流电机）具备调速范围宽、响应快、转矩特性好、结构成熟的特点，广泛应用于工业生产线、机器人伺服、AGV 小车、无人机云台、数控机床、电动汽车、精密输送设备等高精度调速场合；转速精准跟踪给定指令、抑制负载扰动、保持稳态误差小、动态响应快、抗干扰能力强、保证系统稳定。经典基础控制架构：传统 PID 闭环转速控制，采用转速传感器（编码器、霍尔传感器）采集实际转速，与参考转速做误差

随着无人机技术的飞速发展，其在民用和军事领域的应用日益广泛。然而，无人机的广泛使用也带来了一系列安全问题，如非法入侵敏感区域、干扰正常活动等。因此，准确地检测和分类无人机变得至关重要。传统的无人机检测与分类方法在面对复杂多变的环境和多样化的无人机类型时，往往存在局限性。基于混合数字信号处理（DSP）和人工智能（AI）的技术为解决这些问题提供了新的途径，能够显著提高无人机雷达检测和分类的准确性与效率

在现代科技的众多领域中，滤波与估计技术犹如精密的 “信息过滤器”，从充满噪声的数据中提炼出关键信息，对目标状态进行精准预测。无论是引导飞行器穿越复杂空域，还是帮助机器人在未知环境中导航，滤波与估计都发挥着举足轻重的作用。本文将深入探索扩展卡尔曼滤波（EKF）、交互式多模型（IMM）平滑器、Hermite 多项式计算、球径向积分法则以及无迹卡尔曼滤波（UKF）等核心技术，揭示它们的奥秘与应用。

摘要电力负荷预测是电力系统安全稳定运行的关键环节，对电网规划、调度运行和电力市场交易等方面具有重要意义。近年来，随着人工智能技术的快速发展，深度学习算法在负荷预测领域得到了广泛应用，取得了较好的效果。本文提出了一种基于狮群优化算法(LSO)、时间卷积网络(TCN)、长短期记忆网络(LSTM)和多头注意力机制的电力负荷预测模型，并使用Matlab进行实现。该模型利用LSO算法优化TCN-LSTM-M

摘要随着人工智能技术的迅速发展，前馈神经网络(FNN)在各个领域得到了广泛应用，特别是在预测方面。然而，传统的FNN模型在优化参数方面存在诸多挑战，容易陷入局部最优解，导致预测精度下降。为了克服这一缺陷，本文提出了一种基于Jaya优化算法的FNN模型(JAYA-FNN)，并使用Matlab代码进行实现。该模型将Jaya算法作为优化器，有效地搜索FNN的最佳权重和偏置，从而提高预测精度。通过在多个数

风电作为一种清洁可再生能源，在全球能源结构中扮演着越来越重要的角色。准确预测风电功率对于电网安全稳定运行和风电场效益最大化至关重要。近年来，随着人工智能技术的不断发展，基于深度学习的风电功率预测方法取得了显著进展。本文针对多变量输入单步预测问题，提出了一种基于霜冰优化算法RIME-CNN-BiLSTM-Attention的风电功率预测模型。