在资产配置与风险管理领域，投资组合模型的选择直接决定了风险收益平衡效果。本文聚焦CVaR（条件风险价值）最优投资组合、均值 - 方差投资组合、全局最小方差（GMVP）投资组合及市场投资组合四大核心模型，从理论基础、风险度量逻辑、实际应用场景等维度展开全方位对比，为投资决策提供参考。一、四大模型核心原理与数学表达二、模型选择的核心影响因素与实践建议（一）核心影响因素投资者风险偏好：保守型（风险容忍度

随着人工智能与自主系统技术的飞速发展，多智能体系统在智慧城市安防、无人系统监控、公共安全保障等领域的应用日益广泛。城市环境作为典型的动态复杂场景，包含密集建筑遮挡、多变交通流、光照条件波动、道路网络拓扑复杂等特征，给目标追踪任务带来天然挑战。流氓智能体作为具备自主决策能力、可能规避追踪、传播虚假信息或实施破坏行为的异常目标，其在城市中的隐蔽移动进一步加剧了追踪难度——与常规目标不同，流氓智能体可突

多无人机协同追捕-逃逸问题是多智能体动态博弈领域的核心研究方向，在军事防御、边境巡逻、灾难救援、敏感区域安防等场景中具有重要应用价值。传统集中式追捕策略依赖全局信息感知与统一决策调度，虽能实现一定程度的协同，但存在通信延迟、单点故障、抗干扰能力弱等固有缺陷，难以适配复杂动态环境的实际需求。分散式策略通过赋予每架追捕无人机局部感知与自主决策能力，仅依靠邻域信息实现协同追捕，有效弥补了集中式策略的不足

随着电力系统市场化改革的持续深化，市场竞争日趋白热化，传统电力市场决策方法（如线性规划、博弈论等）在应对高维状态空间、连续动作空间以及动态不确定的市场环境时，逐渐显现出决策效率低、适应性差等局限性。电力市场参与者（发电企业、售电公司、虚拟电厂等）需在实时电价波动、负荷变化、竞争对手策略调整等多重约束下，制定最优报价、发电计划或交易策略，以实现利润最大化等核心目标，这一过程亟需具备自学习与自适应能力

非线性动力学系统广泛存在于自然界与工程领域，从流体运动、气候演变到机器人控制、神经元放电，其复杂的非线性特性使得系统行为的预测、分析与控制成为长期以来的科学挑战。传统线性分析方法因无法捕捉非线性本质而失效，而非线性分析方法又普遍面临计算复杂度高、泛化能力弱、难以解析等瓶颈。1931年Bernard Koopman提出的Koopman算子理论，为突破这一困境提供了全新视角——通过将非线性动力学系统提

在工业自动化、智能驾驶、机器人操作等领域，大量动态系统呈现出单输入单输出（SISO）非线性特性，且普遍存在模型未知、参数时变及外部扰动等问题，其轨迹跟踪控制一直是控制理论与工程实践的核心难点。传统控制方法如PID控制、模型预测控制等依赖精确的系统数学模型，在未知非线性系统中难以实现高精度轨迹跟踪；迭代学习控制（ILC）虽能通过重复任务中的误差修正优化控制输入，但对系统模型依赖性较强，面对未知动态特

在数据驱动的智能时代，分类任务作为数据处理与分析的核心环节，广泛应用于故障诊断、信号识别、医疗影像分析、金融风控等诸多领域。随着应用场景的复杂化，原始数据呈现出高维度、非结构化、噪声干扰强等特征，对分类模型的特征提取能力与分类精度提出了更高要求。卷积神经网络（CNN）凭借局部连接、权值共享和空间采样的独特优势，具备强大的自动特征提取能力，能够从原始数据中挖掘深层语义信息，有效避免传统机器学习中复杂

在边缘计算场景中，深度神经网络（DNN）因模型复杂度高、计算开销大的特性，直接在终端设备（如手机、物联网传感器）上运行时，常面临算力不足、能耗过高、延迟超标的问题。计算卸载作为核心解决方案，通过将 DNN 的部分层（如卷积层、全连接层）迁移至边缘节点（如基站、边缘服务器）执行，可平衡终端设备资源消耗与任务处理效率。当前 DNN 卸载策略研究中，传统优化方法（如整数规划、动态规划）虽能理论上求得最优

非线性模型预测控制（Nonlinear Model Predictive Control, NMPC）凭借其对约束条件的灵活处理能力和对复杂非线性系统的优异控制性能，已广泛应用于工业过程、机器人控制、新能源等领域。然而，NMPC的在线求解需面对非线性规划（Nonlinear Programming, NLP）问题的强耦合性、非凸性以及实时性要求等核心挑战，限制了其在高速动态系统中的应用。本文针对N

移动机器人路径规划是机器人自主导航系统的核心关键技术，其目标是在复杂环境中为机器人寻找一条满足安全性、最优性、平滑性等多约束条件的可行路径。蚁群算法作为一种源于自然界生物行为的启发式优化算法，因具有分布式计算、鲁棒性强、易于与其他算法融合等优势，被广泛应用于路径规划领域。然而，传统蚁群算法存在收敛速度慢、易陷入局部最优解、对多约束条件适应性差等缺陷。针对上述问题，本文开展多因素蚁群算法的移动机器人