在自动驾驶仿真、竞速游戏 AI、无人车测试等场景中，“赛道环境智能体行驶” 的核心需求是让智能体（如虚拟车辆、无人车模型）在预设赛道内（含直道、弯道、障碍物）自主做出转向、加速、减速等决策，实现 “无碰撞行驶 + 最优路径跟踪”—— 既要避免冲出赛道边界或碰撞障碍，又要尽可能沿赛道中心线行驶以保证行驶效率。传统赛道行驶控制多依赖 “预编程规则”（如固定弯道转向角度、直道匀速策略），但面对复杂赛道（

在自动驾驶仿真、竞速游戏 AI、无人车测试等场景中，“赛道环境智能体行驶” 的核心需求是让智能体（如虚拟车辆、无人车模型）在预设赛道内（含直道、弯道、障碍物）自主做出转向、加速、减速等决策，实现 “无碰撞行驶 + 最优路径跟踪”—— 既要避免冲出赛道边界或碰撞障碍，又要尽可能沿赛道中心线行驶以保证行驶效率。传统赛道行驶控制多依赖 “预编程规则”（如固定弯道转向角度、直道匀速策略），但面对复杂赛道（

在光学研究与工程应用中，双缝干涉是验证光波动性的经典实验，其干涉图案的精准模拟对理解光的传播、衍射及干涉特性具有重要意义。二维有限差分时域（2D-FDTD，Two-Dimensional Finite-Difference Time-Domain）方法作为一种时域数值模拟技术，能直接求解麦克斯韦方程组，动态追踪光场在空间中的传播过程，无需依赖频域近似，可高效还原双缝干涉中 “光场叠加形成明暗条纹”

在人工智能与机器学习领域，BP（反向传播）神经网络凭借其强大的非线性拟合能力，广泛应用于预测、分类、故障诊断等场景。然而，传统 BP 神经网络存在收敛速度慢、易陷入局部最优、对初始参数敏感等固有缺陷，限制了其在复杂任务中的性能。粒子群算法（PSO）作为一种全局启发式优化算法，具有搜索效率高、鲁棒性强、参数设置简单等优势，可针对性解决 BP 网络的核心痛点。本文系统研究 PSO 优化 BP 神经网络

在人工智能与机器学习领域，BP（反向传播）神经网络凭借其强大的非线性拟合能力，广泛应用于预测、分类、故障诊断等场景。然而，传统 BP 神经网络存在收敛速度慢、易陷入局部最优、对初始参数敏感等固有缺陷，限制了其在复杂任务中的性能。粒子群算法（PSO）作为一种全局启发式优化算法，具有搜索效率高、鲁棒性强、参数设置简单等优势，可针对性解决 BP 网络的核心痛点。本文系统研究 PSO 优化 BP 神经网络

强化学习（Reinforcement Learning, RL）作为机器学习的一个重要分支，近年来在人工智能领域取得了显著进展。它通过智能体（agent）与环境（environment）的交互，旨在学习最优策略以最大化累积奖励。其中，Q-Learning作为一种无模型（model-free）的强化学习算法，因其简单性和有效性而受到广泛关注。

强化学习（Reinforcement Learning, RL）作为机器学习的一个重要分支，近年来在人工智能领域取得了显著进展。它通过智能体（agent）与环境（environment）的交互，旨在学习最优策略以最大化累积奖励。其中，Q-Learning作为一种无模型（model-free）的强化学习算法，因其简单性和有效性而受到广泛关注。

强化学习（Reinforcement Learning, RL）作为机器学习的一个重要分支，近年来在人工智能领域取得了显著进展。它通过智能体（agent）与环境（environment）的交互，旨在学习最优策略以最大化累积奖励。其中，Q-Learning作为一种无模型（model-free）的强化学习算法，因其简单性和有效性而受到广泛关注。

强化学习（Reinforcement Learning, RL）作为机器学习的一个重要分支，近年来在人工智能领域取得了显著进展。它通过智能体（agent）与环境（environment）的交互，旨在学习最优策略以最大化累积奖励。其中，Q-Learning作为一种无模型（model-free）的强化学习算法，因其简单性和有效性而受到广泛关注。

偶极天线作为射频通信、雷达探测、无线传感等领域的基础辐射单元，其 3D 辐射特性（如方向图、增益、输入阻抗）直接决定系统通信质量。传统解析方法（如麦克斯韦方程近似解）仅适用于理想对称结构，难以精准描述实际 3D 场景下的边缘效应、馈电干扰与复杂边界影响。时域有限差分法（Finite Difference Time Domain, FDTD）通过 “时域离散 + 空间网格剖分”，直接求解麦克斯韦旋度