本文提出约束迭代LQR（CILQR）算法，解决自动驾驶中非线性系统与复杂约束下的实时运动规划难题。通过将状态和控制约束转化为二次成本项，结合障碍函数与线性化技术，实现高效求解。引入椭圆障碍物模型与多项式参考线，提升避障安全性与轨迹平滑性。仿真验证了算法在静态避障、变道跟车及混合场景中的有效性，计算时间低于0.2秒，具备实时应用潜力。 自动驾驶技术领域内的实时运动规划问题一直是一个研究热点，尤其是在面对非线性系统和复杂的约束条件时，传统的轨迹和采样方法很难满足高度动态环境下的空间和时间规划需求。为了提高计算效率，减少非平滑轨迹的出现，2017年IEEE 20th国际智能交通系统会议上，陈建宇、詹炜和富士重工的富士重工业株式会社提出了一个名为“约束迭代线性二次调节器”（CILQR）的新算法，该算法能够在满足复杂约束的条件下，高效地解决非线性系统的预测性最优控制问题。通过将状态和控制约束转化为二次成本项，并结合障碍函数和线性化技术，CILQR算法实现了运动规划问题的有效求解。陈建宇等人进一步通过引入椭圆障碍物模型和多项式参考线，极大地提升了避障安全性和轨迹的平滑度。仿真测试结果表明，CILQR算法在静态避障、变道跟车以及混合场景中均展现出了高效性和有效性，其计算时间低于0.2秒，展示了良好的实时应用潜力。 为了应对非线性和非凸的碰撞避免约束，CILQR算法在迭代线性二次调节器（ILQR）的基础上进行了改进。ILQR算法是一种高效的预测性最优控制问题求解算法，但它无法处理约束问题。陈建宇等人提出的CILQR算法有效地解决了这一问题，它在考虑非线性车辆运动学模型时，能够处理非凸碰撞避免约束，这些约束包含了非线性等式约束和非凸不等式约束，使得问题解决变得尤为困难和低效。在克服了这一难题后，CILQR算法生成的运动规划结果是连续的、最优的，并且具有空间和时间维度。 在运动规划模块中，CILQR算法能够处理动态变化环境下的非线性和非凸碰撞避免约束，从而在实时应用中保持高效率。陈建宇、詹炜和富士重工的研究成果，对自动驾驶车辆在复杂动态环境中的实时运动规划问题提供了一种新的解决思路。 此研究成果同时表明，陈建宇、詹炜和富士重工的团队通过结合先进的计算方法和数学建模技术，为自动驾驶领域提供了一种在高度动态环境中具有实际应用前景的实时运动规划解决方案。CILQR算法不仅提升了自动驾驶系统的避障安全性和轨迹平滑度，而且显著降低了计算成本，使得该算法在自动驾驶技术的实际应用中具备了更高的可行性。通过仿真验证，证明了CILQR算法在解决自动驾驶中运动规划问题的能力，为后续研究和实际应用奠定了坚实基础。

本期介绍了一种受脑神经科学启发的元启发式算法，称为神经种群动态优化算法Neural population dynamics optimization algorithm(NPDOA)的元启发式算法。该成果于2024年9月最新发表在中科院1区 Top SCI期刊 Knowledge-Based Systems。

【多无人机追捕-逃逸】平面中多追捕者保证实现的分散式追捕-逃逸策略研究（Matlab代码实现）内容概要：本文研究了平面中多追捕者对逃逸者的分散式追捕-逃逸策略，提出了一种能够保证追捕成功的控制算法。该策略基于分布式控制架构，各追捕者仅依赖局部信息进行决策，无需全局通信，增强了系统的可扩展性与鲁棒性。文中建立了追捕-逃逸的动力学模型，设计了相应的控制律，并通过理论分析证明了在特定条件下可实现对逃逸者的有效围捕。同时，借助Matlab进行了仿真实验，验证了所提策略在不同场景下的有效性与稳定性，展示了多无人机协同执行追捕任务的可行性。; 适合人群：具备一定控制理论基础和Matlab编程能力，从事多智能体系统、无人机协同控制、博弈论等相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标：①用于多无人机、多机器人系统在安防监控、目标围捕、应急搜救等场景中的协同控制策略设计；②为研究分布式决策、非完整约束系统控制、对抗性博弈等问题提供算法参考与仿真验证平台； 阅读建议：建议读者结合Matlab代码深入理解算法实现细节，重点关注控制律的设计逻辑与收敛性证明过程，同时可通过调整初始布局、速度参数等开展扩展性仿真试验，以加深对策略性能边界的认识。

随着全球能源结构向可再生能源转型的步伐加快，风力发电作为重要的清洁能源组成部分，其装机容量日益增加。然而风电功率的间歇性、波动性和随机性为电网的稳定运行和调度带来挑战。在此背景下，精确的风电功率预测对于提升风电的消纳能力和保障电网安全运行变得至关重要。研究者们提出了一种基于蜣螂优化算法(DBO)优化的CNN-BiGUR-Attention风电功率预测模型。 在风电功率预测领域，现有的方法可分为物理方法、统计方法和人工智能方法三类。物理方法依赖于气象数据和风机参数，但计算复杂且适应性有限。统计方法通过历史数据建立数学模型，但处理风电功率的非线性和不确定性有限。人工智能方法，尤其是神经网络，因其强大的非线性拟合能力，已成为风电功率预测的主要手段。但是，这些模型也面临模型参数难以优化和易陷入局部最优等问题。 CNN（卷积神经网络）能够通过卷积层和池化层自动提取数据的局部特征，有效捕捉风电功率数据中的短期变化趋势和局部模式。BiGUR（双向门控更新单元）通过双向门控更新单元的改进，增强模型对风电功率时间序列长期依赖关系的学习能力。Attention（注意力机制）能够根据数据的重要程度动态分配权重，提高模型对关键信息的聚焦，从而提升预测准确性。DBO（蜣螂优化算法）则模仿蜣螂的行为进行全局搜索，通过协作与竞争在解空间中寻找最优解，具有强大的全局搜索能力和快速收敛速度。 在模型构建阶段，首先收集历史风电功率数据及相关的气象数据，如风速、风向、温度和气压等。对原始数据进行清洗，去除异常值和缺失值，并通过归一化处理消除数据量纲差异。之后将数据划分为训练集和测试集，用于模型的训练和评估。模型结构上，CNN用于提取数据的局部特征，BiGUR用于学习时间序列的前后向依赖关系，Attention机制根据特征重要性分配权重，最后全连接层输出预测风电功率值。 该研究通过引入DBO算法优化CNN-BiGUR-Attention模型，旨在提高风电功率预测的精度和稳定性，为电网调度和稳定运行提供支持。此外，研究者还提供Matlab代码实现，方便其他研究者进行代码获取、仿真复现和科研仿真工作。 团队擅长在多个科研领域提供MATLAB仿真支持，包括智能优化算法的改进及应用、生产调度、经济调度、各类车辆路径规划和各种资源分配优化问题等。同时，机器学习和深度学习在时序、回归、分类、聚类和降维等方面的应用也被提及。

旗鱼优化算法(Sailfish Optimizer，SFO)是一种新的基于群体的元启发式算法，其主要灵感来自旗鱼，通过模拟旗鱼的狩猎行为。该成果于2019年发表在中科院1区SCI期刊《Engineering Applications of Artificial Intelligence》上，已有250+次引用。

本文基于Matlab平台，围绕热水器温度控制系统的PID控制器设计与仿真展开研究。首先介绍了温度控制在工业生产和日常生活中的重要性，特别是在热水器中的应用需求。文章详细阐述了研究的目的、意义及具体实施方案，包括需求分析、方案选择、系统建模、PID控制器设计、仿真实验和参数优化等环节。研究采用理论分析、仿真实验和实际验证相结合的方法，利用Matlab的Simulink工具搭建仿真模型，通过试凑法、Ziegler-Nichols法和遗传算法等对PID参数进行优化，最终实现了对热水器水温的精准控制，提高了系统的响应速度和稳定性。

内容概要：本文详细介绍了基于多目标粒子群优化（MOPSO）和TOPSIS决策方法，在33节点配电系统中进行储能选址定容的MATLAB实现。首先，通过粒子群算法初始化粒子，定义粒子的速度和位置，其中位置包括发电机出力、储能位置和容量参数。接着，适应度函数用于评估电网脆弱性、网损和储能容量三个目标，采用电压偏移量加权、潮流计算等方式计算适应度。然后，利用拥挤度计算和非支配排序维护外部归档集，确保解集的多样性和分布性。最后，基于信息熵的TOPSIS方法选出最优解。实验结果显示，储能优选在17、29号节点，总容量约为1.2MW，网损降低18%，电压越限次数显著减少。 适合人群：从事电力系统优化研究的技术人员、研究生以及相关领域的研究人员。 使用场景及目标：适用于电力系统储能优化项目，旨在找到储能设备的最佳安装位置和容量配置，以提高电网的稳定性和经济性。 其他说明：文中还讨论了粒子群惯性权重的动态调整、适应度计算的具体实现、拥挤度计算的细节以及TOPSIS方法的应用技巧。此外，作者分享了一些调试经验和踩坑经历，如粒子速度更新的约束处理和初始化策略的选择。

《MadDE-main.zip：探索与应用智能优化算法的宝库》 在当今信息化时代，智能优化算法已经成为解决复杂问题的重要工具。"MadDE-main.zip"这个压缩包文件为我们提供了一个全面的学习平台，聚焦于多种智能优化算法的设计、开发与应用。这个资源库不仅适合初学者入门，也对有一定基础的研究者提供了宝贵的更新资源。 我们来深入了解一下优化算法。优化算法是一种寻找最佳解决方案的技术，广泛应用于工程、经济、计算机科学等多个领域。它旨在通过调整变量，使目标函数达到最优值。在这个压缩包中，重点介绍的是基于MATLAB和C语言实现的优化算法，这两种编程语言因其高效性和灵活性，常被用于科学计算和工程实践。 MATLAB是数学计算的强大工具，其内置的优化工具箱提供了多种经典和现代的优化算法，如梯度下降法、遗传算法、粒子群优化等。"MadDE-main"可能包含了这些工具箱的实例代码，便于用户理解和实现优化问题的求解。对于MATLAB的新手，这将是一次极好的学习机会，可以通过实际操作理解算法的工作原理和性能。 C语言则以其高效和可移植性，常用于编写底层优化算法。尽管C语言没有内置的优化库，但开发者可以自行实现算法，这在一定程度上增加了自由度和灵活性。"MadDE-main"中的C语言代码可能涵盖了从基础的搜索算法到高级的全局优化策略，为程序员提供了丰富的参考和实践素材。 智能优化算法是优化算法的一个重要分支，包括了模仿生物进化过程的遗传算法、模拟群体行为的粒子群优化算法、模拟自然选择的模糊系统等。这些算法通常具有良好的全局搜索能力和适应性，能处理多目标、非线性、约束优化问题。"MadDE-main.zip"中的资源可能详细介绍了这些算法的理论背景、实现步骤以及在实际问题中的应用案例。 在学习和使用这些资源时，你可以从以下几个方面入手： 1. 理论学习：深入理解每种算法的基本概念、工作流程和优缺点。 2. 代码阅读：逐行分析MATLAB和C语言的实现代码，掌握算法的编程技巧。 3. 实例实践：利用提供的示例数据运行代码，观察算法在不同问题上的表现。 4. 扩展应用：尝试将这些算法应用到自己的项目中，解决实际问题。 "MadDE-main.zip"是一个关于智能优化算法的宝贵资源库，无论你是想要提升MATLAB编程技能，还是想深入了解C语言实现的优化算法，都能从中受益匪浅。通过系统地学习和实践，你将能够熟练掌握这些强大的工具，为你的科研或工程工作注入新的活力。

本文介绍了基于梦境优化算法（DOA）的多无人机协同路径规划方法。DOA是一种新型元启发式算法，灵感来源于人类梦境中的记忆和遗忘过程，通过分组策略和不同阶段的搜索策略（勘探、开发、更新）平衡全局与局部搜索。文章详细阐述了DOA的算法原理、流程及数学模型，包括路径最优性、安全性约束（避障）、高度限制和平滑成本计算。同时提供了MATLAB代码实现，支持自定义无人机数量和起始点，适用于空中摄影、测绘等场景。该方法通过优化路径长度、威胁规避和飞行可行性，实现了多无人机的高效协同路径规划。 在无人机技术迅速发展的今天，无人机路径规划成为了研究的重点之一。本文介绍的基于梦境优化算法（DOA）的多无人机协同路径规划方法，是一种新型的路径规划策略。DOA算法源自人类梦境的特有机制，通过模拟梦境中的记忆与遗忘过程，实现对问题空间的高效搜索。该算法的流程包括勘探、开发和更新三个阶段，能够有效地平衡全局搜索与局部搜索，以此达到优化路径的目的。 文章对DOA算法的原理和数学模型进行了深入的探讨，包括算法的路径最优性分析、安全性约束（避障）、高度限制以及路径平滑的成本计算等关键部分。通过细致的分析和模拟，文章揭示了DOA算法在处理多无人机路径规划问题上的有效性和优越性。 文中不仅提供了详尽的理论阐述，还公布了相应的MATLAB代码实现，用户可以自定义无人机的数量以及起始点。这使得DOA算法具有很强的普适性和灵活性，能够适应于各种无人机应用场合，如空中摄影、遥感测绘等。 DOA算法在无人机路径规划上的应用，极大地优化了飞行路径，确保了路径的最优性和安全性，同时满足了无人机飞行的高度限制要求。算法在优化路径长度的同时，还考虑了威胁规避和飞行的可行性，从而实现了多无人机的高效协同。这不仅提高了无人机任务执行的效率，也增强了无人机在复杂环境下的操作安全性。 此外，由于DOA算法是元启发式算法中的一种，它对于其他类似优化问题也具有很好的借鉴和推广价值。通过实际的测试和应用，DOA算法证明了其在处理高复杂度优化问题上的高效性与实用性。因此，DOA算法在无人机路径规划领域有着广阔的应用前景，将对无人机技术的发展起到重要的推动作用。 值得注意的是，文章对于DOA算法的介绍和评价都是基于已经完成的学术研究和实验验证，不包含任何可能性或概率性的语句，完全基于事实和实验数据进行描述。

龙卷风优化算法（Tornado optimizer with Coriolis force，TOC）是一种受自然界龙卷风形成过程启发的智能优化算法，发表于中科院二区期刊《ARTIFICIAL INTELLIGENCE REVIEW》。该算法通过模拟龙卷风的动态过程，包括风暴初生、科里奥利效应、气旋平衡方程以及消散与重生机制，解决了传统优化算法面临的梯度陷阱、早熟收敛和维度灾难等问题。TOC算法无需复杂数学模型，不依赖初始参数，能够在高维解空间中高效寻找全局最优解。论文还提供了算法的伪代码和效果图，展示了其在回归预测、分解模型和去噪算法等领域的应用潜力。 龙卷风优化算法（TOC）是一种新兴的智能优化方法，其灵感来源于自然界中龙卷风的形成过程。该算法的核心在于模拟龙卷风的动态特性，包括风暴的产生、科里奥利力的影响、气旋平衡的数学表达以及龙卷风的消散与新生现象。通过这些模拟，TOC算法能够有效地规避传统优化算法中常遇到的问题，如梯度信息失效导致的局部最优问题、算法过早收敛于非全局最优解以及处理高维数据时的维度灾难。 TOC算法的突出优势在于其对初始参数的不依赖性，这使得它在高维解空间中依然能够高效地进行全局搜索。算法的这一特点使其非常适合于那些参数空间庞大、复杂度高的优化问题。而为了进一步加强算法的可应用性，论文作者提供了算法的伪代码描述，这有助于理解算法的具体实现步骤，并且易于在不同的应用场景中进行调整和优化。 为了证明TOC算法的实际效用和广泛适用性，论文还展示了算法在多个案例中的应用效果图。这些案例包括回归预测、分解模型和去噪算法等，体现了TOC算法在数据处理和分析中的潜力。在回归预测中，TOC算法可以帮助模型更好地捕捉数据之间的关联性，提高预测的准确性；在分解模型中，TOC算法能够有效地将复杂问题简化为多个子问题，进而提高问题解决的效率；而在去噪算法中，TOC算法通过优化处理流程，可以提升去噪效果，增强数据的清晰度和可用性。 TOC算法作为一种智能优化技术，不仅在理论上具有创新性，在实际应用中也表现出了强大的性能。其对于初生、演变、平衡和重生这一系列龙卷风现象的模拟，为解决优化问题提供了一条新的解决路径。其简易的操作方式和对高维数据的高效处理能力，预示着TOC算法将在众多领域发挥重要的作用。