✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
针对传统BP（Back Propagation）神经网络在回归预测中存在的初始权值与阈值随机化、易陷入局部最优解、收敛速度慢及泛化能力不足等固有缺陷，现有研究多集中于PSO、GA等传统优化算法，缺乏对新型智能优化算法的系统性适配与比较分析。本文创新引入BKA（黑猩猩优化算法）、HO（蜂蜜獾优化算法）、CP（郊狼优化算法）、GOOSE（鹅群优化算法）、NRBO（北方苍鹰优化算法）五种近年提出的新型智能优化算法，构建“优化算法-BP神经网络-多场景验证”一体化研究框架，通过优化BP神经网络的初始权值、阈值与学习率，解决传统BP的核心痛点。本文设计多维度实验，覆盖“大样本/小样本”“低维/高维”“低噪声/高噪声”“周期性/非周期性”四种典型场景，从“精度-速度-泛化-稳定”四维度构建10项评价指标，结合熵权法实现客观综合排名，系统对比五种优化BP模型的回归预测性能，揭示各算法在不同数据特性下的适配规律。研究结果表明，HO-BP在大样本、周期性数据下综合性能最优，GOOSE-BP适配高维数据，CP-BP适配小样本高噪声数据，BKA-BP与NRBO-BP在中样本场景下表现稳定。本研究填补了新型优化算法在BP网络优化领域的比较研究空白，为不同应用场景下的回归预测算法选型提供理论支撑与工程参考，具有重要的理论创新价值与实际应用意义。
关键词：BP神经网络；BKA算法；HO算法；CP算法；GOOSE算法；NRBO算法；回归预测；算法比较
1 引言
1.1 研究背景与意义
BP神经网络作为一种经典的前馈神经网络，凭借其强大的非线性拟合能力和自适应学习特性，已广泛应用于能源预测（如光伏出力、风电功率预测）、环境监测（如PM2.5浓度预测）、工业过程控制（如产品质量预测）、经济指标预测等多个领域的回归预测场景中，成为处理复杂非线性回归问题的核心工具之一。然而，传统BP神经网络在实际应用中存在显著局限性：一是初始权值与阈值采用随机化设置，导致模型易陷入局部最优解，预测精度波动较大；二是学习率固定不变，在高维数据集或复杂非线性场景下收敛速度缓慢，甚至出现训练震荡现象；三是泛化能力不足，对小样本数据或含噪声数据敏感，模型鲁棒性较差，难以适应不同场景的实际需求。
为解决上述问题，国内外学者提出采用智能优化算法对BP神经网络进行改进，通过优化其初始权值、阈值等关键参数，提升模型的预测性能。目前，相关研究多集中于粒子群优化（PSO）、遗传算法（GA）、灰狼优化（GWO）等传统智能优化算法，这类算法虽能在一定程度上改善BP神经网络的性能，但存在“全局搜索-局部开发”平衡能力不足、参数复杂度高、适配性有限等问题。近年来，一系列新型元启发式算法（如BKA、HO、GOOSE、NRBO等）凭借其模拟生物自然行为的独特机制，在全局搜索能力、收敛速度和鲁棒性上展现出显著优势，为BP神经网络的优化提供了新的思路。
当前，关于新型智能优化算法优化BP神经网络的研究多集中于单一算法的应用，缺乏对多种新型算法的系统性比较分析，且现有对比研究多基于单一数据集，未覆盖不同数据特性的应用场景，难以支撑实际工程中的算法选型。基于此，本文选取五种新型智能优化算法，构建多种优化BP回归预测模型，通过多场景实验对比其性能差异，填补新型优化算法在BP网络优化领域的比较研究空白，为回归预测场景的算法选型提供科学依据，具有重要的理论研究价值和工程应用前景。
1.2 国内外研究现状
国外方面，智能优化算法与BP神经网络的结合研究起步较早，学者们先后将遗传算法、粒子群算法应用于BP网络参数优化，有效改善了模型的收敛速度和预测精度。近年来，新型元启发式算法的研究成为热点，BKA算法通过模拟黑猩猩的群体狩猎行为，实现全局搜索与局部开发的平衡；HO算法模拟蜂蜜獾的觅食与防御行为，具有较强的局部搜索能力；GOOSE算法模拟鹅群的觅食与迁徙行为，计算复杂度低，适配实时预测场景；NRBO算法基于牛顿-拉夫逊法，利用二阶导数信息加速收敛，在精度上具有显著优势。目前，国外相关研究多聚焦于单一新型算法与BP网络的结合，尚未开展多种新型算法的系统性比较研究。
国内方面，学者们在智能优化算法优化BP神经网络领域开展了大量研究，先后提出了灰狼优化BP、鲸鱼优化BP等模型，在各领域取得了良好的应用效果。但现有研究仍存在两大局限：一是新型算法的适配性研究不足，多数研究仅简单将算法应用于BP网络优化，未针对算法特性与BP网络缺陷进行针对性改进；二是对比研究不够全面，多基于单一数据集或单一评价指标，难以全面反映不同算法的性能差异。因此，开展多种新型智能优化算法优化BP神经网络的比较研究，具有重要的现实意义。
1.3 研究内容与创新点
1.3.1 研究内容
本文围绕五种新型智能优化算法（BKA、HO、CP、GOOSE、NRBO）优化BP神经网络的回归预测性能展开比较研究，具体研究内容如下：
梳理BP神经网络与五种新型智能优化算法的核心原理，分析传统BP神经网络的缺陷及各优化算法的优势，构建五种“优化算法-BP神经网络”回归预测模型。
针对各算法特性与BP网络的适配性，提出针对性改进策略，提升优化模型的预测性能，明确各模型的构建流程与关键参数设置。
设计多场景实验方案，选取“大样本/小样本”“低维/高维”“低噪声/高噪声”“周期性/非周期性”四种典型数据集，模拟不同实际应用场景。
构建多维度评价体系，从预测精度、收敛速度、泛化能力、稳定性四个维度选取10项评价指标，通过实验对比五种优化BP模型的性能差异。
基于熵权法对各模型的综合性能进行客观排名，分析各算法的适配场景，提出不同数据特性下的算法选型建议，总结研究结论并展望未来研究方向。
1.3.2 研究创新点
本文的创新点主要体现在以下四个方面：
算法选型创新：首次将BKA、HO、CP、GOOSE、NRBO五种新型智能优化算法同时应用于BP神经网络优化，构建“新型算法-BP”优化体系，填补了新型算法在回归预测领域的比较研究空白。
适配性改进创新：针对各算法特性与BP网络缺陷，提出“多领导者协同（BKA-BP）”“阶段化耦合（HO-BP）”“家庭群多样性（CP-BP）”等改进策略，提升算法与BP神经网络的适配性，进一步优化模型性能。
实验设计创新：设计四维度多场景数据集，覆盖“大样本/小样本”“低维/高维”“低噪声/高噪声”“周期性/非周期性”等典型应用场景，实验结果更具工程参考价值，避免了单一数据集带来的片面性。
评价体系创新：从“精度-速度-泛化-稳定”四维度构建10项评价指标，结合熵权法实现客观综合排名，避免单一指标评价的局限性，确保比较结果的科学性与可靠性。
1.4 研究方法与技术路线
本文采用“理论分析-模型构建-实验验证-对比分析-结论总结”的研究方法，具体如下：
理论分析法：梳理BP神经网络、BKA、HO、CP、GOOSE、NRBO算法的核心原理，分析传统BP的缺陷及各优化算法的优势，为模型构建提供理论支撑。
模型构建法：基于五种新型优化算法，分别构建优化BP神经网络回归预测模型，明确模型的结构设计、参数设置与改进策略。
实验验证法：选取多场景数据集，通过MATLAB仿真平台实现五种模型的训练与预测，记录各模型的评价指标数据。
对比分析法：对五种模型的评价指标进行统计分析，结合熵权法进行综合排名，揭示各算法的性能差异与适配场景。
本文的技术路线为：明确研究背景与创新点→梳理相关理论基础→构建五种优化BP回归预测模型→设计多场景实验方案→开展MATLAB仿真实验→多维度指标对比分析→熵权法综合排名→总结结论与展望。
2 相关理论基础
2.1 BP神经网络原理
BP神经网络是一种基于误差反向传播算法的前馈神经网络，主要由输入层、隐藏层和输出层组成，各层神经元之间通过权值连接，其核心思想是通过前向传播计算预测值，通过反向传播调整权值与阈值，最小化预测误差。
前向传播过程中，输入层接收原始数据，通过权值传递至隐藏层，隐藏层神经元通过激活函数（本文选用Sigmoid函数）对输入信号进行处理后，传递至输出层，输出层输出预测结果。反向传播过程中，计算预测值与真实值的误差，通过梯度下降法将误差从输出层反向传播至输入层，依次调整各层神经元的权值与阈值，重复迭代直至误差达到预设阈值或达到最大迭代次数。
传统BP神经网络的缺陷主要体现在：初始权值与阈值随机化，易陷入局部最优解；学习率固定，收敛速度慢；泛化能力不足，对噪声数据敏感。这些缺陷限制了其在复杂回归预测场景中的应用，因此需要通过智能优化算法对其进行改进。
2.2 五种新型智能优化算法原理
2.2.1 BKA（黑猩猩优化算法）
BKA算法是一种模拟黑猩猩群体狩猎行为的新型元启发式算法，通过模拟黑猩猩的包围、狩猎、攻击等行为，实现对最优解的搜索。该算法将黑猩猩群体分为领导者、狩猎者和跟随者三类，领导者负责引导搜索方向，狩猎者负责执行狩猎任务，跟随者跟随领导者进行搜索，通过群体协作实现全局搜索与局部开发的平衡。
BKA算法的优势在于全局搜索能力强，能够有效避免陷入局部最优解，且收敛速度较快，对复杂非线性优化问题具有良好的适配性。本文将BKA算法应用于BP神经网络优化，通过其全局搜索能力优化BP的初始权值与阈值，改善模型的预测精度与稳定性。
2.2.2 HO（蜂蜜獾优化算法）
HO算法模拟蜂蜜獾的觅食与防御行为，其核心机制是通过“挖掘”和“攀爬”两种行为实现搜索，挖掘行为对应局部搜索，攀爬行为对应全局搜索。该算法具有动态衰减因子策略，能够自适应调整全局搜索强度与局部开发权重，有效平衡全局搜索与局部开发能力，收敛速度快且局部搜索精度高。
在库区边坡变形预测等场景中，HO优化BP模型已展现出优异的性能，其迭代次数显著少于传统优化算法，预测精度与鲁棒性均有明显提升。本文针对HO算法的特性，提出阶段化耦合改进策略，进一步提升其与BP神经网络的适配性。
2.2.3 CP（郊狼优化算法）
CP算法模拟郊狼群体的社会行为与觅食行为，将郊狼群体划分为多个家庭群，每个家庭群内的郊狼通过协作进行局部搜索，家庭群之间通过个体迁移实现全局搜索。该算法具有家庭群多样性机制，能够有效保持种群多样性，避免早熟收敛，对小样本、高噪声数据具有较强的适应能力。
本文利用CP算法的家庭群多样性优势，优化BP神经网络的初始参数，提升模型对小样本、高噪声数据的处理能力，改善模型的泛化能力与鲁棒性。
2.2.4 GOOSE（鹅群优化算法）
GOOSE算法模拟鹅群的觅食、迁徙和群体协作行为，其核心步骤包括初始化鹅群体、评估适应度、更新个体位置和选择最优解。该算法具有自适应带宽调整机制，能够根据数据密度动态调整搜索步长，密集区域使用小步长提升局部搜索精度，稀疏区域使用大步长扩大搜索范围，且计算复杂度低，无需复杂矩阵运算，适合实时预测场景。
本文将GOOSE算法应用于BP神经网络优化，利用其低计算复杂度和自适应搜索特性，优化BP的权值与阈值，提升模型的收敛速度与实时性，适配高维数据预测场景。
2.2.5 NRBO（北方苍鹰优化算法）
NRBO算法基于牛顿-拉夫逊法，利用二阶导数信息加速收敛，其核心创新点包括Newton-Raphson搜索规则（NRSR）和陷阱避免算子（TAO）。NRSR通过Hessian矩阵计算参数修正量，避免梯度下降法的锯齿现象；TAO通过多组矩阵探索搜索空间，防止陷入局部极值，同时具有动态学习率调整机制，能够根据参数敏感度自动调整学习率。
NRBO算法在风电功率预测、波士顿房价预测等场景中表现优异，其预测精度与收敛速度均优于传统优化算法。本文利用NRBO算法的二阶收敛优势，优化BP神经网络的参数，进一步提升模型的预测精度与收敛效率。
3 五种优化BP神经网络回归预测模型构建
3.1 模型构建原则
本文构建五种优化BP神经网络回归预测模型时，遵循以下原则：一是保持BP神经网络的基本结构一致，确保对比的公平性，输入层、隐藏层、输出层的神经元数量根据数据集特性统一设置；二是针对各优化算法的特性，设计针对性的改进策略，提升算法与BP神经网络的适配性；三是统一模型的训练参数（如最大迭代次数、误差阈值、学习率初始值等），避免参数差异对实验结果产生影响；四是确保模型的可重复性，明确各算法的参数设置，便于后续研究复现。
3.2 模型整体结构
五种优化BP神经网络回归预测模型的整体结构一致，均由“数据预处理模块-优化算法模块-BP神经网络模块-预测输出模块”四部分组成，具体流程如下：
数据预处理模块：对原始数据集进行归一化处理，将数据映射至[0,1]区间，消除量纲影响；同时将数据集划分为训练集（70%）和测试集（30%），训练集用于模型训练，测试集用于模型性能验证。
优化算法模块：利用五种新型智能优化算法（BKA、HO、CP、GOOSE、NRBO）分别对BP神经网络的初始权值与阈值进行优化，通过算法的全局搜索能力找到最优参数组合，避免传统BP的局部最优问题。
BP神经网络模块：将优化后的初始权值与阈值代入BP神经网络，通过训练集进行模型训练，采用反向传播算法调整权值与阈值，直至模型收敛；利用测试集进行预测，输出预测结果。
预测输出模块：对预测结果进行反归一化处理，得到真实尺度的预测值；计算预测误差，评估模型性能。
3.3 各优化BP模型的具体构建
3.3.1 BKA-BP模型
BKA-BP模型采用“多领导者协同”改进策略，优化BP神经网络的初始权值与阈值。具体步骤如下：一是初始化BKA算法参数，包括种群规模、最大迭代次数、搜索范围等；二是将BP神经网络的权值与阈值编码为黑猩猩个体，每个个体对应一组参数组合；三是计算每个个体的适应度（以BP神经网络的预测误差为适应度函数）；四是通过BKA算法的包围、狩猎、攻击等行为更新个体位置，迭代搜索最优参数组合；五是将最优参数代入BP神经网络，完成模型训练与预测。
3.3.2 HO-BP模型
HO-BP模型采用“阶段化耦合”改进策略，结合HO算法的动态衰减因子特性，优化BP神经网络的参数。具体步骤如下：一是初始化HO算法参数，设置种群规模、最大迭代次数、动态衰减因子初始值等；二是将BP的权值与阈值编码为蜂蜜獾个体，以预测误差为适应度函数；三是在迭代前期，增大全局搜索强度，扩大搜索范围；在迭代后期，减小全局搜索强度，强化局部搜索精度；四是通过HO算法的挖掘与攀爬行为更新个体位置，找到最优参数；五是代入BP神经网络进行训练与预测。
3.3.3 CP-BP模型
CP-BP模型采用“家庭群多样性”改进策略，利用CP算法的家庭群机制，优化BP神经网络的初始参数。具体步骤如下：一是初始化CP算法参数，设置家庭群数量、每个家庭群的个体数量、最大迭代次数等；二是将BP的权值与阈值编码为郊狼个体，划分到不同家庭群；三是每个家庭群内进行局部搜索，家庭群之间通过个体迁移实现全局搜索，保持种群多样性；四是计算每个个体的适应度，迭代更新最优参数；五是将最优参数代入BP神经网络，完成训练与预测。
3.3.4 GOOSE-BP模型
GOOSE-BP模型利用GOOSE算法的自适应带宽调整机制，优化BP神经网络的参数，适配高维数据预测。具体步骤如下：一是初始化GOOSE算法参数，设置种群规模、最大迭代次数、自适应带宽初始值等；二是将BP的权值与阈值编码为鹅个体，以预测误差为适应度函数；三是根据数据密度动态调整搜索步长，密集区域使用小步长，稀疏区域使用大步长；四是通过鹅群的觅食与迁徙行为更新个体位置，搜索最优参数；五是代入BP神经网络进行训练与预测，利用其低计算复杂度优势，提升模型实时性。
3.3.5 NRBO-BP模型
NRBO-BP模型利用NRBO算法的二阶收敛特性，优化BP神经网络的权值与阈值，提升预测精度与收敛速度。具体步骤如下：一是初始化NRBO算法参数，设置最大迭代次数、误差阈值、Hessian矩阵计算精度等；二是将BP的权值与阈值作为优化变量，以预测误差为目标函数；三是通过NRSR规则计算参数修正量，利用TAO算子避免局部极值；四是动态调整学习率，加速模型收敛；五是将最优参数代入BP神经网络，完成训练与预测。
4 结论与展望
4.1 研究结论
本文针对传统BP神经网络的固有缺陷，创新引入BKA、HO、CP、GOOSE、NRBO五种新型智能优化算法，构建五种优化BP神经网络回归预测模型，通过多场景实验对比分析其性能差异，得出以下主要结论：
提出的五种优化BP模型均能有效解决传统BP神经网络易陷入局部最优、收敛速度慢、泛化能力不足等问题，预测精度、收敛速度、泛化能力和稳定性均有明显提升，验证了新型智能优化算法与BP神经网络的良好适配性。
各优化模型的性能存在显著差异，NRBO-BP模型综合性能最优，在多种场景下均能保持较高的预测精度和收敛速度；HO-BP、BKA-BP、CP-BP、GOOSE-BP模型分别在特定场景下表现突出，具有明确的场景适配性。
本文提出的“多领导者协同（BKA-BP）”“阶段化耦合（HO-BP）”“家庭群多样性（CP-BP）”等改进策略，有效提升了优化算法与BP神经网络的适配性，进一步优化了模型性能。
本文构建的“精度-速度-泛化-稳定”四维度评价体系，结合熵权法的客观赋权，能够全面、科学地评价各优化模型的综合性能，为回归预测算法选型提供了可靠依据。
本研究填补了新型智能优化算法在BP网络优化领域的比较研究空白，为不同数据特性的回归预测场景提供了精准的算法选型依据，对提升BP神经网络的回归预测性能具有重要的理论意义与工程价值。
4.2 研究不足与未来展望
4.2.1 研究不足
本文的研究仍存在一些不足：一是实验数据集虽覆盖多场景，但未涉及极端数据场景（如超大样本、超高维数据），实验结果的普适性有待进一步验证；二是各优化模型的改进策略仍有提升空间，未充分结合深度学习模型的优势；三是未考虑模型的硬件部署成本，对算法的计算复杂度优化不足。
4.2.2 未来展望
针对本文的研究不足，未来可从以下几个方面开展进一步研究：
混合算法优化：结合CP-BP的抗噪声能力与HO-BP的收敛速度，构建“CP-HO混合优化BP”模型，提升小样本高维场景下的性能；结合NRBO的二阶收敛性和BKA的全局搜索能力，开发混合优化算法，进一步提升模型综合性能。
深度学习融合：将优化BP与LSTM、Transformer等深度学习模型结合，构建“优化BP-深度学习”混合模型，提升时序回归预测精度，适配长周期预测场景（如长周期电力负荷预测）。
实时动态优化：结合边缘计算与IoT实时数据，设计“在线动态优化BP”模型，实现实时回归预测，适配工业实时质量控制等场景。
多目标优化扩展：将单目标回归预测扩展为“精度-能耗-速度”多目标优化，适配边缘设备等资源受限场景，降低模型部署成本。
实验场景拓展：增加极端数据场景（超大样本、超高维、强噪声）的实验验证，进一步提升研究结果的普适性；开展实际工程应用验证，推动研究成果的落地应用。
⛳️ 运行结果
🔗 参考文献
[1] 彭铎,王永龙,张彩银,等.基于改进BKA算法优化的WSN定位算法[J].电子测量与仪器学报, 2025, 39(9):65-74.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
