CryptoSRAM：物联网安全加密的内存计算新范式
2026/6/2 1:40:21
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、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
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
一、引言
随着分布式能源资源（DERs）在有源配电网中的广泛接入，电压控制面临着新的挑战。分布式能源的间歇性和不确定性使得配电网的电压波动加剧，传统的电压控制方法难以有效应对。多智能体深度强化学习（MADRL）为解决复杂系统的控制问题提供了有力手段，特别是多智能体深度确定性策略梯度算法（MADDPG）。然而，在实际应用中，有源配电网涉及多个参与主体，各主体的数据隐私保护至关重要。因此，研究基于计及隐私保护的 MADDPG 实现有源配电网电压控制策略具有重要的现实意义。
二、有源配电网电压控制挑战与多智能体系统
有源配电网电压控制挑战
- 分布式能源接入
：太阳能光伏（PV）和风力发电等 DERs 接入配电网后，其输出功率受天气等自然因素影响，具有明显的间歇性和波动性。例如，云层的快速移动会使 PV 输出功率瞬间变化，导致配电网电压出现波动。大量 DERs 的接入还可能改变配电网的潮流分布，使得电压分布更加复杂，传统的基于固定规则的电压控制方法难以适应这种变化。
- 负荷多样性与不确定性
：现代配电网中的负荷类型多样，包括居民、商业和工业负荷。不同类型负荷的用电特性差异很大，且具有不确定性。例如，工业负荷可能因生产计划调整而突然变化，居民负荷在不同时间段也有明显的峰谷差异。这种负荷的多样性和不确定性进一步增加了电压控制的难度。
多智能体系统用于电压控制的优势
- 分布式决策
：多智能体系统将有源配电网划分为多个智能体，每个智能体负责局部区域的电压控制决策。这种分布式决策方式能够充分利用本地信息，快速响应电压变化。例如，每个 DER 单元或一组负荷可以作为一个智能体，根据自身的运行状态和周边的电压信息做出控制决策，避免了集中式控制方式下信息传输延迟和计算负担过重的问题。
- 灵活性与可扩展性
：多智能体系统具有高度的灵活性和可扩展性。随着 DERs 和负荷的不断增加，只需增加相应的智能体，并定义其与其他智能体的交互规则，即可适应系统的变化。相比之下，传统的集中式控制方法在面对系统规模扩大时，往往需要重新设计控制算法和架构。
三、多智能体深度确定性策略梯度算法（MADDPG）
MADDPG 算法原理
- 深度强化学习基础
：强化学习是智能体通过与环境进行交互，根据环境反馈的奖励信号学习最优行为策略的过程。深度强化学习则结合了深度学习强大的函数逼近能力，能够处理高维复杂的状态空间。在有源配电网电压控制中，智能体的状态可以包括节点电压、DER 输出功率、负荷大小等信息，动作可以是调节 DER 的输出功率、投切无功补偿设备等。
- 多智能体扩展
：MADDPG 在深度确定性策略梯度（DDPG）算法基础上，针对多智能体系统进行了扩展。它引入了中心化训练和去中心化执行的框架。在训练阶段，每个智能体不仅考虑自身的状态和动作，还考虑其他智能体的状态和动作，通过联合动作值函数来学习最优策略。具体来说，每个智能体都有自己的策略网络（Actor 网络）和价值网络（Critic 网络）。Actor 网络用于生成动作，Critic 网络用于评估动作的价值。在训练过程中，通过最大化联合动作值函数来更新 Actor 网络的参数，同时根据 TD 误差更新 Critic 网络的参数。在执行阶段，每个智能体根据自己的策略网络独立地选择动作，实现分布式控制。
MADDPG 在有源配电网电压控制中的应用
- 智能体设计
：在有源配电网中，可将每个 DER、无功补偿设备以及关键负荷节点作为一个智能体。例如，对于一个包含多个 PV 电站、风力发电场、电容器组和重要负荷的有源配电网，每个 PV 电站智能体负责根据自身的发电功率、所在节点电压以及其他相关信息，决定是否调整发电功率或参与无功调节；电容器组智能体则根据节点电压和无功需求决定是否投切。
- 状态、动作与奖励设计
：
- 状态
：每个智能体的状态可以包括自身的运行参数（如 DER 的功率输出、无功补偿设备的投切状态）、所在节点的电压幅值和相角、相邻节点的电压信息以及周边 DER 和负荷的功率变化情况等。这些信息能够全面反映智能体所处的局部环境状态。
- 动作
：动作空间根据实际控制手段确定。对于 DER 智能体，动作可以是调整有功功率输出、无功功率输出；对于无功补偿设备智能体，动作是投切操作。通过合理设计动作空间，智能体能够对配电网电压进行有效调节。
- 奖励
：奖励函数的设计旨在引导智能体学习到最优的电压控制策略。例如，可以设定当节点电压在允许范围内时给予正奖励，当电压越限时给予负奖励，并且电压偏离允许范围越大，负奖励的绝对值越大。同时，为了鼓励智能体之间的协同，还可以考虑对整体配电网电压稳定性有积极贡献的智能体给予额外奖励。
- 状态
四、隐私保护在有源配电网中的重要性与实现方法
隐私保护的重要性
- 数据敏感性
：有源配电网中各参与主体拥有敏感数据。例如，工业用户的用电负荷数据可能反映其生产规模和生产计划，这属于商业机密；DER 所有者的发电数据可能涉及成本和收益信息，也需要保护。如果这些数据被泄露，可能会给相关主体带来经济损失或竞争劣势。
- 主体协作需求
：为了实现有效的电压控制，各智能体之间需要交换信息。但在信息交换过程中，如果不进行隐私保护，主体可能因担心数据泄露而不愿共享信息，从而影响多智能体系统的协同效果。因此，隐私保护是保障有源配电网中各主体协作的关键。
隐私保护实现方法
- 同态加密
：同态加密允许在加密数据上进行特定的计算，计算结果解密后与在明文数据上进行相同计算的结果一致。在有源配电网中，智能体可以对需要共享的数据进行同态加密，然后在加密数据上进行多智能体算法的计算，如联合动作值函数的计算。这样，其他智能体无需解密数据就能利用加密数据进行协作计算，从而保护了数据隐私。
- 差分隐私
：差分隐私通过向数据中添加噪声来保护数据隐私。在智能体共享数据时，根据差分隐私的原理，向共享数据中添加适当的噪声。只要噪声的添加满足差分隐私的定义，即使攻击者获取了共享数据，也无法准确推断出原始数据的真实值。例如，在共享节点电压数据时，添加符合特定分布的噪声，使得攻击者难以从噪声数据中还原出真实的电压值，同时又能保证多智能体算法基于这些噪声数据仍能有效运行。
五、基于计及隐私保护的 MADDPG 电压控制策略实现
策略框架
- 隐私保护层
：位于智能体之间的信息交互环节。当智能体需要共享数据时，首先经过隐私保护层进行处理。如果采用同态加密方法，数据在这里进行加密；如果采用差分隐私，数据在这里添加噪声。经过隐私保护处理后的数据再进行传输和共享。
- 多智能体学习层
：基于经过隐私保护处理的数据，各智能体的 MADDPG 算法进行学习和决策。每个智能体根据自身的状态和接收到的其他智能体的隐私保护后的数据，通过其 Actor 和 Critic 网络进行策略更新和动作选择。在这个过程中，利用联合动作值函数来协调各智能体的行为，以实现整体的电压控制目标。
- 执行层
：智能体根据 MADDPG 算法选择的动作，对实际的配电网设备进行控制。例如，DER 智能体根据决策调整发电功率，无功补偿设备智能体执行投切操作，从而实现对有源配电网电压的调节。
实现步骤
- 初始化
：初始化各智能体的 MADDPG 网络参数，包括 Actor 和 Critic 网络的权重。同时，确定隐私保护方法（如同态加密或差分隐私）的相关参数，如加密密钥、噪声分布参数等。初始化智能体的状态，收集各智能体的初始运行参数、节点电压等信息。
- 数据处理与共享
：智能体根据当前状态生成需要共享的数据，将这些数据送入隐私保护层进行处理。处理后的数据在智能体之间进行共享，每个智能体接收其他智能体的隐私保护后的数据。
- 学习与决策
：各智能体基于自身状态和接收到的其他智能体的数据，通过 MADDPG 算法进行学习。更新 Actor 网络以生成新的动作，更新 Critic 网络以评估动作的价值。在这个过程中，通过联合动作值函数考虑其他智能体的动作对自身价值的影响，实现多智能体的协同学习。
- 动作执行与反馈
：智能体根据更新后的 Actor 网络选择动作，并在实际配电网中执行，如调节 DER 功率或投切无功补偿设备。执行动作后，智能体观察新的状态，并根据奖励函数计算奖励。新的状态和奖励信息用于下一轮的学习和决策。
- 迭代训练
：重复步骤 2 - 4，不断迭代训练，直到 MADDPG 算法收敛或达到预设的训练次数。在训练过程中，智能体逐渐学习到最优的电压控制策略，以应对有源配电网中复杂的电压变化情况。
六、仿真实验
实验设置
- 配电网模型构建
：构建一个具有代表性的有源配电网模型，包含多个 DER（如 PV 电站和风力发电场）、无功补偿设备（如电容器组和静止无功补偿器）以及不同类型的负荷（居民、商业和工业负荷）。设定配电网的拓扑结构、线路参数、DER 和负荷的特性参数等。
- MADDPG 与隐私保护参数设置
：设置 MADDPG 算法的参数，如学习率、折扣因子、网络结构等。对于隐私保护方法，若采用同态加密，设置加密算法和密钥长度；若采用差分隐私，设置噪声强度和噪声分布类型。同时，设定奖励函数的具体形式和参数，以引导智能体学习到有效的电压控制策略。
- 对比策略
：设置基于传统集中式电压控制策略和不考虑隐私保护的 MADDPG 电压控制策略作为对比。传统集中式策略根据全网的电压和功率信息，通过优化算法计算出各设备的控制动作；不考虑隐私保护的 MADDPG 策略则直接在无隐私保护的数据上进行学习和决策。
⛳️ 运行结果
📣 部分代码
MGa=zeros(1,3000);
MGBmzeros(1.3000);
MGc=zeros(1,3000);
dd=zeros(1.3000);
for i=1:3000
MGa(:,i)=sum(AA{i}{l}.Values.data);
MGB(:,i)=sum(AA{i}{2}.Values.data);
MGc(:,i)-sum(AA{i}{3}.Values.data);
dd(:,i)=sum(AA{i}{4}.Values.data);
end
TOTAL-MGa+MGB+MGc+dd
% dd-ScopeData1f4;.values.dataAA
for i=1:3002
MGa(:,i)=sum(loss{i}{1}.Values.data);
end
for i=1:3002
MGa(:,i)=sum(loss{i}{4}.Values.data);
end
a=movmean(MGa,100);
plot(MGa);
plot(a);
lossC=sum(loss{3002}{4}.Values.data);
lossNC=sum(loss{1}{4}.Values.data);
function Z_tiqu3=tiqu222(Z_pre,pmunode)
Z_tiqu3=cell(69,1);
for j=1:69
Z_tiqu133(1,j)=Z_pre(j,1);
Z_tiqu133(2,j)=Z_pre(j+69,1);
Z_tiqu133(3,j)=Z_pre(j+69*2,1);
if j>68
Z_tiqu133(4,j)=Z_pre(370,1);
else
Z_tiqu133(4,j)=Z_pre(j+69*3,1);
Z_tiqu133(5,j)=Z_pre(j+69*3+68,1);
for h=1:26
if j==pmunode(h)
Z_tiqu133(6,j)=Z_pre(69*3+68*2+h,1); %%%% ang是否被pmu测出来
end
end
end
Z_tiqu3{j,1}=Z_tiqu133(1:nnz(Z_tiqu133(:,j)),j); %%%% 返回矩阵中的非零元素数目
end
abcd=loss{3002}{5}.Values.data(1,2);
abcd=loss{3002}{5}.Values.data(18,1);
for j=1:24
for i=1:24
V18(i,j)=loss{3002}{5}.Values.data(18+(33*(i-1)),1);
% V18(2,j)=loss{3002}{5}.Values.data(18+(33*1),1);
% V18(3,j)=loss{3002}{5}.Values.data(18+(33*2),1);
% V18(4,j)=loss{3002}{5}.Values.data(18+(33*3),1);
end
end
%%%%%控制后1-33节点24小时的电压%%%%
Vmin=0.95*ones(24,1);
Vmax=1.05*ones(24,1);
for i=1:24
V1(i,1)=loss{3002}{5}.Values.data(1+(33*(i-1)),1);
end
for i=1:24
V2(i,1)=loss{3002}{5}.Values.data(2+(33*(i-1)),1);
end
for i=1:24
V3(i,1)=loss{3002}{5}.Values.data(3+(33*(i-1)),1);
end
for i=1:24
V4(i,1)=loss{3002}{5}.Values.data(4+(33*(i-1)),1);
end
for i=1:24
V5(i,1)=loss{3002}{5}.Values.data(5+(33*(i-1)),1);
end
for i=1:24
V6(i,1)=loss{3002}{5}.Values.data(6+(33*(i-1)),1);
end
for i=1:24
V7(i,1)=loss{3002}{5}.Values.data(7+(33*(i-1)),1);
end
for i=1:24
V8(i,1)=loss{3002}{5}.Values.data(8+(33*(i-1)),1);
end
for i=1:24
V9(i,1)=loss{3002}{5}.Values.data(9+(33*(i-1)),1);
end
for i=1:24
V10(i,1)=loss{3002}{5}.Values.data(10+(33*(i-1)),1);
end
for i=1:24
V11(i,1)=loss{3002}{5}.Values.data(11+(33*(i-1)),1);
end
for i=1:24
V12(i,1)=loss{3002}{5}.Values.data(12+(33*(i-1)),1);
end
for i=1:24
V13(i,1)=loss{3002}{5}.Values.data(13+(33*(i-1)),1);
end
for i=1:24
V14(i,1)=loss{3002}{5}.Values.data(14+(33*(i-1)),1);
end
for i=1:24
V15(i,1)=loss{3002}{5}.Values.data(15+(33*(i-1)),1);
end
for i=1:24
V16(i,1)=loss{3002}{5}.Values.data(16+(33*(i-1)),1);
end
for i=1:24
V17(i,1)=loss{3002}{5}.Values.data(17+(33*(i-1)),1);
end
for i=1:24
V18(i,1)=loss{3002}{5}.Values.data(18+(33*(i-1)),1);
end
for i=1:24
V19(i,1)=loss{3002}{5}.Values.data(19+(33*(i-1)),1);
end
for i=1:24
V20(i,1)=loss{3002}{5}.Values.data(20+(33*(i-1)),1);
end
for i=1:24
V21(i,1)=loss{3002}{5}.Values.data(21+(33*(i-1)),1);
end
for i=1:24
V22(i,1)=loss{3002}{5}.Values.data(22+(33*(i-1)),1);
end
for i=1:24
V23(i,1)=loss{3002}{5}.Values.data(23+(33*(i-1)),1);
end
for i=1:24
V24(i,1)=loss{3002}{5}.Values.data(24+(33*(i-1)),1);
end
for i=1:24
V25(i,1)=loss{3002}{5}.Values.data(25+(33*(i-1)),1);
end
for i=1:24
V26(i,1)=loss{3002}{5}.Values.data(26+(33*(i-1)),1);
end
for i=1:24
V27(i,1)=loss{3002}{5}.Values.data(27+(33*(i-1)),1);
end
for i=1:24
V28(i,1)=loss{3002}{5}.Values.data(28+(33*(i-1)),1);
end
for i=1:24
V29(i,1)=loss{3002}{5}.Values.data(29+(33*(i-1)),1);
end
for i=1:24
V30(i,1)=loss{3002}{5}.Values.data(30+(33*(i-1)),1);
end
for i=1:24
V31(i,1)=loss{3002}{5}.Values.data(31+(33*(i-1)),1);
end
for i=1:24
V32(i,1)=loss{3002}{5}.Values.data(32+(33*(i-1)),1);
end
for i=1:24
V33(i,1)=loss{3002}{5}.Values.data(33+(33*(i-1)),1);
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%不带控制的33节点电压
Vmin=0.95*ones(24,1);
Vmax=1.05*ones(24,1);
for i=1:24
V(i,1)=loss{1}{5}.Values.data(1+(33*(i-1)),1);
end
for i=1:24
v2(i,1)=loss{1}{5}.Values.data(2+(33*(i-1)),1);
end
for i=1:24
v3(i,1)=loss{1}{5}.Values.data(3+(33*(i-1)),1);
end
for i=1:24
v4(i,1)=loss{1}{5}.Values.data(4+(33*(i-1)),1);
end
for i=1:24
v5(i,1)=loss{1}{5}.Values.data(5+(33*(i-1)),1);
end
for i=1:24
v6(i,1)=loss{1}{5}.Values.data(6+(33*(i-1)),1);
end
for i=1:24
v7(i,1)=loss{1}{5}.Values.data(7+(33*(i-1)),1);
end
for i=1:24
v8(i,1)=loss{1}{5}.Values.data(8+(33*(i-1)),1);
end
for i=1:24
v9(i,1)=loss{1}{5}.Values.data(9+(33*(i-1)),1);
end
for i=1:24
v10(i,1)=loss{1}{5}.Values.data(10+(33*(i-1)),1);
end
for i=1:24
v11(i,1)=loss{1}{5}.Values.data(11+(33*(i-1)),1);
end
for i=1:24
v12(i,1)=loss{1}{5}.Values.data(12+(33*(i-1)),1);
end
for i=1:24
v13(i,1)=loss{1}{5}.Values.data(13+(33*(i-1)),1);
end
for i=1:24
v14(i,1)=loss{1}{5}.Values.data(14+(33*(i-1)),1);
end
for i=1:24
v15(i,1)=loss{1}{5}.Values.data(15+(33*(i-1)),1);
end
for i=1:24
v16(i,1)=loss{1}{5}.Values.data(16+(33*(i-1)),1);
end
for i=1:24
v17(i,1)=loss{1}{5}.Values.data(17+(33*(i-1)),1);
end
for i=1:24
v18(i,1)=loss{1}{5}.Values.data(18+(33*(i-1)),1);
end
for i=1:24
v19(i,1)=loss{1}{5}.Values.data(19+(33*(i-1)),1);
end
for i=1:24
v20(i,1)=loss{1}{5}.Values.data(20+(33*(i-1)),1);
end
for i=1:24
v21(i,1)=loss{1}{5}.Values.data(21+(33*(i-1)),1);
end
for i=1:24
v22(i,1)=loss{1}{5}.Values.data(22+(33*(i-1)),1);
end
for i=1:24
v23(i,1)=loss{1}{5}.Values.data(23+(33*(i-1)),1);
end
for i=1:24
v24(i,1)=loss{1}{5}.Values.data(24+(33*(i-1)),1);
end
for i=1:24
v25(i,1)=loss{1}{5}.Values.data(25+(33*(i-1)),1);
end
for i=1:24
v26(i,1)=loss{1}{5}.Values.data(26+(33*(i-1)),1);
end
for i=1:24
v27(i,1)=loss{1}{5}.Values.data(27+(33*(i-1)),1);
end
for i=1:24
v28(i,1)=loss{1}{5}.Values.data(28+(33*(i-1)),1);
end
for i=1:24
v29(i,1)=loss{1}{5}.Values.data(29+(33*(i-1)),1);
end
for i=1:24
v30(i,1)=loss{1}{5}.Values.data(30+(33*(i-1)),1);
end
for i=1:24
v31(i,1)=loss{1}{5}.Values.data(31+(33*(i-1)),1);
end
for i=1:24
v32(i,1)=loss{1}{5}.Values.data(32+(33*(i-1)),1);
end
for i=1:24
v33(i,1)=loss{1}{5}.Values.data(33+(33*(i-1)),1);
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%控制后24小时各节点电压
Vmin=0.95*ones(33,1);
Vmax=1.05*ones(33,1);
Vt1=loss{3007}{5}.Values.data(1:33,1:1);%(1:i,1:j)读取前i行前j列
Vt2=loss{3007}{5}.Values.data(33*1+1:33*2,1:1);
Vt3=loss{3007}{5}.Values.data(33*2+1:33*3,1:1);
Vt4=loss{3007}{5}.Values.data(33*3+1:33*4,1:1);
Vt5=loss{3007}{5}.Values.data(33*4+1:33*5,1:1);
Vt6=loss{3007}{5}.Values.data(33*5+1:33*6,1:1);
Vt7=loss{3007}{5}.Values.data(33*6+1:33*7,1:1);
Vt8=loss{3007}{5}.Values.data(33*7+1:33*8,1:1);
Vt9=loss{3007}{5}.Values.data(33*8+1:33*9,1:1);
Vt10=loss{3007}{5}.Values.data(33*9+1:33*10,1:1);
Vt11=loss{3007}{5}.Values.data(33*10+1:33*11,1:1);
Vt12=loss{3007}{5}.Values.data(33*11+1:33*12,1:1);
Vt13=loss{3002}{5}.Values.data(33*12+1:33*13,1:1);
Vt14=loss{3007}{5}.Values.data(33*13+1:33*14,1:1);
Vt15=loss{3007}{5}.Values.data(33*14+1:33*15,1:1);
Vt16=loss{3007}{5}.Values.data(33*15+1:33*16,1:1);
Vt17=loss{3007}{5}.Values.data(33*16+1:33*17,1:1);
Vt18=loss{3007}{5}.Values.data(33*17+1:33*18,1:1);
Vt19=loss{3007}{5}.Values.data(33*18+1:33*19,1:1);
Vt20=loss{3007}{5}.Values.data(33*19+1:33*20,1:1);
Vt21=loss{3007}{5}.Values.data(33*20+1:33*21,1:1);
Vt22=loss{3007}{5}.Values.data(33*21+1:33*22,1:1);
Vt23=loss{3007}{5}.Values.data(33*22+1:33*23,1:1);
Vt24=loss{3007}{5}.Values.data(33*23+1:33*24,1:1);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%控制前
Vt1=loss{1}{5}.Values.data(1:33,1:1);%(1:i,1:j)读取前i行前j列
Vt2=loss{1}{5}.Values.data(33*1+1:33*2,1:1);
Vt3=loss{1}{5}.Values.data(33*2+1:33*3,1:1);
Vt4=loss{1}{5}.Values.data(33*3+1:33*4,1:1);
Vt5=loss{1}{5}.Values.data(33*4+1:33*5,1:1);
Vt6=loss{1}{5}.Values.data(33*5+1:33*6,1:1);
Vt7=loss{1}{5}.Values.data(33*6+1:33*7,1:1);
Vt8=loss{1}{5}.Values.data(33*7+1:33*8,1:1);
Vt9=loss{1}{5}.Values.data(33*8+1:33*9,1:1);
Vt10=loss{1}{5}.Values.data(33*9+1:33*10,1:1);
Vt11=loss{1}{5}.Values.data(33*10+1:33*11,1:1);
Vt12=loss{1}{5}.Values.data(33*11+1:33*12,1:1);
vt13=loss{1}{5}.Values.data(33*12+1:33*13,1:1);
Vt14=loss{1}{5}.Values.data(33*13+1:33*14,1:1);
Vt15=loss{1}{5}.Values.data(33*14+1:33*15,1:1);
Vt16=loss{1}{5}.Values.data(33*15+1:33*16,1:1);
Vt17=loss{1}{5}.Values.data(33*16+1:33*17,1:1);
Vt18=loss{1}{5}.Values.data(33*17+1:33*18,1:1);
Vt19=loss{1}{5}.Values.data(33*18+1:33*19,1:1);
Vt20=loss{1}{5}.Values.data(33*19+1:33*20,1:1);
Vt21=loss{1}{5}.Values.data(33*20+1:33*21,1:1);
Vt22=loss{1}{5}.Values.data(33*21+1:33*22,1:1);
Vt23=loss{1}{5}.Values.data(33*22+1:33*23,1:1);
Vt24=loss{1}{5}.Values.data(33*23+1:33*24,1:1);
end
aaa=U2{18}{1}.Current.data.(1:2);
🔗 参考文献
🍅更多创新智能优化算法模型和应用场景可扫描关注
🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
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
🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
🌟路径规划类：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、公交车时间调度、水库调度优化、多式联运优化等等~
🌟小众优化类：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、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
🌟 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、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心
告诫读者和自己第一，科学态度。历史学是一门科学，要学会做历史研究，就得有科学态度。科学态度不是与生俱来的，必须认真培养，关键是培养我们在研究中认真负责一丝不苟的精神。第二，献身精神。从事历史研究，就像从事其他任何科学研究一样，要有一种为科学研究而献身的精神，要热爱我们的研究事业，要有潜心从事这项工作的意志。没有献身精神，当然做不好科研工作。只想拿一个学位，那是很难学好做研究的。要拿学位，这一点可以理解，但我们读书，是为了自己获得真才实学。有了真才实学将来不论做什么工作，都是有用的。当然学位也是要的，但关键的是学问而不是学位。第三，查阅收集学术信息、资料的能力。青年学生要从事学术研究，就要培养能熟练地掌握查阅搜集学术信息、资料的能力。例如学习与研究英帝国史，就得了解国内外有关这个专业的基本情况，了解有关资料情况。像你们在北京地区学习，至少要大致了解北京地区有关英帝国史的中英文资料，熟悉与专业密切相关的主要图书馆，了解馆藏情况。这就需要经常去图书馆。我们这个专业不需要到田间考察，到工厂调研，但要去图书馆，去图书馆就是我们的调查研究。熟悉有关图书馆的情况是我们学习的一部分。今天，网络飞速发展，掌握网上查阅信息的技巧是非常必要的。第四，处理资料的能力。搜集的资料会越来越多，怎样安排它们也是一门学问。各学科各个研究人员的方式可能会有所不同，但总的原则是要有条理，便于记忆，便于查阅。第五，对资料的鉴别意识与鉴别能力。我们在使用研究资料时不能拿着就用，要有意识鉴别一下，材料是否可靠，什么样的材料更有价值。读书时，也不是拿着什么书就通读到底。有的书翻一翻即可，有的书则需认真读。区别哪些书翻一翻即可，哪些书得认真读，也不是一件容易的事，青年学生不是一下子就能做到这一点的，需逐渐培养这种能力。还有一点就是要学会使用计算机，能比较熟练地进行文字处理。