基于 PSO-RDV 框架强化人工神经网络的预测改进
通过人工神经网络方法进行风力发电和风速预测的广泛综述，并考虑了不同印度站点的特征选择、级联人工神经网络模型和预测准确性评估，以解决风速预测中最相关输入参数的选择问题。
Jan, 2024
提出了一种基于人工智能的故障检测方法，并在 NASA 实验室中创建的 ADAPT 电力系统数据集上评估了其性能，结果表明我们的方法优于现有的故障检测方法，适用于解决卫星 EPS 子系统故障的独特挑战。
May, 2024
粒子变分推理方法（ParVI）结合了加速位置更新和动态权重调整，并在信息 - 费舍尔 - 饶度空间上模拟半哈密尔顿梯度流，以降低局部功能耗散，实验证明 GAD-PVI 方法具有更快的收敛速度和更小的逼近误差。
Dec, 2023
提出一种新的框架，通过在无人机网中部署 RIS 进行服务质量的提升，采用非正交多址技术进一步提高网络的频谱效率，设计深度 Q - 网络算法来解决能源消耗最小化问题。
Oct, 2020
该研究介绍了一种创新的金融分析技术，结合了机器学习、量化融合模型、股票市场、选股和择时策略。
Dec, 2023
研究使用 PSO 优化深度学习的架构，以进行北京 PM 2.5 数据集的预测，结果表明 PSO-LSTM 是最好的模型，可用于空气污染管理推荐。
Jun, 2023
研究表明，使用动态，加权物理推断神经网络（dw-PINN）框架来建模水系中纳米颗粒的动态行为，可以对开发高效的地下水修复策略提供预测性见解，同时相对均方误差（MSE）值收敛到一个最小值。
Oct, 2022
通过比较分析深度学习技术与启发式优化算法结合在天气预报中的性能，并评估不同模型架构在各指标下的表现，本文揭示了启发式优化算法在提高天气预报准确性方面的潜力。该研究还强调了利用高级优化技术选择适合特定天气预报任务的最佳启发式优化算法的重要性。
Sep, 2023
提出了一种基于可重构智能表面的车联网网络方案，利用信息时代模型和负载传输概率模型来优化车辆与基础设施之间的时效和车辆之间的稳定性，通过软性演员 - 评论家算法以最小化信息时代和优先传输负载的方式，使用驻波状态下 AI-B 图方案控制车辆的资源分配和相移控制，仿真结果表明该算法在收敛速度、累积奖励、信息时代性能和负载传输概率等方面胜过其他算法。
Jun, 2024
本文研究了在车辆网络中如何通过最小化信息时代和发送功率消耗来提供及时更新，采用非正交多模式信息传播方法，利用混合深度 Q 网络和深度确定性策略梯度模型解决多目标优化问题，并提出了一个两阶段元多目标强化学习解决方案来估计 Pareto 前沿。
Feb, 2024