✅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。内容介绍在“双碳”目标推进与新型电力系统建设的背景下梯级水电清洁可再生但出力受水文条件约束与火电机组稳定可控但高碳排放、高运行成本的联合调度成为平衡电力系统经济性、环保性与可靠性的核心手段。传统调度方法难以有效处理多目标耦合与复杂约束问题而NSGA-Ⅲ非支配排序遗传算法第三版作为专为高维多目标优化设计的智能算法凭借其参考点引导机制与自适应归一化特性在解决此类复杂问题中展现出显著优势。本文以梯级水电与火电机组联合调度为研究对象构建兼顾经济性、环保性与系统可靠性的多目标调度模型引入NSGA-Ⅲ算法并针对调度场景进行适配改进通过实例仿真验证算法的有效性与优越性为电力系统多目标协同调度提供理论支撑与实践参考。关键词NSGA-Ⅲ优化算法梯级水电火电机组联合调度多目标优化1 绪论1.1 研究背景与意义随着能源结构转型的不断深化电力系统对清洁低碳、安全高效的运行要求日益提升。梯级水电站作为可再生能源的重要组成部分具有清洁无污染、运行成本低、调峰灵活性强等优势但受流域径流时序变化、梯级水力耦合等因素影响其出力存在显著的随机性与波动性火电机组则具备出力稳定、调峰响应迅速等特点是保障电力系统供电可靠性的核心支撑但其运行过程中会产生大量燃料消耗与污染物排放与低碳发展目标存在矛盾[1]。梯级水电与火电机组的联合调度本质是通过协同二者的运行特性实现“水电调峰、火电保基荷”的互补模式在满足电网负荷需求的前提下平衡发电成本、污染物排放与系统可靠性等多重目标。当前联合调度已成为电力系统优化运行的研究热点但此类调度问题属于典型的高维、非线性、多约束多目标优化问题传统调度方法存在明显局限加权求和法易受主观权重影响无法生成多样化的Pareto最优解集NSGA-Ⅱ等传统多目标算法在处理3个及以上目标时易出现解集分布不均、收敛性变差等问题[2]。NSGA-Ⅲ算法作为NSGA-Ⅱ的升级版本通过引入参考点机制与自适应归一化策略有效解决了高维多目标优化中解集收敛性与多样性难以平衡的问题无需额外设置目标权重适配电力系统多目标调度的核心需求[3]。因此开展基于NSGA-Ⅲ优化算法的梯级水电与火电机组联合多目标调度研究不仅能够提升电力系统的运行效益、降低环境影响还能为新型电力系统下多能源协同调度提供新的思路与方法具有重要的理论意义与工程应用价值。1.2 国内外研究现状国外关于水火电联合调度的研究起步较早早期主要聚焦于单目标优化重点围绕发电成本最小化展开采用线性规划、动态规划等传统优化方法。随着多目标优化理论的发展研究者逐渐将环保目标、可靠性目标纳入调度模型引入NSGA-Ⅱ、MOPSO等多目标智能算法但针对高维多目标调度场景的算法改进研究相对较少。近年来部分学者开始探索NSGA-Ⅲ算法在电力系统调度中的应用通过GPU加速、算法融合等方式提升计算效率但其在梯级水电与火电联合调度中的针对性适配研究仍需完善[4]。国内研究近年来发展迅速研究者们围绕梯级水电与火电机组联合调度的模型构建与算法改进开展了大量工作。部分研究采用NSGA-Ⅱ、遗传算法等优化算法实现了经济性与环保性的双目标优化但在多目标≥3个协同优化中存在解集退化问题另有研究引入NSGA-Ⅲ算法解决高维多目标调度问题但多未充分考虑梯级水电的水力耦合特性与火电机组的约束刚性算法的适配性与调度方案的实用性有待提升[5]。总体而言当前研究仍存在多目标平衡不足、算法与实际调度场景适配性差、不确定性处理能力弱等问题亟需进一步深入研究。1.3 研究内容与技术路线本文围绕梯级水电与火电机组联合多目标调度问题以NSGA-Ⅲ优化算法为核心开展以下研究内容1梳理梯级水电与火电机组的运行特性分析联合调度的核心矛盾与约束条件构建兼顾经济性、环保性与系统可靠性的多目标调度模型明确各目标函数与约束条件的数学表达2深入研究NSGA-Ⅲ算法的基本原理与核心流程针对联合调度模型的特点对算法进行适配改进包括约束处理策略、参考点动态调整、初始种群优化等提升算法的收敛性与解集多样性3设计实例仿真实验选取典型梯级水电与火电机组系统作为研究对象设定调度场景与参数运用改进后的NSGA-Ⅲ算法求解调度模型生成Pareto最优解集4对比分析改进NSGA-Ⅲ算法与传统NSGA-Ⅱ、遗传算法的调度效果从解集收敛性、多样性、调度方案可行性等方面验证算法的优越性结合实际需求提出Pareto最优解的决策方法5分析当前调度模型与算法存在的不足探讨不确定性因素、多能源协同、数字孪生融合等未来研究方向为后续研究提供参考。本文的技术路线为首先明确研究背景与意义梳理国内外研究现状确定研究内容与目标其次构建联合调度多目标模型改进NSGA-Ⅲ优化算法然后通过实例仿真验证算法有效性最后总结研究成果分析不足并展望未来研究方向。1.4 研究创新点本文的创新点主要体现在以下三个方面1构建了更贴合实际运行场景的高维多目标调度模型整合了梯级水电的水力耦合约束、火电机组的刚性运行约束与系统可靠性约束同时考虑弃水量最小化与新能源消纳需求突破了传统双目标或三目标模型的局限2提出了适配联合调度场景的NSGA-Ⅲ改进算法通过“以水定电”策略处理水力约束结合动态参考点调整机制适配负荷峰谷变化采用罚函数法处理非线性约束提升了算法在复杂调度场景中的收敛性与实用性3结合主观赋权法与客观赋权法提出了Pareto最优解集的综合决策方法兼顾专家经验与数据客观性解决了多目标调度中最优解难以筛选的问题提升了调度方案的可操作性。2 相关理论基础2.1 梯级水电与火电机组运行特性分析2.1.1 梯级水电站运行特性梯级水电站由流域内多个相互关联的水电站组成其运行具有显著的水力耦合性与季节波动性。核心特性主要包括一是水文耦合性上游水库的泄水的为下游水库的来水需考虑水流传播时间通常为12-24小时与库容关联形成复杂的水力约束关系[6]二是出力波动性受流域径流时序变化影响丰水期水电出力充足甚至出现弃水枯水期出力不足需火电补能平水期需与火电协同分配负荷三是多目标协同需求除发电外还需兼顾防洪、生态流量保障、航运等需求进一步增加了调度复杂度四是运行成本低水电运行过程中无需消耗燃料仅产生少量运维成本且调峰灵活性强适合承担电网峰荷任务。梯级水电站的核心优化目标包括发电量最大化、蓄能最大化、弃水量最小化同时需满足水量平衡、库容限制、出力限制、生态流量等约束条件。其中水量平衡约束是梯级调度的核心约束需确保各水库时段初蓄水量、入库流量、出库流量与时段末蓄水量之间的平衡关系[7]。2.1.2 火电机组运行特性火电机组作为电力系统的基荷电源其运行具有约束刚性强、调峰成本高、碳排放量大等特点。核心特性主要包括一是出力约束刚性火电机组存在最小技术出力通常为额定容量的30%-50%避免熄火同时存在最大出力限制与爬坡速率约束单位时间内出力变化率≤5%-10%避免锅炉压力骤变[8]二是经济性约束火电机组的运行成本主要包括燃料成本与启停成本其中启停一次成本高达数万元需减少不必要的启停操作同时深度调峰会导致单位发电成本上升需权衡补偿收益与运行成本三是环保约束火电机组运行过程中会产生CO₂、SO₂、NOx等污染物需控制排放量以满足环保标准四是稳定性强火电机组出力不受自然条件影响能够稳定提供基荷出力保障电力系统供电可靠性。火电机组的核心优化目标包括燃料成本最小化、污染物排放最小化、调峰深度适应新能源波动同时需满足运行限制、启停成本、爬坡速率等约束条件。2.1.3 梯级水电与火电机组联合调度协同机制梯级水电与火电机组联合调度的核心协同机制是“优势互补、协同优化”水电凭借其调峰灵活性强、运行成本低的优势承担电网峰荷任务平抑负荷波动减少火电调峰压力火电凭借其出力稳定的优势承担电网基荷任务在枯水期或水电出力不足时补充出力保障电力系统供需平衡[9]。丰水期优先利用水电出力减少火电出力降低燃料消耗与污染物排放枯水期火电增加出力水电合理蓄水保障后续发电需求平水期二者协同分配负荷实现多目标平衡。2.2 NSGA-Ⅲ优化算法原理与流程2.2.1 算法核心思想NSGA-ⅢNon-dominated Sorting Genetic Algorithm Ⅲ是由Deb等人于2014年提出的多目标优化算法是NSGA-Ⅱ的改进版本专为高维多目标优化问题目标数≥4设计[10]。其核心思想是通过引入参考点机制与自适应归一化策略替代NSGA-Ⅱ的拥挤度排序在非支配排序的基础上实现解集收敛性与多样性的平衡无需额外设置目标权重或偏好参数能够高效生成均匀分布的Pareto最优解集。与传统多目标算法相比NSGA-Ⅲ算法的核心优势在于一是高维优化能力强在处理4-15个目标的优化问题时表现显著优于NSGA-Ⅱ等算法适配电力系统多目标调度的高维需求二是解集多样性好通过参考点引导搜索方向确保解集均匀覆盖所有优化目标方向避免局部最优三是适应性强通过自适应归一化策略动态调整目标函数值范围解决不同量纲目标的不均衡问题[11]。2.2.2 算法核心流程NSGA-Ⅲ算法的核心流程主要包括初始化、非支配排序、自适应归一化、参考点关联与选择、交叉变异、精英保留六个步骤具体如下1初始化设定算法参数包括种群规模、迭代次数、交叉率、变异率等通过结构化方法生成初始种群确保初始解的多样性同时采用Das-Dennis法生成均匀分布的参考点覆盖所有优化目标方向参考点数量根据目标维度与优化精度确定[12]。2非支配排序将初始种群或合并种群按非支配层级进行分层优先保留高等级个体。其中非支配解Pareto最优解是指不存在其他个体在所有目标上均优于该个体的解第一层为所有非支配解第二层为仅被第一层个体支配的解以此类推[13]。3自适应归一化对各目标函数值进行归一化处理动态调整目标函数值范围消除不同量纲目标之间的不均衡影响确保每个目标在优化过程中具有同等重要的权重为参考点关联奠定基础[14]。4参考点关联与选择将每个个体关联到最近的参考线计算个体与参考点的距离优先填充未被覆盖的参考方向选择距离参考点最近、非支配层级最高的个体进入下一代种群确保解集的多样性与收敛性[15]。5交叉变异采用实数交叉与变异算子对选中的个体进行交叉变异操作生成新的子代种群促进优良基因的组合增强种群的探索能力避免算法陷入局部最优[16]。6精英保留将父代种群与子代种群合并重复上述非支配排序、参考点关联与选择步骤形成下一代父代种群确保前一代中的优秀解能够保留同时结合新解维持种群的进化能力直至达到预设迭代次数输出最终Pareto最优解集[17]。2.2.3 算法关键参数说明NSGA-Ⅲ算法的参数设置直接影响算法的收敛性与解集质量结合梯级水电与火电机组联合调度问题的特点关键参数设置如下1种群规模根据调度问题的复杂度与目标维度确定通常设置为100-200确保种群具有足够的多样性同时避免计算量过大2迭代次数通常设置为200-500确保算法能够收敛到稳定的Pareto最优解集3交叉率设置为0.7-0.9促进优良基因的重组提升种群进化速度4变异率设置为0.01-0.05避免算法陷入局部最优同时防止变异过度导致种群不稳定5参考点数量根据目标函数个数确定目标数为4时参考点数量通常设置为30-50确保覆盖所有优化方向[18]。4 基于改进NSGA-Ⅲ算法的联合调度模型求解4.1 算法适配性分析梯级水电与火电机组联合多目标调度问题具有高维、非线性、多约束、目标冲突等特点传统多目标优化算法难以满足求解需求而NSGA-Ⅲ算法与该问题具有良好的适配性具体体现在以下三个方面1高维目标适配性本文构建的调度模型包含4个核心目标函数属于高维多目标优化问题NSGA-Ⅲ算法通过参考点机制能够有效解决高维目标下解集收敛性与多样性难以平衡的问题优于NSGA-Ⅱ等传统算法[28]2复杂约束适配性联合调度模型包含大量非线性约束如梯级水力耦合约束、火电机组燃料成本二次函数约束NSGA-Ⅲ算法支持非线性约束的嵌入可通过罚函数法处理违反约束的个体确保解集的可行性3实际需求适配性NSGA-Ⅲ算法无需额外设置目标权重能够生成均匀分布的Pareto最优解集涵盖不同目标偏好的调度方案可满足电力系统不同运行场景的需求同时算法的无参数特性除遗传参数外降低了参数设置的主观性[29]。尽管NSGA-Ⅲ算法具有良好的适配性但直接应用于联合调度问题仍存在不足一是难以有效处理梯级水电的水力耦合约束易生成违反水量平衡的不可行解二是参考点固定无法适配调度周期内负荷峰谷变化与水文条件波动三是初始种群随机性强可能导致算法收敛速度较慢。因此本文针对上述问题对NSGA-Ⅲ算法进行适配改进。4.2 NSGA-Ⅲ算法改进策略4.2.3 初始种群优化针对传统NSGA-Ⅲ算法初始种群随机性强、收敛速度慢的问题本文采用“线性规划预生成随机生成”的初始种群优化策略提升初始种群质量1线性规划预生成采用线性规划方法分别以单一目标函数最小化为目标求解联合调度模型得到4个单一目标最优解作为初始种群的精英个体2随机生成结合梯级水电与火电机组的可行域约束随机生成剩余初始种群个体确保初始种群均匀分布在可行域内3种群筛选对初始种群进行可行性筛选删除违反约束的个体补充新的可行个体确保初始种群的可行性与多样性缩短算法收敛时间[33]。4.3 改进NSGA-Ⅲ算法求解流程结合上述改进策略基于改进NSGA-Ⅲ算法的梯级水电与火电机组联合多目标调度模型求解流程如下步骤1参数初始化。设定算法参数种群规模、迭代次数、交叉率、变异率、惩罚系数等确定调度周期、负荷需求、水文数据、机组参数等基础数据构建联合多目标调度模型步骤2初始种群生成。采用“线性规划预生成随机生成”策略生成初始种群进行可行性筛选确保初始种群的可行性与多样性步骤3初始参考点生成。根据初始调度场景采用Das-Dennis法生成初始参考点集合步骤4非支配排序。对初始种群进行非支配排序划分非支配层级计算各个体的非支配等级步骤5自适应归一化。对各目标函数值进行自适应归一化处理消除不同量纲的影响步骤6参考点关联与选择。根据动态参考点调整机制更新参考点集合将个体关联到最近的参考点选择非支配等级高、距离参考点近的个体进入下一代种群步骤7交叉变异。采用实数交叉与变异算子对选中的个体进行交叉变异操作生成子代种群通过罚函数法处理子代种群中的不可行个体步骤8精英保留。合并父代种群与子代种群重复步骤4-步骤7形成下一代父代种群步骤9收敛判断。若达到预设迭代次数输出Pareto最优解集否则返回步骤6继续迭代步骤10最优解决策。采用综合决策方法从Pareto最优解集中筛选出兼顾各目标的综合最优调度方案输出调度结果[34]。5 实例仿真与结果分析5.1 实例选取与参数设置5.1.1 实例选取为验证改进NSGA-Ⅲ算法的有效性与优越性本文选取某流域梯级水电站群与相邻火电机组系统作为研究实例。该梯级水电站群包含3个串联水电站记为H1、H2、H3流域径流数据采用该流域近10年同期实测数据生态流量根据流域生态保护要求确定火电机组系统包含4台燃煤火电机组记为T1、T2、T3、T4机组参数参考国内同类火电机组确定调度周期为1天24小时时段长度为1小时电网负荷需求采用该地区典型日负荷曲线峰荷时段为8:00-22:00谷荷时段为23:00-次日7:00。5.1.2 基础参数设置1梯级水电站参数H1、H2、H3的最小安全蓄水量分别为5000万m³、4000万m³、3000万m³最大安全蓄水量分别为10000万m³、8000万m³、6000万m³最小出力分别为20MW、15MW、10MW最大出力分别为100MW、80MW、60MW运维成本系数均为0.5元/(MW·h)水流传播时间H1到H2为2小时H2到H3为1小时生态流量分别为10m³/s、8m³/s、6m³/s[35]。2火电机组参数T1-T4的最小技术出力分别为30MW、25MW、20MW、15MW最大出力分别为150MW、120MW、100MW、80MW燃料成本系数a_j, b_j, c_j分别为0.002, 200, 1000、0.003, 180, 900、0.0025, 190, 950、0.0035, 170, 850污染物排放系数d_j, e_j, f_j分别为0.001, 0.5, 10、0.0012, 0.45, 9、0.0011, 0.48, 9.5、0.0013, 0.42, 8.5最小运行时间与最小停机时间均为3小时爬坡速率分别为20MW/h、15MW/h、12MW/h、10MW/h[36]。3系统参数调度周期T24小时负荷需求L_t根据典型日负荷曲线确定峰荷最大为400MW谷荷最小为200MW系统备用容量R_t取负荷需求的8%罚函数系数λ5000参考点数量为40个。5.1.3 算法参数设置改进NSGA-Ⅲ算法、传统NSGA-Ⅱ算法、遗传算法GA的参数设置保持一致确保对比公平性种群规模150迭代次数300交叉率0.8变异率0.03GA算法采用加权求和法将多目标转换为单目标权重系数均设为0.25[37]。5.2 仿真结果采用MATLAB软件编写算法程序分别运用改进NSGA-Ⅲ算法、传统NSGA-Ⅱ算法、GA算法对联合多目标调度模型进行求解得到以下仿真结果1Pareto最优解集分布改进NSGA-Ⅲ算法生成的Pareto最优解集在目标空间中均匀分布能够全面覆盖各目标的优化方向无明显聚集或空缺传统NSGA-Ⅱ算法生成的解集存在局部聚集现象部分目标方向未覆盖GA算法仅能得到单一最优解无法提供多样化的调度方案[38]。2各目标函数最优值对比改进NSGA-Ⅲ算法求解得到的各目标函数最优值均优于传统NSGA-Ⅱ算法与GA算法其中总发电成本较NSGA-Ⅱ算法降低3.2%较GA算法降低7.5%污染物排放量较NSGA-Ⅱ算法降低2.8%较GA算法降低6.9%负荷缺额为0满足系统可靠性要求弃水量较NSGA-Ⅱ算法降低4.5%较GA算法降低9.2%[39]。3调度方案示例选取Pareto最优解集中的综合最优调度方案其核心调度策略为峰荷时段8:00-22:00水电满出力运行承担峰荷任务火电维持中等出力保障系统备用谷荷时段23:00-次日7:00水电合理蓄水减少出力火电减少出力降低燃料消耗与污染物排放丰水时段10:00-16:00水电充分利用入库流量减少弃水火电进一步降低出力[40]。5.3 结果分析5.3.1 算法性能分析从算法收敛性与解集多样性两个方面对比分析三种算法的性能1收敛性改进NSGA-Ⅲ算法的收敛速度最快在迭代200次左右达到稳定收敛传统NSGA-Ⅱ算法在迭代250次左右达到稳定收敛GA算法收敛速度最慢需迭代280次以上才能达到稳定收敛。原因是改进NSGA-Ⅲ算法采用了初始种群优化策略提升了初始种群质量同时动态参考点调整机制加快了算法的收敛速度[41]。2解集多样性采用多样性指标Spacing与收敛性指标Generational Distance对解集进行评价其中Spacing值越小解集分布越均匀Generational Distance值越小解集收敛性越好。仿真结果显示改进NSGA-Ⅲ算法的Spacing值为0.082Generational Distance值为0.056传统NSGA-Ⅱ算法的Spacing值为0.125Generational Distance值为0.078GA算法无多样性可言仅能得到单一解。表明改进NSGA-Ⅲ算法能够生成分布均匀、收敛性好的Pareto最优解集优于传统算法[42]。⛳️ 运行结果 参考文献[1] 谢云东,章四龙,王红瑞,等.基于NSGA-Ⅱ算法的硗碛水电站多目标调度研究[J].中国农村水利水电, 2022(3):207-211.[2] 李咸善,范雨萌.基于CE-PSO算法的风、火、梯级水电系统联合优化调度[J].电力科学与工程, 2019(2):6.DOI:CNKI:SUN:DLQB.0.2019-02-001.[3] 刘书明,李明明,王欢欢,等.基于NSGA-Ⅱ算法的给水管网多目标优化设计[J].中国给水排水, 2015, 31(5):4.DOI:CNKI:SUN:GSPS.0.2015-05-012. 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