AI大战升温:Anthropic、OpenAI、腾讯、马斯克等如何争夺高价值工作流?

【能源系统优化】基于NSGA-II的储能容量配置模型:多目标优化与全寿命周期成本分析 项目介绍 MATLAB 储能容量配多大?NSGA-II优化与寿命成本情景分析 内容概要:本文介绍了一个基于MATLAB的储能容量配置优化项目,通过NSGA-II多目标优化算法,综合考虑储能系统的全寿命周期成本、供电可靠性与新能源消纳能力,构建了包含数据生成、储能运行仿真、寿命衰减建模、多目标优化与决策分析的一体化模型框架。项目生成50000条多维随机数据,涵盖负荷、新能源出力、电价、温度与电池运行压力,并建立储能能量容量、功率与备用SOC的协同配置模型。通过时序仿真计算充放电行为、等效循环次数与容量衰减,结合初始投资、运行收益、更换成本与惩罚项,构建全生命周期经济评价体系。NSGA-II算法用于求解成本、供电可靠性与碳排放之间的Pareto最优前沿,支持多情景对比分析,如电价波动、负荷增长与寿命衰减加剧等,最终输出推荐配置与可视化结果,为储能工程选型提供量化依据。; 适合人群:具备一定MATLAB编程基础,从事电力系统规划、储能系统设计、新能源集成或优化算法研究的科研人员与工程技术人员,尤其适用于研究生、能源领域研发工程师及项目规划人员。; 使用场景及目标:①解决“储能容量配多大”这一实际工程问题,优化容量与功率的协同配置;②评估不同电价、负荷、气候与政策情景下储能方案的经济性与鲁棒性;③分析寿命衰减对长期成本的影响,避免“低投入高维护”的不合理配置;④为新能源电站、微电网、工业园区等场景的储能规划提供Pareto最优解集与决策支持。; 阅读建议:此资源侧重于模型构建与算法实现,建议读者结合提供的代码示例深入理解NSGA-II在储能优化中的应用,重点关注目标函数设计、寿命成本建模与多情景分析逻辑。建议运行数据生成与优化代码,调试并可视化结果,以掌握从数据到决策的完整流程。 立即下载

【AI大战升温】

7月,AI大战最关键的一条战线陡然升温。10日凌晨,奥特曼重摆阵形,发布新版ChatGPT桌面端。原本独立的Codex被并入其中,变成一个标签页,夹在“Chat”和“Work”之间。看起来是几项产品调整,背后意味却完全不同。

【新版桌面端的作战地图】

新版桌面端的三个标签,几乎就是OpenAI下一阶段的作战地图:Chat是过去的入口,Codex对准程序员的终端,Work则瞄向表格、文档和办公流程。过去只坐在聊天框里的ChatGPT,如今开始走进电脑桌面,将之变成工位,在代码、办公两条线同时干活。

【Anthropic的挑战】

奥特曼显然着急了。这场围绕coding和办公场景的争夺战,直接烧到了家门口。最难缠的是Anthropic。其Claude Code最初只是被当成又一个编程助手。到了4月,Claude Mythos在SWE - bench上拿到93.9%。这个榜单考验的是让模型进入真实的GitHub仓库,修复那些曾经折磨过真人程序员的历史bug。程序员随即涌入。Claude Code由此大举进入企业代码库,接手真实项目,占住了程序员的终端。尝到coding的甜头后,Anthropic又把同一套打法推向了办公。Claude Cowork接管表格、文档和企业流程,这条战线任务链更长、用户更多,正是OpenAI那个“Work”标签瞄准的同一块阵地。

【商业数据反超】

靠着coding和办公Agent撕开的商业化缺口,Anthropic的ARR从年初的140亿美元暴涨至470亿,估值陡然飙升至接近万亿美元,反超OpenAI;其企业市场份额34.4%,同样实现反超。在其他AI企业都受困于商业模式时,Anthropic率先夺得了市场的青睐。

【更危险的信号】

不止于此。在商业数据之外,奥特曼们也看到了更危险的东西。Anthropic挖出来的,绝不是一块“金矿”那么简单,它甚至可能改变AI竞争的全局。

【数据飞轮:比金矿还贵的“错题本”】

1、一笔每天滚动的复利 比金矿还贵的,是“错题本”。在Claude Code这样的产品里,程序员每一次接受、拒绝和手动修改AI生成的代码,都可能留下一条极有价值的反馈信号。GitHub上囤积的代码,是已经凝固的成品;编辑器里流动的操作,却记录着代码形成的过程。前者告诉模型最后写成了什么,后者则可能告诉它:你错在哪里,人类为什么不接受,又是怎样把你改对的。可以说,谁占领了这类场景,谁就能让用户一边付钱,一边获得改进下一代模型的真实反馈。这正是Anthropic让所有人眼红之处。它挖到的不只是一门赚钱生意,更是一台会自己加速的机器:数据飞轮。数据飞轮的链条并不复杂:更好产品 - 更多用户 - 更多纠偏数据 - 更强模型 - 更好产品。但不是所有场景都能把这台飞轮转起来。它首先要进入一门真正值钱的生意。AI把段子写得更好,用户笑过就走;AI替企业修掉一个Bug、缩短一条工作流程,老板却能算出节约了多少成本。企业持续付费,产品才有机会积累足够多的用户和任务。与此同时,反馈信号要足够强。比如代码提供高纯度的对错信号,代码能不能编译,测试能不能通过,通常都有明确结果。办公没有这样干净的判卷器,但它的任务链更长,信号更密。一个人做季度销售分析,要拉数据、写公式、调表格、做汇报、发邮件,AI在哪一步出错,用户就会在哪一步停下、撤回或者手动修改。一次任务走下来,沿途可能留下十几个反馈点。到了2026年,这类信号对下一代模型更稀缺了。过去五年,全行业的信念建立在一条简单公式上:更多算力加更多数据,等于更强模型。但今天,这套Scaling Laws开始出现裂痕。前OpenAI安全副总裁翁荔不久前连续撰文提醒人们,Scaling Laws并没有承诺模型可以永远以相同速度增长。更现实的麻烦是,公开互联网提供的高质量语料正在走向枯竭,互联网留下的又大多是成品。一份漂亮的报告不会留下被删掉的五版开头,一段正确的代码也不会告诉模型,程序员此前走过哪些弯路。真实工作流刚好保留了这些过程。所以,coding和办公场景的价值就不只来自市场规模。AI每完成一次真实工作,也可能多获得一次改进自己的机会。模型、产品和用户由此进入同一个循环:产品带来任务,任务产生反馈,反馈推动模型进步,更强的模型再去接住更复杂的任务。飞轮一旦转起来,这一轮积累的模型、用户和数据,就会成为下一轮竞争的起点。飞轮加速后,后来者再追赶就很难。想复制Anthropic的coding飞轮,就至少要同时拥有三样东西:一个程序员愿意托付工作的模型,一款真正进入工作流的Agent产品,以及一套能把行为反馈转化为评测和训练数据的系统。这也是为什么,硅谷巨头们都疯狂卷入了这场战争。就在不久前,马斯克对Cursor砸下600亿美元,投资圈一片“疯了吧”的声音,但硅谷很快替他总结出了那句话:他要的不是编辑器,是所有程序员敲键盘的声音。扎克伯格的打法更加粗暴。Meta一边计划部署7GW算力,下一年翻倍到14GW;一边把新模型价格压到竞争对手的四分之一。低价不是目的,让更多Agent用上Meta的模型,并进入更多办公流程,屏幕上的点击、犹豫和撤回才会源源不断地产生。只有模型领先,优势随时会过期,但飞轮领先,却像是一笔每天滚动的复利。这或许是OpenAI面对的真正压力。他未必最怕Claude某一代模型比GPT更强——模型总有机会追赶。他担心的是,Anthropic已经在高价值工作流里建立了一个闭环,而OpenAI欠缺一条同样成熟的数据管道。不过,真实工作流只负责产生原料,并不会自动变成训练数据。怎么把混乱、含糊、甚至互相矛盾的用户行为,炼成模型能吸收的经验,才是飞轮真正难建的地方。这一步,取决于一层看不见的系统:harness。

【Harness:炼金系统】

2、Harness炼金 Harness是什么?简言之,驾驭模型的一套系统。它操心模型进入真实工作之后,谁替它拆解任务、调用工具;谁检查结果是否正确;又是谁把一次失败整理成经验,送进下一轮迭代……在最近一篇博文中,翁荔对AI的近期自我改进路径做了一个判断:它未必从模型直接改写自身权重开始,更可能先发生在Harness层。换句话说,即使暂时不更新模型权重,围绕它运行的系统也可以先一步升级。模型没有变,任务成功率却可能提高。成熟的Harness还会继续发现模型的弱点,为下一代模型提供评测题和训练材料。Harness由此同时连接了当前任务和下一轮迭代:一边帮助现有模型把事情做成,一边记录它在哪里失败、用户如何修改,再把这些经验送回产品和模型。两者相互咬合,数据飞轮才真正开始转动。在反馈提炼这一环,Harness要做三件事:从大量日志里找出真正值得记录的操作;判断用户为什么接受、删除或重写;再追踪任务最终有没有成功。代码相对容易,测试通过与否可以当场判卷,办公则难得多——用户今天接受了一张表,可能三天后才发现公式引用错了。动作不会自己说明含义,接受也不等于成功。Harness要做的,就是把这些模糊、延迟的行为,还原成机器可以学习的反馈。当然,Harness产出的经验,也不一定送去更新模型权重。有些反馈会进入当前任务,让Agent立即重试;有些会写进用户或团队记忆……只有其中一部分经过用户授权、隐私处理和质量验证的数据,才可能进入后训练。某种程度上,Anthropic的coding飞轮转得快,也因为它在这个场景里把Harness磨了两年。这是飞轮更深的门槛:一套在真实工作流里摔过无数次、又从每次失败中修出来的Harness,是短期难以复制的。值得注意的是,Harness的崛起,又进一步打破了过去几年业界笃信的“线性神话”。在那套旧叙事里,一切都是线性的:只要堆够算力、训出更强的模型,产品竞争力就会自然而然地“溢出”,进一步形成数据飞轮。但Harness的复杂性却告诉人们:模型能力与产品体验之间,并非简单的线性关系。即便是最强模型,如果没有一套精密的外部系统去拆解任务、捕捉反馈、修正错误,它也无法胜任真正的工作。这一变化意外给了后发者一个窗口期。既然模型能力的溢出不再是唯一解,那么通过抢占工作流、磨炼Harness、进一步构建数据飞轮,也能够开辟另一条进阶乃至超车的路径。

【飞轮从另一边转动】

3、飞轮从另一边转动 这个窗口,大洋彼岸的腾讯先抓住了。在春节后的“龙虾”热潮中,其办公智能体产品Workbuddy突然闯入公众视野。外界以为是临时赶工,后来才知道,在它出现以前,腾讯打磨了很长时间的Harness,并跑出了编程助手CodeBuddy。2026年1月,团队沿着这套底座做出WorkBuddy 0.01,先交给腾讯内部2000多名非技术岗员工使用,随后在龙虾热中迅速推出桌面版。那时,腾讯的自研模型还没有明显优势,WorkBuddy却先跑进了真实办公场景。到3月,其PC端月访问量达到885万,很快就跑到了中国同类产品日活第一名。最近OpenAI推出ChatGPT Work之后,外界第一时间拿来类比的,正是这款产品。媒体纷纷说OpenAI推出了类似WorkBuddy的智能体,把它当作认识硅谷巨头举措的对标。对WorkBuddy的用户来说,拉Excel、写长文档、串起一整套办公流程,判断标准很直接:活到底交没交出去。2025年底加入腾讯的姚顺雨,看重的正是这样的场景。他反复强调,大模型已经成为一把足够通用的“万能锤子”,接下来更稀缺的是值得解决的问题,以及问题发生时的真实context。CodeBuddy和WorkBuddy每天产生的,便是这类问题。用户如何提出需求,模型在哪一步卡住,人又怎样把它改对,这些过程开始成为混元的“错题本”。姚顺雨带队重建混元,重点提升Agent能力,同时也推动模型与产品Co - design。Hy3训练时,WorkBuddy暴露出的指令遵循、工具调用和长任务执行问题,开始进入混元的评测与训练目标。经过授权、脱敏和质量筛选,部分真实反馈进入后训练和强化学习;新模型再回到WorkBuddy,去完成更长、更复杂的任务。然后是更好的产品的体验、更多的用户和反馈……Hy3 Preview接入后,WorkBuddy首响提速54%,任务总时长缩短47%,开始能够稳定跑完数百步流程。7月Hy3正式版发布时,其在WorkBuddy场景中的任务成功率从72%升至90%,耗时进一步缩短34%。Hy3总调用量较上一代增长68倍;在WorkBuddy主动选择模型的用户中,六成选择了它。飞轮开始咬合。这条循环也不只发生在WorkBuddy和混元之间。姚顺雨一直强调,LLM时代与过去AI最本质的区别是泛化性。模型在一个产品里练出的能力,可以迁移到另一个产品。元宝、ima、CodeBuddy和WorkBuddy产生不同的数据,这些数据又能相互泛化,最终“形成一个像网络一样的体系”。这张网络能否真正转起来,还取决模型与产品团队长期对齐的质量。但这条路径已经明了:飞轮未必要等模型领先之后再转。产品先拿到用户和任务,也可以反过来给模型供给真实的用户反馈,反向推动飞轮。无独有偶。马斯克也走了同样的道路,只是他没有做起Agent产品,而是直接砸了600亿美元,收购代码编辑器Cursor,截了一条数据管道,接入大模型Grok。数周后,Grok 4.5发布。这款模型由SpaceXAI和Cursor联合训练。Cursor披露,训练中使用了数万亿Token的Cursor数据,里面不只有代码,还有开发者怎样调用工具、怎样修改结果,以及Agent如何在真实环境里完成任务。Grok此前最缺的,恰恰是这些。在SWE - bench Pro上,Grok 4.5拿到64.7%,同期Claude Opus 4.8是69.2%。它还没有追上,但已经坐到了同一张牌桌上。让对手警惕的也不是这一次跑分,而是马斯克用一笔收购,把Grok接上了真实开发者的工作流。马斯克向来想学微信,看到他带着Grok 4.5重新回大模型牌桌,有自媒体评论,“马斯克又一次踏上了腾讯的路……如果这俩真能磨合出混元和WorkBuddy那种协同,对Grok的拉升会很大。”看到这条路的不只SpaceX。在中国,阿里、字节也都纷纷发力,字节推出编程工具Trae对标Cursor,阿里则力推旗下的编程平台Qoder。但不管是哪一种道路——Anthropic和OpenAI从模型领先出发,SpaceX用收购补上产品入口和数据管道;腾讯一边跑出Agent产品,一边追赶模型能力,模型和产品踩着彼此的肩膀,螺旋上升……路径不同,争夺的是同一种东西:进入高价值工作流,拿到源源不断的真实问题,再把它们变成下一代模型的能力。模型榜单还会不断易主。但当竞争进入普通人的桌面、日常的工作流,后来者要追赶的,就不再只是一次模型发布,而是对手在千万次真实任务中持续优化模型的循环。这就是复利。就像投资,拉长时间看,最终的赢家未必抓住了某一次最大的涨幅,却拥有持续获得复利的能力。AI竞争也是如此。

印尼稻米收成与粮食安全数据集2026年 本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。 立即下载

相关推荐

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

四分之一汽车模型主动悬架设计:在MATLAB_Simulink中实现比例积分控制、前馈扰动抑制和扰动估计,以优化乘坐舒适性和道路附着力。.rar

AI大战升温:Anthropic、OpenAI、腾讯、马斯克等多方角逐高价值工作流!

7月,AI大战最关键的一条战线陡然升温。10日凌晨,奥特曼重摆阵形,发布新版ChatGPT桌面端。原本独立的Codex被并入其中,变成一个标签页,夹在“Chat”和“Work”之间。这看似只是几项产品调整,背后意味却截然不同。新版桌面端的三个标签,几乎就是OpenAI下一阶段的作战地图:Chat是过去的入口,Codex对准程序员的终端,Work则瞄向表格、文档和办公流程。过去只坐在聊天框里的ChatGPT,如今开始走进电脑桌面,将之变成工位,在代码、办公两条线同时干活。奥特曼显然着急了,这场围绕coding

IT界那些事儿 23

Delphi 13.2控件之msquic4d.rar

Delphi 13.2控件之msquic4d.rar

AI巨头正在争夺人类的错题本

有反馈的错题,才能带来复利

shenliuyanjiu的博客 207

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

AI 日报 2026-08-30

AI Coding 今天的主线是"

能源星球的博客 789

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

【DBO三维路径规划】基于多策略改进的蜣螂算法MSDBO多无人机协同集群避障路径规划(目标函数:最低成本:路径、高度、威胁、转角)研究(Matlab代码实现)

内容概要:本文研究了基于多策略改进的蜣螂优化算法(MSDBO)在多无人机协同集群三维路径规划中的应用,旨在解决复杂三维环境下的避障与最优路径搜索问题。通过构建包含路径长度、飞行高度、威胁规避和转弯角度的综合成本目标函数,利用MSDBO算法对多无人机系统的飞行轨迹进行全局优化,实现在保证安全性与稳定性的前提下达到最低能耗与最优性能的目标。文中详细阐述了算法的多策略改进机制、三维环境建模方法以及多无人机协同避障策略,并通过Matlab仿真平台验证了该方法相较于传统优化算法在收敛速度、路径质量和鲁棒性方面的优越性能。; 适合人群:具备一定优化算法理论基础和无人机控制系统知识的科研人员及研究生,特别适用于从事智能优化算法、多智能体协同控制、路径规划与自主导航等相关领域的研究人员和技术开发者。; 使用场景及目标:①应用于灾害救援、军事侦察、智能巡检等复杂三维场景中多无人机协同任务的路径规划;②为多目标约束下的路径优化、动态避障与能耗平衡问题提供高效的算法支持与仿真验证工具;③推动智能优化算法在无人系统自主决策与协同控制中的实际应用与工程落地。; 阅读建议:建议读者结合提供的Matlab代码深入理解算法的具体实现过程,重点关注目标函数设计、多策略改进机制(如种群初始化、自适应参数调整、局部搜索增强等)及仿真结果分析部分,同时可尝试将该算法迁移至其他智能优化算法框架中进行对比研究,以深化对路径规划问题本质的理解与实践能力的提升。

机器视觉检测实战教程 19页成品课程光源选型Halcon标定海康相机VisionPro

内容概要:机器视觉检测实战教程,19页6章成品课程PDF:视觉检测光源选型对照表+五个翻车案例、Halcon模板匹配create_shape_model七参数整定、视觉标定三类(9点/旋转/手眼)、海康工业相机C#取图黑图丢帧排坑、VisionPro QuickBuild部署License迁移C#宿主、远心镜头选型。含C#/Halcon代码与现场案例。适用人群:机器视觉工程师、自动化检测开发、企业内训。使用场景:视觉方案设计、选型、标定部署、团队培训。原创整理。

【医疗器械制造】基于酸碱腐蚀环境的一次性乳胶手套铝合金手模失效机理分析与量产风险控制

内容概要:本文围绕一次性医用乳胶手套生产中使用的铝合金手模在酸碱环境下的失效风险展开系统性分析,重点探讨其在外表面腐蚀、清洗循环、氯介质侵入及表面粗糙度控制等方面的工程挑战。研究表明,尽管市场上已有带涂层的铝合金手模供应,但其能否在强碱、酸洗、毛刷摩擦、冷热交变和氯共存的复杂工况下长期维持Ra 1.0—2.5 μm的表面质量并实现稳定脱模,仍需经过严格的多阶段验证。常规阳极氧化+PTFE涂层方案已被实测排除,而316L不锈钢筒体在湿氯环境中出现的三个月内腐蚀失效案例提示必须重视内腔隔离设计。文章强调,采购决策应基于“小批量试制—离线加速试验—影子生产验证—条件性放行”的四阶段准入机制,结合表面参数、工艺相容性、手套成品性能与全生命周期成本进行综合评估,避免依赖供应商宣传数据。; 适合人群:从事医疗器械制造、材料工程、设备采购与工艺质量管理的技术人员及决策管理者,尤其是涉及乳胶手套生产线优化与手模选型的相关从业人员。; 使用场景及目标:①评估铝合金手模替代陶瓷手模的技术可行性与风险边界;②建立手模选型的系统验证流程,防范因表面失效导致的脱模异常、手套缺陷与非计划停机;③指导采购合同中技术条款的制定,确保供应商交付具备可验证数据支撑; 阅读建议:此资源以工程实证为导向,建议读者结合自身产线工艺参数,重点关注外表面Ra控制、内腔双密封设计、影子生产验证方法及失效链追溯体系的构建,在试制阶段严格执行多维度联合判定标准,审慎推进规模化替代。

【CEEMDAN-VMD-GRU】完备集合经验模态分解-变分模态分解-门控循环单元预测研究(Python代码实现)

内容概要:本文提出了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)的复合预测模型,旨在提升对复杂非平稳时间序列的预测精度。首先利用CEEMDAN对原始信号进行自适应分解,有效缓解模态混叠问题,获得一组本征模态函数(IMFs);随后引入VMD对关键模态分量作进一步优化分解,增强特征分离能力,降低噪声干扰;最后将处理后的平滑分量分别输入GRU神经网络进行独立训练与预测,并通过加权集成策略融合各分量输出,得到最终高精度预测结果。该方法结合了多尺度信号分解与深度学习的优势,显著提升了模型在处理强噪声、非线性、非平稳序列(如电力负荷、风速、光伏发电功率等)时的泛化能力和预测稳定性,文中提供了完整的Python代码实现,便于复现与应用。; 适合人群:具备一定Python编程基础和机器学习理论知识,从事科研或工程应用的硕士、博士研究生及科研人员,尤其适用于能源系统预测、智能电网调度、可再生能源管理、信号处理与时间序列分析等相关领域的研究人员和技术开发者。; 使用场景及目标:①解决传统单一预测模型在面对复杂非平稳时间序列时存在的过拟合、收敛慢、精度低等问题;②通过多阶段信号分解降低原始序列的复杂度与不确定性,提升GRU模型的训练效率与预测鲁棒性;③为电力系统负荷预测、新能源出力预报、设备运行状态预警及市场交易策略制定等关键任务提供高精度数据支撑。; 阅读建议:建议读者结合提供的Python代码逐模块理解算法实现流程,重点关注CEEMDAN与VMD的参数配置对信号分解效果的影响,尝试在不同数据集上进行实验对比,并通过可视化手段分析各模态分量的物理意义,进一步掌握模型调优与性能评估的方法。

【新能源电力系统】项目介绍 MATLAB实现基于GWO-VMD-SSA-LSTM灰狼优化算法(GWO)结合变分模态分解(VMD)、麻雀搜索算法(SSA)及长短期记忆网络(LSTM)进行辐照度-温度驱动

内容概要:本文提出了一种融合灰狼优化算法(GWO)、变分模态分解(VMD)、麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的复合模型(GWO-VMD-SSA-LSTM),用于实现高精度的辐照度-温度驱动短期光伏功率预测。该模型首先通过GWO优化VMD的关键参数(模态数K和惩罚因子α),实现对非平稳光伏功率序列的高效多尺度分解,降低信号复杂性;随后利用SSA对LSTM的超参数(如隐藏层单元数、Dropout率、学习率等)进行智能寻优,提升网络训练效率与泛化能力;最后通过独立LSTM网络对各VMD模态进行预测并重构输出。模型结合了信号分解、智能优化与深度学习优势,显著提升了在多云、阴雨等复杂天气下的预测精度与稳定性,并通过MAE、RMSE、MAPE和R²等指标验证了有效性。文中还提供了完整的MATLAB实现流程,涵盖数据清洗、归一化、滑动窗口构建、参数优化与结果可视化等环节。; 适合人群:具备一定机器学习与时间序列预测基础,从事新能源发电预测、智能电网调度、电力系统自动化等相关领域的科研人员、工程师及研究生。; 使用场景及目标:①解决光伏功率受辐照度、温度等因素影响而导致的强随机性、非平稳性预测难题;②提升短期(15分钟至1小时)光伏出力预测精度,支撑电网经济调度、储能协同控制与电力现货市场申报;③为多源气象数据驱动的可再生能源预测提供可扩展的技术框架。; 阅读建议:建议结合提供的MATLAB代码逐步实践,重点关注GWO与SSA的优化机制、VMD分解效果及其与LSTM的集成方式,注意避免时间泄漏问题,推荐在实际数据上复现实验以深入理解模型性能。

无人机路径规划中多种优化算法的仿真研究(Matlab代码实现)

内容概要:本文围绕无人机三维路径规划问题,系统研究了多种智能优化算法在复杂环境下的仿真应用与性能对比,重点实现了改进灰狼优化算法(I-GWO)、标准灰狼优化算法(GWO)、金鹰优化算法(GJO)和正弦余弦算法(SCA)的Matlab代码实现。通过构建包含路径长度、飞行高度、威胁规避及转弯角度等多维度目标函数的综合评价体系,对各算法在单无人机路径优化与多无人机协同集群避障场景中的表现进行全面仿真分析,评估其路径规划能力、收敛速度与鲁棒性。研究旨在实现最低综合成本的飞行路径,并为多智能体协同任务提供可靠的算法支撑。; 适合人群:具备一定Matlab编程基础,从事无人机系统设计、智能优化算法研究、路径规划及相关自动化、人工智能领域的科研人员、工程技术人员及研究生。; 使用场景及目标:① 掌握主流智能优化算法在三维空间路径规划中的具体建模与实现方法;② 对比分析不同算法在路径优化质量、计算效率、避障能力和多目标权衡方面的性能差异;③ 为多无人机协同执行侦察、监测、救援等任务提供高效的路径规划解决方案与仿真验证平台。; 阅读建议:建议结合文中提供的Matlab代码进行动手实践,重点关注算法参数调优、目标函数设计以及环境障碍物建模对最终路径的影响,可进一步扩展至动态障碍环境或加入通信约束以适应更复杂的实际应用场景。

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T12_eVTOL低空经济低空公共航线网络规划设计方案_可研报告版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

T07_低空经济与智能网联汽车融合的城市空地一体出行服务平台建设方案_决策评审版.pptx

超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书

内容概要:本文档《超全Mathcad全桥LLC谐振变换器开关电源设计mathcad计算书》系统阐述了全桥LLC谐振变换器在开关电源中的设计方法,重点利用Mathcad工具进行精确的数学建模与参数计算。内容涵盖LLC谐振变换器的工作原理、关键参数设计(如谐振频率、励磁电感、变比等)、闭环控制策略、软开关实现条件、效率优化及工程实践中需注意的关键事项。文档通过详尽的数学推导和工程实例,构建了一套完整的从理论分析到实际应用的设计流程,特别强调了在不同负载与输入电压条件下确保ZVS/ZCS软开关的实现机制,并提供了实际设计中的取值依据与优化方向,为电力电子工程师提供了一个高效、可靠的设计参考方案。; 适合人群:具备电力电子技术基础,从事开关电源研发的工程师、高校电力电子及相关专业的研究生与科研人员,以及熟悉Mathcad、Simulink等仿真与计算工具的技术人员;; 使用场景及目标:① 掌握全桥LLC谐振变换器的参数设计与性能优化方法;② 开发高效率、高功率密度的软开关电源系统;③ 支持科研项目或工业产品中高性能电源模块的设计与验证;④ 结合仿真模型进行设计结果的验证与教学培训;; 阅读建议:建议结合配套的仿真模型与计算书同步学习,重点关注参数设计公式的推导过程与工程取值的合理性,动手复现计算步骤以加深理解,并通过仿真手段验证设计结果的准确性与鲁棒性。

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

上一篇: 三年AI牛市三次风格切换,存储大劫后普通人投资AI该如何抉择?
下一篇: AI短剧主角“平均脸”泛滥:技术局限、行业生态与观众需求的无奈妥协
IT界那些事儿
博客等级 码龄6年 2万+粉丝 22原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值