當COMSOL Multiphysics將深度神經網絡（DNN）、高斯過程（GP）和多項式混沌展開（PCE）三種代理模型深度集成到平臺中時，這一悖論被徹底打破——完整有限元模型（FEM）的"小時級求解"被壓縮為代理模型的"毫秒級響應"，而精度損失被控制在工程可接受范圍內。 然而，代理模型的"快"是有代價的：它需要先用海量高保真仿真數據"喂飽"自己。

復雜網絡 金融動力學 進化動力學 神經網絡 相空間 狀態空間 動力流 先進功率半導體 類比數位處理過程 生物醫學工程 電氣工程中的計算智能 計算機和人工智能在電力工業中的應用 控制科學與控制工程 分布式發電、燃料電池和可再生能源系統 教育和培訓計劃 電動汽車技術 電機和電氣設備 電磁兼容性 高壓與絕緣技術 智能控制系統

設施布局優化、可視域基站和無人機選址優化 2 機器學習和深度學習方面 卷積神經網絡（CNN）、LSTM、支持向量機（SVM）、最小二乘支持向量機（LSSVM）、極限學習機（ELM）、核極限學習機（KELM）、BP、RBF、寬度學習、DBN、RF、RBF、DELM、XGBOOST、TCN實現風電預測、光伏預測、電池壽命預測、輻射源識別、交通流預測、負荷預測、股價預測、PM2.5濃度預測、電池健康狀態預測

無論是從基本的模型框架，如LMS、RLS或者AP等，還是從廣義輸入信號的角度，都存在系統性的研究成果，并在模型復雜度和性能上做出了各自的取舍，以基于功能鏈接人工神經網絡（FLANN）為代表的非線性方法也獲得了一定的重視。但是，實際應用場景中存在的痛點問題還在不斷出現，對于結合學科交叉知識的更全面的解決方案的需求不會消失。

隨著控制理論和全數字控制技術的發展，速度前饋、人工智能、模糊控制、神經元網絡、滑模變結構控制和混沌控制等各種先進算法在現代永磁電機伺服控制中都有了成功的應用。

但是，這些算法因其特定的局限性均無法獲得較好的控制參數，例如，粒子群算法易早熟，神經網絡算法需要大量樣本訓練，遺傳算法容易陷入局部極值等［7 －8］ 。

圖4 基于多智能體的無人機集群 Fig.4 UAV swarm based on multi-agent collaboration 每架無人機的深度強化學習智能體由2個深度神經網絡構成，包括演員網絡和評論家網絡，如圖5所示。

Wei (2008) <Combined optimization model of rock-burst prediction based on chaos optimization and BP neural networks> 將混沌優化算法與BP神經網絡算法相結合，預測淮北礦務局石臺煤礦的巖爆。

隨著控制理論和全數字控制技術的發展，速度前饋、人工智能、模糊控制、神經元網絡、滑模變結構控制和混沌控制等各種先進算法在現代永磁電機伺服控制中都有了成功的應用。

Lu(2003) <A model for predicting rock burst by MATLAB neural network toolbox> 使用巖體最大切向應力與巖體單軸抗壓強度之比、巖體單軸抗壓強度與巖體單軸抗拉強度之比、沖擊性指數等作為巖爆的判斷指標，建立了巖爆預測的神經網絡模型。