项目1：
卡尔曼滤波（以及其他的滤波方法对比）
预处理
GRU，LSTM等时间序列预测方法
MPC（模型预测控制）
单机控制算法
粒子群优化算法
1. 卡尔曼滤波
smoother = KalmanSmoother(component='level_trend',
component_noise={'level': 0.0001, 'trend': 0.0001},
copy=False)2. MPC（Model Predictive Control.模型预测控制）
MPC的优势：
① 可以处理多变量问题
② 可以添加约束
③ 有预览功能（类似前馈），以改善控制器性能
3. 粒子群优化算法
粒子群算法的基本思想源于对鸟群觅食行为的研究，可以把每个粒子当成一只鸟，搜索解的过程就类似鸟群寻找食物的过程。在寻找食物的过程中，每只鸟知道自己所找到的最佳位置，同时鸟群内部也会进行信息共享，这样每只鸟也知道当前整个鸟群找到的最佳位置。PSO的优势在于简单、易于实现并且需要调节的参数较少，具有较好的全局寻优能力。
每个粒子具有三个属性：速度、位置和适应度。速度表示粒子的移动距离和方向，位置就是对应的实际问题的解。上述公式给出了包括D维分量的粒子的位置和速度。比如对于函数f(x)=x+y而言，一个粒子的位置就可以表示为(x,y)，此时粒子的速度和位置均为2维。适应度由适应度函数计算得到，用来评价一个粒子的优劣。
粒子群算法首先需要初始化一群粒子，随机初始化每个粒子的位置和速度，然后通过不断迭代搜索全局最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(个体极值P_best，群体极值G_best)来更新自身的速度和位置。
