Status Updating under Partial Battery Knowledge in Energy Harvesting IoT Networks
本文研究能量收集物联网中边缘节点在仅部分了解传感器电池电量情况下的按需状态更新问题，通过将POMDP转化为截断信念空间的belief-MDP并用动态规划求解最优策略，同时提出多传感器传输限制下的渐近最优算法。
2023-09-20 cs.SY eess.SY
Performance-Aware Control of Modular Batteries For Fast Frequency Response
本文提出一种性能感知的模块化电池调度方法，通过MIQCP模型优化损耗与老化成本，实现快速频率响应，显著降低功率损耗和电池老化成本并增强SoC平衡。
2025-04-04 cs.SY eess.SY
On the Age-Optimality of Relax-then-Truncate Approach under Partial Battery Knowledge in Energy Harvesting IoT Networks
我们考虑一个能量收集（EH）物联网网络，其中用户向启用缓存的边缘节点发出按需请求，以发送有关各种随机过程的状态更新，每个过程都由EH传感器监控。边缘节点通过命令相应的传感器发送新的状态更新或从缓存中检索最近接收的测量值来满足用户的请求。我们的目标是找到一个控制策略，在边缘节点，最大限度地减少平均按需AOI在所有传感器的每时隙传输和能源的限制下，在边缘节点的部分电池知识。即，有限的无线电资源（例如，带宽）导致只有有限数量的传感器可以在每个时隙发送状态更新（即，每时隙传输约束），并且用于EH传感器的能量的稀缺性施加了能量约束。此外，边缘节点被告知的传感器的电池水平，只有通过接收到的状态更新包，导致电池水平的决策的不确定性。我们开发了一个低复杂度的算法-称为松弛然后截断-并证明了它是渐近最优的传感器的数量趋于无穷大。数值结果表明，所提出的方法取得了显着的收益超过请求感知的贪婪政策，并表明它具有接近最优的性能，即使是中等数量的传感器。
2022-12-12 cs.SY eess.SY
Learning Li-ion battery health and degradation modes from data with aging-aware circuit models
提出老化感知等效电路模型结合高斯过程回归，从运行数据估计锂离子电池健康状态，在两个数据集上容量RMSE低于1%、MAPE低于2%，并揭示开路电压函数对电阻推断的影响。
2025-06-30 cs.SY eess.SY
Improve in-situ life prediction and classification performance by capturing both the present state and evolution rate of battery aging
College of Mechanical and Vehicle Engineering, Chongqing University（重庆大学机械与车辆工程学院）
本研究提出结合电池老化状态与退化速率特征的高斯过程机器学习方法，仅需少量采样或循环数据，即可大幅提升电池寿命预测精度与分类准确率，助力退役电池高效重组。
2023-08-27 cs.LG cs.SY eess.SY
From Laboratory Aging Studies to Field Predictions: Quantifying Uncertainty in Battery Storage Lifetime Predictions
Technical University of Munich（慕尼黑工业大学）；RWTH Aachen University（亚琛工业大学）；Kempten University of Applied Sciences（凯姆森应用科学大学）
本研究提出开源概率退化框架，结合单元到系统近似，量化住宅电池储能寿命预测的不确定性，误差减半，预测与现场数据一致，并识别不确定性来源，为老化研究设计提供建议。
2026-09-10 cs.SY eess.SY
Optimal Battery Control Under Cycle Aging Mechanisms in Pay for Performance Settings
University of Washington（华盛顿大学）
本文研究在支付绩效环境下电池储能的最优控制，提出考虑电池循环老化机制的联合优化方法，通过建立电化学准确的雨流循环模型，证明退化成本的凸性，并提出具有简单阈值结构的在线控制策略，实现近最优性能。
2018-07-30 cs.SY eess.SY math.OC
SOC-Boundary and Battery Aging Aware Hierarchical Coordination of Multiple EV Aggregates Among Multi-stakeholders with Multi-Agent Constrained Deep Reinforcement Learning
本研究提出一种基于安全多智能体约束深度强化学习和权益证明算法的分层多利益相关者V2G协调策略，旨在优化DSO、EVA和EV用户的收益，同时增强可再生能源整合、减轻负荷波动并降低充电成本和电池退化。
2024-07-14 cs.SY eess.SY
Energy Consumption and Battery Aging Minimization Using a Q-learning Strategy for a Battery/Ultracapacitor Electric Vehicle
Clemson University（克莱姆森大学）；University of California, Berkeley（加州大学伯克利分校）；Hunan University（湖南大学）；University of Michigan（密歇根大学）
推进系统电气化革命一直在汽车工业中进行。电气化推进系统提高了能源效率，减少了对化石燃料的依赖。然而，电动车辆的电池在车辆运行期间经历劣化过程。考虑电池/超级电容器电动汽车中电池退化和能量消耗的研究仍然缺乏。该研究提出了一种基于Q学习的策略，以最大限度地减少电池退化和能耗。在Q学习的基础上，提出了两种启发式能量管理方法，并利用粒子群优化算法对其进行了优化。首先建立了车辆动力系统模型，其中考虑了严重因子电池退化模型，并利用遗传算法进行了实验验证。在结果分析中，首先用学习后的最优策略图来解释Q学习。然后，以不带超级电容器的车辆为基准，与带超级电容器的车辆采用Q学习的结果进行比较，并以两种启发式方法作为能量管理策略。在学习和验证驾驶循环中，结果表明，与没有超级电容器的基线车辆相比，Q学习策略将电池退化减缓了13-20%，并将车辆续航里程增加了1.5-2%。
2020-10-27 cs.LG cs.SY eess.SY
Why we need a standardized state of health definition for electric vehicle battery packs -- a proposal for energy- and capacity-based metrics
本文针对电动汽车整车层面电池健康状态缺乏标准化测量方法的问题，提出利用车载充电的容量与能量健康状态标准测量程序，并展示差分电压分析在整车电池老化诊断中的应用。
2025-08-21 cs.SY eess.SY
A Semi Empirical Approach to a Physically Based Aging Model for Home Energy Management Systems
随着电动汽车和建筑物中储能系统的利用率越来越高，人们对锂离子电池中老化相关现象的研究越来越感兴趣，因为它们是与可再生能源配对的固定能源。本文提出了一种混合退化模型的方法，结合了半经验的方法与基于物理的模型的好处。这使得能够容易地校准不同的电池化学成分，在必要时能够外推，并且计算效率足够高，可以与实时运行的控制系统相结合。为了证明所提出的方法的有效性，在智能家居能源管理系统中的两种不同的控制策略的效果证明了对磷酸铁锂（LFP）电池的老化。
2022-06-13 cs.SY eess.SY
Sub- μ W Battery-Less and Oscillator-Less Wi-Fi Backscattering Transmitter Reusing RF Signal for Harvesting, Communications, and Motion Detection
本文提出一种亚微瓦级无电池无振荡器Wi-Fi反向散射发射机，通过双音互调提取频率并复用射频信号，实现能量采集、通信与运动检测，灵敏度达-19 dBm。
2025-08-07 cs.SY eess.SP eess.SY
A Review on Recent Energy Harvesting Methods for Increasing Battery Efficiency in WBANs
本文综述了用于无线体域网（WBANs）传感器电池充电的最新能量收集方法，提出了相关未来研究方向，调研了强化学习、分布式优化等活跃领域，为新一代WBAN可充电传感器研究提供参考。
2024-01-12 cs.NI cs.SY eess.SY
Status Updating with an Energy Harvesting Sensor under Partial Battery Knowledge
我们认为状态更新下的能量收集（EH）传感器的电池电量的不准确的知识，发送状态更新的随机过程中的用户通过启用缓存的边缘节点。更确切地说，通过仅依赖于从最后接收到的状态更新分组捕获的电池水平知识来执行控制决策。在从用户接收到对新信息的按需请求时，边缘节点使用可用信息来决定是命令传感器发送状态更新还是从缓存中检索最近接收的测量。我们寻求边缘节点的最佳动作以最小化所服务的测量的平均AoI，即，平均按需AoI。考虑到部分电池知识，我们将问题建模为部分可观测的马尔可夫决策过程（POMDP），并通过描述其关键结构，开发了一个动态规划算法来获得最优策略。仿真结果说明了基于阈值的结构的最优策略，并显示所提出的最优POMDP为基础的政策相比，一个请求感知的贪婪（近视）的政策所获得的收益。
2022-04-12 cs.ET cs.SY eess.SP
Bayesian Analysis of Interpretable Aging across Thousands of Lithium-ion Battery Cycles
本研究针对锂离子电池老化问题，基于DFN模型采用贝叶斯方法（MCMC）估计95个特斯拉Model 3电池的电极参数，揭示了阴阳极参数的可识别性规律及对SOH的幂律贡献，为电池老化诊断提供了新方法。
2025-04-14 cs.SY eess.SY
Modeling Degradation for Second-life Battery: Preliminary Results
本文提出了一种新的电池建模框架的基础上，增强的单粒子模型（ESPM）考虑到二次电池的退化机制。在考虑电池固体和电解质相中的运输和电化学现象的同时，对主导的阳极相关老化机制，即固体电解质界面（SEI）层生长和锂电镀进行建模。第一次，活性材料的损失（LAM），它描述了阳极和阴极的趋势，随着时间的推移，以减少可用于嵌入和脱嵌的电极材料，被引入到ESPM。此外，老化模式与LAM动力学的耦合提供了一个全面的框架，可以用于预测线性和非线性容量衰减，这对评估二次寿命电池至关重要。因此，依赖于从[18]借用的数据，进行模型参数识别和全面的敏感性分析，以证明建模方法的有效性。
2021-08-18 cs.SY eess.SY
Constrained Optimal Planning to Minimize Battery Degradation of Autonomous Mobile Robots
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对自主移动机器人电池退化问题，提出兼顾循环退化与日历老化、保障任务完成的约束最优规划优化框架，通过矩形分段线性近似线性化双线性问题，案例验证其可实现最优路径规划并减少电池老化。
2025-06-16 cs.RO cs.SY eess.SY
Data-driven charging strategies for grid-beneficial, customer-oriented and battery-preserving electric mobility
电动汽车（EV）的普及和可再生能源使能源供应，车辆用户和移动部门之间产生协同效应。然而，汽车制造商也出现了新的问题：在EV电池的充电和放电期间，发生与整个EV的价值贬值相关的劣化（电池老化）。由于电动汽车用户的满意度取决于可靠和价值稳定的产品，汽车制造商通过考虑个人客户需求和电池老化，为简化和可持续的电动汽车使用提供充电助手。量化电池老化的Hierarchy模型由于复杂的执行而具有有限的实用性。数据驱动的方法为SOH估计提供了可行的替代方案。然而，现有的方法几乎不使用与用户相关的数据。通过线性和神经网络回归模型，我们首先估计能源消耗的驾驶考虑个人驾驶风格和环境条件。在接下来的工作中，在没有退化的电池的数据上训练的消耗模型可以用于估计具有老化电池的电动汽车的能量消耗。估计和实际消耗之间的差异表明电池老化是由内部损耗增加引起的。然后，我们的目标是评估充电策略对电池退化的影响。
2019-10-14 cs.OH cs.SY eess.SP
Optimal Status Updating with a Finite-Battery Energy Harvesting Source
METU（中东理工大学）；Auburn University（奥本大学）
本文研究了具有有限电池的能量收集源如何通过最优策略发送状态更新以最小化信息年龄的期望惩罚，提出了一种单调阈值策略作为最优解，并通过数值分析展示了电池容量增加对平均年龄的改善效果。
2019-05-22 cs.IT cs.SY eess.SY
World Model for Battery Degradation Prediction Under Non-Stationary Aging
Independent Researcher（独立研究者）
本文提出一种世界模型用于非平稳老化条件下电池退化预测，通过编码原始信号并学习动态转换生成未来轨迹，结合电化学知识约束提升预测精度。
2026-03-11 cs.LG cs.SY eess.SY
Optimal battery thermal management for electric vehicles with battery degradation minimization
本文针对电动汽车电池冷却优化问题，利用动态规划提取规则，提出一种近最优在线冷却策略，在降低电池退化的同时改善行驶经济性。
2023-08-06 cs.SY eess.SY
PhyMamba: Physics-Modulated Mamba for Robust Battery Health Prognostics
Singapore Institute of Technology（新加坡理工学院）；National University of Singapore（新加坡国立大学）；Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局高性能计算研究所）；Nanyang Technological University (NTU)（南洋理工大学）
PhyMamba是一种两阶段物理调制Mamba框架，将电化学老化融入序列建模，在三个公共数据集上使电池健康预测整体平均误差降低31.8%，实现最优聚合性能与精度效率权衡，支持实际部署。
2026-08-31 cs.LG cs.SY eess.SY
StateFormer: A Multivariate Transformer for Learning History-Dependent Battery State Dynamics and Long-Horizon Health Forecasting
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
本文提出多变量变压器StateFormer，用于预测大规模电池系统退化动态。它能跨时间尺度学习，在统一框架中表征多种电池过程，在合成与真实数据集上预测准确，性能不受噪声和温度影响，弥合实验室与现场差距，为电池相关决策提供智能。
2026-07-27 cs.SY eess.SY
Online Aging-Aware Energy Optimization for Vehicle-Home-Grid Integration
Chalmers University of Technology（查尔姆斯理工大学）；Polestar Performance AB
本文提出一种在线优化算法，通过车辆到家庭(V2H)和车辆到电网(V2G)实现车家电网整合，利用混合LSTM网络和非线性电池老化模型，实现在实时环境下的经济优化，结果表明年收益可达3046.81欧元。
2026-04-22 cs.SY eess.SY math.OC
Aging States Estimation and Monitoring Strategies of Li-Ion Batteries Using Incremental Capacity Analysis and Gaussian Process Regression
HTWG University of Applied Sciences（康斯坦茨应用科学大学）
本文基于增量容量分析和高斯过程回归，研究了未见过的锂离子电池的健康状态和剩余寿命估计，通过公开的牛津电池老化数据集，提出多模型高斯过程回归方法，实现高精度的健康状态估计和稀疏诊断的寿命监控策略。
2026-03-27 cs.SY eess.SY
Operator-Theoretic Joint Estimation of Aging-Aware State of Charge and Control-Informed State of Health
Southern Methodist University（南卫理公会大学）
本文提出基于算子理论的联合估计框架，用于考虑老化因素的状态电量和基于控制信息的状态健康估计，通过端到端训练实现稳定且准确的容量预测。
2025-12-17 cs.SY eess.SY
Extra Throughput versus Days Lost in load-shifting V2G services: Influence of dominant degradation mechanism
本文提出TvD指标并结合NMC电池数字孪生寿命模拟，证明日历老化占主导时负荷转移型V2G更具收益，且决策关键在于电芯化学体系与停放温度。
2024-08-04 cs.SY eess.SY
Low-Complexity AoI-Optimal Status Update Control with Partial Battery State Information in Energy Harvesting IoT Networks
本文研究能量收集物联网中仅知部分电池状态信息下的状态更新控制问题，提出CN策略及WUGC扩展方法，以低复杂度实现近最优的AoI性能。
2025-04-08 cs.IT cs.SY eess.SY
Online Power Control Optimization for Wireless Transmission with Energy Harvesting and Storage
Department of Electrical, Computer and Software Engineering, University of Ontario Institute of Technology（安大略理工大学电气、计算机与软件工程学院）
本文研究了在具有能量采集和存储设备的衰落信道中无线传输的在线功率控制优化问题，提出了一种基于Lyapunov优化的三阶段闭式解，通过电池能量控制实现战略性能源节约，并基于衰落条件进行机会性传输，从而提高长期时间平均传输速率。
2017-02-26 cs.IT cs.SY eess.SY
A Physics-Aware Attention LSTM Autoencoder for Early Fault Diagnosis of Battery Systems
Xi'an Jiaotong University（西安交通大学）
本文提出一种结合物理规律的注意力LSTM自编码器，用于提高电池系统早期故障诊断的准确性和召回率。
2025-12-07 cs.LG cs.SY eess.SY
Cycle Life Prediction for Lithium-ion Batteries: Machine Learning and More
Technische Universität Darmstadt（达姆施塔特工业大学）；University of Pavia（帕维亚大学）；Massachusetts Institute of Technology（麻省理工学院）；Technische Universität München（慕尼黑工业大学）
本教程概述了第一性原理、机器学习与混合电池模型，展示了利用实验室数据预测电池循环寿命的可解释ML流程，并强调了引入物理机制的混合建模对破译电池老化轨迹的重要性及未来研究方向。
2024-04-05 cs.LG cs.SY eess.SY
Analyzing cell-to-cell heterogeneities and cell configurations in parallel-connected battery modules using physics-based modeling
本研究使用实验验证的电化学模型模拟数百种四电池并联配置，通过统计分析发现电极活性材料体积分数异质性是影响模块容量、电流及热梯度的主要因素，优化电池排列可使热梯度降低51.8%、长期能量损失减少5.2%。
2025-04-01 cs.SY eess.SY
Promise and Challenges of a Data-Driven Approach for Battery Lifetime Prognostics
最近的数据驱动的方法已经显示出巨大的潜力，在早期预测电池的循环寿命，利用放电电压曲线的功能。然而，这些研究警告说，数据驱动的方法必须与特定的实验设计相结合，以限制老化条件的范围，因为锂离子电池的预期寿命是各种老化因素的复杂函数。在这项工作中，我们研究了数据驱动方法在各种老化条件下循环的锂离子电池的电池寿命动力学的性能，以确定何时可以成功应用数据驱动方法。结果表明，在宽范围的充电/放电C率和工作温度下老化的电池的放电容量差和寿命结束的方差之间的相关性。尽管使用了不同的条件，但这不仅用于循环电池，而且还用于获得特征：特征直接从循环数据计算，而没有在受控温度下单独的缓慢表征循环。然而，当用于特征提取的电压数据窗口减小时，或者当使用来自充电电压曲线而不是放电的特征时，相关性显著减弱。由于深恒流放电在实践中很少发生，这对在现实世界的系统中应用这种方法提出了新的挑战。
2020-10-15 cs.SY eess.SY stat.AP
Towards Battery-Free Wireless Sensing via Radio-Frequency Energy Harvesting
City University of Hong Kong（香港城市大学）；Shandong University（山东大学）；Delft University of Technology（代尔夫特理工大学）；University at Buffalo, SUNY（纽约州立大学布法罗分校）；Macquarie University（麦考瑞大学）
本文提出REHSense，利用射频能量采集器替代Wi-Fi接收器，在实现呼吸监测、活动与手势识别的同时将功耗降低98.7%并采集高达4.5mW能量。
2024-08-26 cs.AR cs.HC cs.LG
Optimal Day-Ahead Scheduling of Fast EV Charging Station With Multi-Stage Battery Degradation Model
Technical University of Denmark（丹麦技术大学）；Equilibrium Energy（均衡能源）
本文提出一种多阶段电池退化建模方法，集成于日前调度框架，以降低配备电池储能系统的快速充电站运营成本，平均节省约2.1%。
2026-09-21 cs.SY eess.SY
Depreciation Cost is a Poor Proxy for Revenue Lost to Aging in Grid Storage Optimization
针对电网储能套利调度中折旧成本无法准确反映老化收入损失的问题，揭示目标函数成本选取原理，提出移动平均滤波法估算退化成本，可更好捕捉峰值收入。
2024-03-15 cs.SY eess.SY math.OC
An MDP Model for Censoring in Harvesting Sensors: Optimal and Approximated Solutions
Univ. Carlos III de Madrid（马德里卡洛斯三世大学）；Universidad Rey Juan Carlos de Madrid（马德里胡安卡洛斯国王大学）
本文针对能量采集传感器的高能效传输问题，将删失决策建模为无限时域MDP，证明最优策略为依赖电池电量的重要性阈值函数，并提出一种比Q学习计算复杂度更低、收敛更快的基于模型的随机近似方案。
2025-02-02 cs.AI cs.SY eess.SY
A Machine Learning-based Digital Twin for Electric Vehicle Battery Modeling
Politecnico di Torino（都灵理工大学）
电动车辆（EV）的广泛采用受限于它们对电池的依赖，与液体燃料相比，电池目前具有低能量和功率密度，并且随着时间的推移会老化和性能劣化。出于这个原因，在EV寿命期间监测电池充电状态（SOC）和健康状态（SOH）是一个非常相关的问题。这项工作提出了一种电池数字孪生结构，旨在准确地反映电池动态的运行时间。为了确保非线性现象的高度正确性，数字孪生依赖于根据电池随时间演变的痕迹进行训练的数据驱动模型：SOH模型，重复执行以估计最大电池容量的退化，以及SOC模型，定期重新训练以反映老化的影响。所提出的数字孪生结构将在公共数据集上举例说明，以激励其采用并证明其有效性，具有高准确性以及与板载执行兼容的推理和再训练时间。
2022-06-16 cs.AI cs.LG cs.NA
Throughput Maximization for MapReduce-Based Collaborative Computing over Energy-Harvesting Wireless Devices
Shanghai University（上海大学）；Key Laboratory of Specialty Fiber Optics and Optical Access Networks, Shanghai University（特种光纤与光接入网重点实验室，上海大学）
针对能量收集无线设备的MapReduce协同计算，本文提出DDPG-CVX算法，联合优化资源分配，仿真显示其吞吐量较基准提升1.25至32.36倍。
2026-08-27 cs.DC cs.SY eess.SY
ACES -- Automatic Configuration of Energy Harvesting Sensors with Reinforcement Learning
University of California, San Diego（加利福尼亚大学圣迭戈分校）；Amazon（亚马逊）；Carnegie Mellon University（卡内基梅隆大学）
物联网是现代建筑应用的支柱。无线传感器因其灵活性和降低的部署成本而越来越多地被采用。然而，目前大多数无线传感器都是由电池供电的，手动更换电池会抑制大规模部署。能量收集传感器提供了一种有吸引力的替代方案，但它们需要为给定不确定能源可用性的应用提供足够的服务质量。我们建议使用强化学习来优化能量收集传感器的操作，以最大限度地提高可用能量的感知质量。我们提出了我们的系统ACES，该系统使用强化学习进行周期性和事件驱动的室内感知，并收集环境光能量。我们的定制板使用超级电容器临时存储能量，感知光线，运动事件并使用蓝牙低功耗中继它们。通过模拟和实际部署，我们证明了我们的传感器节点能够适应其照明条件，并在夜间和周末连续发送测量结果和事件。我们使用部署数据来不断调整感知以适应不断变化的环境模式，并转移学习以减少实际部署中的培训时间。在我们持续两周的60个节点部署中，我们观察到0.1%的死区时间。测量亮度的周期性传感器的平均采样周期为90秒，与电池供电的节点相比，使用PIR检测运动的事件传感器平均捕获86%的事件。
2020-08-03 cs.LG cs.SY eess.SY
Bridging battery design and health assessment through virtual sensing and physics-informed learning
研究针对锂离子电池健康监测与设计脱节问题，提出基于虚拟传感和物理信息学习的框架，能推断设计参数，嵌入机制降低预测误差，虚拟传感减少相关误差，建立反馈回路，助力电池设计与评估。
2026-07-21 cs.LG cs.SY eess.SY
Magnetic Field Energy Harvesting in Railway
磁场能量收集（MFEH）是一种系统可以利用环境交变磁场来收集能量的方法。针对电气化铁道中轨道电流周围的磁场，提出了一种新的应用概念。由于其非侵入性，该方法有可能作为低成本轨旁状态监测系统的一部分广泛部署，以增加寿命并减少维护要求。在这项工作中，MFEH在铁路的可行性实验证实-两种不同的配置进行了评估，无论是在受控的实验室环境中，以及在现场沿挪威铁路。在实验室模拟的200 A的轨道上，系统在50 Hz和16 2/3 Hz时的输出功率分别为40.5 mW和4.15 mW。在现场，原型系统从经过的单个货运训练中收获109 mJ，在中等交通量的位置中估计每日能量输出为1.14 J。有人认为，这种方法确实可以消除更换电池的需要，并可能无限期地延长节能电池供电的状态监测系统的寿命。
2022-01-03 cs.SY eess.SP eess.SY
Intelligent Duty Cycling Management and Wake-up for Energy Harvesting IoT Networks with Correlated Activity
Centre for Wireless Communications（无线通信中心）；University of Oulu（奥卢大学）；Instituto Universitario de Investigación y Desarrollo Tecnológico（大学技术研究与发展研究所）；Universidad Tecnológica Metropolitana（都市科技大学）；Aalborg University（奥尔堡大学）；University of Houston（休斯顿大学）
针对能量收集物联网设备，提出融合活动时空相关性与供能能力的K近邻占空比管理及基站按需唤醒机制，显著降低漏检概率与能耗。
2024-05-10 cs.AI cs.SY eess.SY
