摘要：对于集员估计的故障诊断技术, 因其在处理未知但有界不确定性方面的理论优势, 已成为提升系统鲁棒性与可靠性的重要研究方向. 鉴于此, 系统综述基于集员估计的故障诊断方法, 突破传统综述按时间或领域划分的范式, 以集合几何表示形式为主线, 将现有方法划分为区间型、椭球型、中心对称多胞形型以及其他几何体四大类, 深入阐述每类方法的基本原理、发展脉络与性能特点. 进一步围绕故障检测、隔离与估计3个核心环节, 全面回顾集员估计在故障诊断中的研究进展, 对比分析不同几何描述策略在计算复杂度、保守性和工程适用性方面的优劣. 在此基础上, 系统梳理该方法在各领域的典型应用成果, 并总结当前面临的关键挑战. 最后指出未来值得深入研究的若干方向.

摘要：动态多目标进化算法(DMOEA)通过从历史环境中提取知识来预测新解, 能够有效解决动态多目标优化问题(DMOP). 目前, 现有基于预测的动态多目标进化算法(DMOEAs)多依赖前两个历史环境的信息, 且缺乏对提取到的历史知识的动态维护和选择性复用. 针对该问题, 提出一种多源知识自适应融合预测的DMOEA, 称为MSFP-DMOEA. 首先, 该框架通过动态特征投影网络(DFPN)捕捉决策空间中的非线性变化趋势; 然后, 利用多模态知识库(MultiModalKB)系统化存储和检索历史环境中的优化模式; 最后, 利用多源知识融合预测机制, 将近期环境趋势预测与历史相似模式预测加权融合, 生成高质量初始种群, 并通过模态更新、合并以及淘汰机制, 实现历史知识的动态维护. 在多个基准测试问题和一个实际应用场景上的实验结果表明, MSFP-DMOEA在收敛性、多样性以及稳定性方面均显著优于当前几种主流动态多目标优化算法.

摘要：结合碳排放空间关联关系进行城市群碳排放量预测, 对制定区域协同碳减排政策至关重要. 长三角城市群碳排放量空间相关性分析表明, 城市间碳排放具有显著正向空间相关关系. 鉴于碳排放量的空间关联特征、非线性时间演化趋势和区域差异性, 提出非线性离散时空多变量灰色预测模型(NDSTGM(1,$\,m $,$\,N$)). 首先, 基于引力模型推导非对称时变空间权重矩阵, 并据此构建空间关联效应项提取空间关联特征; 其次, 设计具有差异化阶数的时间多项式项捕捉各节点变量的非线性时间演化趋势; 进而, 引入非等阶实数域灰色生成算子灵活挖掘数据的区域差异性; 同时, 基于遗传算法实现多项式阶数与非等阶生成算子的协同优化; 最后, 应用新模型开展长三角城市群CO₂排放量预测, 结果表明, 该模型在不同样本量下的建模性能显著优于9种对比模型, 在时空特征提取和预测精度提升方面具有显著优势, 预测结果显示长三角地区2025年有望实现“碳排放强度较2020年下降20%以上”的阶段性目标.

摘要：针对复杂工业过程的关键状态变量预测, 多变量耦合与工况波动导致关联结构复杂. 现有时序预测模型在刻画此类相关性时, 不仅计算开销大, 且易陷入多步预测偏差随步长级联放大的困境, 难以实现精度与效率的平衡. 为此, 提出一种基于因子感知机制的倒置Transformer时序预测模型. 不同于对多变量信号进行混合建模的注意力架构, 所提模型的创新在于从数据底层重构了多变量的正交表征, 并在潜在空间内实现跨变量解耦. 该模型通过变量维度序列化表示, 将每个变量在时间窗口内的历史序列编码为基本单元, 增强对变量的动态表征; 为降低跨变量交互建模的计算开销, 引入基于潜在因子的低秩注意力机制, 从而在维持全局相关性建模能力的同时提升计算效率与鲁棒性; 结合非自回归时序投影模块, 实现长时序多步并行预测, 减少多步预测中的偏差传播. 实验结果表明, 所提方法在预测精度与计算效率上均优于现有的时序预测模型, 为复杂工业系统的在线监控与调度提供高效预测支撑.

摘要：不平衡回归任务中, 连续目标变量的分布不均衡使得稀有值预测面临挑战, 其核心难点在于如何有效界定并识别稀有值. 针对这一挑战, 提出一种新的稀有区域识别策略($KK $-means). 该方法结合核密度估计和$K $-means聚类, 能够将目标变量空间中的稀疏样本点系统性地识别并合并为连续的稀有区间, 进而, 提出一种基于稀有区域识别的稀有值自助不平衡回归方法(RareBoost). RareBoost先通过标签密度比加权提取稀有区间信息, 并在自助采样中动态调整样本权重, 以增强模型对稀有区域的关注; 然后通过Stacking元学习器集成这些具有“稀有值感知”能力的基学习器, 形成兼顾全局效率与局部精度的稀有值预测模型. 实验表明, RareBoost在ANLL、RMSE与$ R^{2} $上的平均表现分别比最佳基线方法提升8.7%、5.8%和13.8%, 验证了其有效性.

摘要：多变量时间序列在采集、传输和存储过程中, 常因传感器故障、通信异常及环境干扰等因素出现缺失现象, 这不仅破坏数据完整性, 也会影响预测、分类等后续分析任务. 在随机缺失和连续缺失两类常见场景下, 现有插补方法仍面临输入统计易失真、时间范围适配不足以及恢复过程稳定性较弱等问题. 为此, 提出一种基于动态多尺度分解的多变量时间序列插补方法(DyMSI). 该方法通过构造缺失感知输入表示, 在归一化过程中仅利用非缺失位置估计统计量, 以减轻输入分布偏移; 通过构建动态多尺度分解框架, 自适应融合不同时间尺度的信息, 以增强模型对不同缺失模式的适应能力; 通过设计观测约束的逐层恢复机制, 减弱不可靠中间结果对后续恢复的干扰, 从而提高恢复过程稳定性. 实验结果表明, 与5个现有时间序列插补模型相比, 所提出的方法在5个公开数据集上的两类缺失场景下均表现出良好的插补精度.

摘要：在核心制造企业后市场服务中, 配件需求预测是支撑安全库存决策的重要环节. 然而, 配件工单数据的间歇性分布特点阻碍现有方法对需求演化规律的准确解析, 降低了需求预测的可靠性. 鉴于此, 从挖掘连续非零需求的季节性波动规律入手, 提出基于时序块相似性的间歇性序列自适应预测方法. 首先, 构建一个新的间歇性序列可预测性评价指标IPMI, 从噪声水平、周期稳定性和短期依赖性3个维度对可预测性进行量化; 然后, 建立趋势-季节解耦的自适应预测模型, 通过对原始序列进行时序块划分, 借助深度卷积网络和多头注意力机制分别提取块内短期时序特征和块间长期趋势特征, 进一步构建IPMI加权损失函数进行联合预测, 使得模型自适应提取时序块相似性信息; 最后, 利用核密度估计对预测结果进行分布校正, 以降低历史极端需求对于预测结果的负面影响. 利用M5竞赛百货零售数据和国内某大型轨道交通制造企业的实际配件需求数据进行实验验证, 实验结果表明, 所提出方法不仅可以准确预测间歇性需求的发生和强度变化, 还可在需求波动时显著提升安全库存决策的合理性.

摘要：针对差分驱动无人艇轨迹跟踪中存在的轨迹复杂、跟踪困难及能耗高的问题, 提出一种轨迹优化与跟踪一体化的分层控制框架. 上层基于安全域约束的贝塞尔轨迹优化方法对参考路径进行拟合与平滑化, 以保证轨迹的可行性与连续性. 下层在改进的非线性模型预测控制算法中引入择优参考策略, 将轨迹高度离散化后, 在动力学可达范围内选取超出预测步长的候选点, 构建参考点索引集合, 并通过滚动优化求解最优参考点序列, 从而降低轨迹跟踪能量消耗. 同时, 引入状态观测器用于补偿海浪扰动. 仿真结果表明, 所提出的方法能够有效提升轨迹拟合精度与跟踪稳定性, 并在保证控制性能的前提下降低总体能耗.

摘要：针对传统基于图像的视觉伺服(IBVS)在实际应用中存在对图像雅可比模型依赖、固定增益适应性不足以及特征点易出视场等问题, 提出一种改进的模糊在线极限学习机视觉伺服控制方法(FA-OS-ELM-IBVS). 该方法以在线序列极限学习机(OS-ELM)直接从图像误差估计相机速度, 避免显式计算图像雅可比及其奇异性; 构建以误差范数、可操纵性与误差收敛角为输入的Mamdani模糊增益, 实现伺服增益的非线性自适应调节; 通过分层矩形区域与sigmoid平滑补偿实现连续、可控的视场保持. 基于李雅普诺夫理论给出所设计控制系统的稳定性分析与证明. 仿真实验结果表明: 与经典IBVS相比, 所提出方法的收敛时间缩短约7.09% $ \sim $ 16.7%, 相机轨迹长度降低约27.48% $ \sim $ 57.94%, 且IAE、ITAE等积分性能指标显著降低; 在假设深度与真实深度存在明显失配的情况下, 系统仍能保持稳定收敛. 进一步与改进IBVS方法对比, 所提出方法在收敛速度与伺服性能方面均表现出进一步优势. 在六自由度CGXi G6机器人平台上的实验结果进一步验证了所提出方法在真实场景下的收敛效率提升, 以及所提出无标定框架的鲁棒性与有效性.

摘要：针对一类连续时间混沌系统, 提出一种基于模糊归零神经网络(FZNN)的有限时间同步方法. 首先, 将混沌系统统一建模为含未知参数的非线性系统形式; 然后, 构建主从混沌系统的同步误差模型, 在有界噪声干扰的条件下, 通过引入自适应模糊控制因子, 设计一种具有噪声抑制能力的模糊归零神经网络控制器, 从而消除未知初始参数输入对系统同步性能的影响; 接着, 通过理论分析证明, 所引入的模糊控制因子结合非线性神经元激活函数可构造一个具有有限时间收敛特性的归零神经网络控制框架, 该控制器能够保证从混沌系统在有限时间内精确同步至主系统, 且同步时间可预先设定, 不依赖于系统初值条件, 并对外界噪声具有鲁棒性; 进一步地, 通过两个典型混沌系统同步实验验证所提出方法的有效性; 最后, 将所提出基于FZNN的混沌同步策略应用于图像加密与解密过程, 实验结果表明所提出方法具有良好的安全性和实际可行性.

摘要：现行列车运行标尺配置以保障线路通过能力为原则, 不考虑客流分布特征的差异性, 导致列车牵引能耗偏高. 建立考虑客流特征的列车节能运行标尺精细化配置方法, 基于高平峰客流分布的差异, 解析列车在车站的“站停时间-客流量”以及在区间的“载客量-运行时间-牵引能耗”耦合关系; 基于该耦合关系构建以列车周转牵引能耗最小化为目标的列车运行标尺配置模型. 最后, 以某地铁线路进行实证研究, 结果显示在不改变原车底周转时间的前提下, 优化后平峰时段列车周转牵引能耗降低12.71%, 高峰时段列车周转牵引能耗降低6.69%, 验证了该方法的节能潜力. 研究成果能够为节能运行图编制提供关键参数, 该方法适用于高平峰客流特征差异明显的城市轨道交通线路.

摘要：针对动车组运行过程中存在的集总扰动(未知时变扰动、附加阻力、单元间耦合力和基本阻力)、输入饱和及有限缓冲器行程等多重约束问题, 联合人工势函数提出一种基于多智能体理论的分布式有限时间预设性能鲁棒一致性控制器. 首先, 根据缓冲器行程的不同区间, 提出一种新的势场力作用判断机制, 并构建基于相对速度和距离的自适应斥力势函数和引力势函数; 其次, 结合余弦函数和指数函数, 提出一种新型的有限时间预设性能函数, 有效约束各动力单元跟踪误差的收敛边界与稳定时间; 此外, 引入扰动观测器和基于滤波补偿方法来处理集总扰动和输入饱和的影响. 相较于现有方案, 研究主要优势在于动车组系统的控制性能可预先得到保障, 还能兼顾实际有限时间稳定性、串稳定性与动力单元安全间距保持, 并具备更强的鲁棒性; 最后, 以CRH380A型高速动车组为研究对象, 从理论分析和数值仿真两个层面验证了所提出控制器的有效性与可行性.

摘要：针对城市物流配送“最后一公里”痛点和轨道资源利用不足的双重困境, 结合商业住宅区人口密集引发的道路交通拥堵问题, 以及地铁客运存在显著时空分布不均的特征, 提出一种公路与城市轨道协同运输的立体化城市物流优化方案. 首先, 通过整合地下闲置空间与地铁低峰时段运力, 构建基于地铁与货车协同的城市物流网络选址-路径两阶段优化模型: 第1阶段聚焦地铁货运中转站布局和资源分配优化, 第2阶段基于现有线路设计地铁与货车协同配送路径. 然后, 考虑到轨道运输的特殊性, 设置包括客户服务时间窗、地铁剩余运能、车辆容量等约束条件, 以最小化总成本为目标, 并结合模型特点, 设计融合自适应遗传算法与改进蚁群算法的两阶段混合求解算法. 最后, 以重庆市中心城区货物配送为例验证所提出模型和算法的有效性. 实验结果表明: 相比于传统配送方案, 该模式可使得配送距离显著缩短56.35%, 网络运作成本降低30.21%, 对于缓解城市物流运输难题具有积极意义.

摘要：随着分布式发电和微电网技术的快速发展, 微电网能源交易策略对于提高清洁能源消纳和推动微电网建设至关重要. 能源交易过程中的信息不完全会导致交易参与者的决策具有不确定性, 进而影响能源供应的稳定性和可靠性. 针对这一问题, 基于网络演化博弈理论研究了不完全信息条件下微电网能源交易策略. 首先, 根据微电网和主电网运营商的策略更新规则, 建立不完全信息条件下微电网能源交易的网络演化博弈模型, 该模型能够有效描述交易参与者在不完全信息条件下的策略演化动态. 其次, 利用矩阵半张量积, 得到基于网络演化博弈的微电网能源交易模型的代数形式. 在此基础上, 提出计算博弈均衡集合的算法和判断微电网能源交易模型收敛性的准则. 最后, 通过仿真例子验证了所得结果的有效性. 通过所提出的方法, 可以有效分析不完全信息对微电网能源交易策略演化以及模型收敛性的影响.

摘要：针对现有的基于动态运动基元的轨迹避障算法无法同时满足轨迹的特征保留性和平滑性的问题, 提出一种基于分段动态运动基元的轨迹平滑避障方法. 该方法将障碍物区域的轨迹进行分段处理, 分别构建动态运动基元模型, 并在障碍物之外寻找一个融合点进行分段泛化, 从而得到保留原轨迹特征的避障轨迹. 在此基础上, 采用基于虚拟目标点的轨迹实时平滑方法来处理过渡点的拐角, 得到平滑的避障轨迹. 为验证方法的有效性, 设计仿真实验和实际六轴机器人的轨迹避障实验, 并与现有的改进动态运动基元算法进行对比. 实验结果表明, 所提方法生成的避障轨迹不仅能更好地保留原轨迹的特征, 而且在轨迹的平滑性上也更有优势, 从而验证了所提出方法的有效性.

摘要：在不确定复杂社交网络决策背景下, 决策者之间的风险偏好差异以及决策源之间的相互干扰对群体共识的达成存在显著影响. 对此, 提出一种考虑风险偏好的量子群共识模型. 首先, 构建风险匹配函数以量化决策者之间的风险相似特性, 结合K-shell算法和Shapley值测度节点综合影响力, 并在此基础上结合风险匹配度计算决策者的权重; 其次, 构建一个基于最小调整成本的考虑量子干扰的群共识模型, 考虑个体偏好与群体偏好两条路径间的干扰效应, 从而动态促进群共识的达成; 此外, 基于证据理论融合群体的属性偏好, 确定属性权重, 并计算各备选方案的优势值以进行排序; 最后, 通过低空救援的算例验证模型的有效性, 并结合对比分析、敏感性分析与仿真分析, 评估所提出模型的鲁棒性与适用性. 研究结果表明, 所提出的模型能够有效解决不确定决策过程中决策源之间的干扰问题, 提升群体共识的效率与质量.

摘要：在国家提振消费、扩大内需的战略背景下, 互联网信用支付作为一种新型支付方式, 在刺激消费需求的同时, 也加剧了零售商库存决策所面临的需求不确定性. 以零售商利润最大化为目标, 分别构建提供与不提供互联网信用支付两种情境下的多周期库存决策模型, 从而刻画互联网信用支付对需求与订购决策的影响. 为应对需求波动的不确定性, 基于多面体不确定集构建多周期鲁棒优化模型, 并利用对偶理论将其转化为等价的线性规划问题. 以京东白条为算例的数值仿真结果表明, 互联网信用支付能够有效刺激消费需求, 进而促使零售商提高订购量并增加利润. 此外, 与动态规划方法的对比分析表明, 鲁棒优化方法在适度牺牲最优性的同时显著增强了决策的稳健性, 能够有效缓解需求波动对库存决策的影响, 从而在不确定环境下展现出更高的稳定性与实用性.

摘要：针对资源不确定环境下雾计算工作流动态调度问题(DWSPFC-RU), 构建以最小化总延迟时间为目标的数学模型, 并提出一种多树小生境遗传编程辅助的深度强化学习(MTNGPDRL)方法进行求解. 首先, 将DWSPFC-RU分解为路由决策子问题和排序决策子问题, 并据此构建路由智能体和排序智能体; 然后, 提出基于小生境策略的多树遗传编程算法(MTNGP), 用于生成高效且多样的路由和排序规则; 在此基础上, 将MTNGP的规则学习能力与决斗双重深度$Q $网络相结合, 构建多树小生境遗传编程辅助的多智能体深度强化学习框架; 接着, 针对DWSPFC-RU问题特点, 为两类智能体设计相应的状态空间和奖励函数, 并以MTNGP生成的规则构建其动作集合; 最后, 基于不同规模算例进行仿真实验和对比分析, 实验结果验证了所提出方法在求解DWSPFC-RU上的有效性和鲁棒性.

摘要：离线强化学习(ORL)依赖固定数据集进行动态决策学习, 常因分布外动作引发外推误差. 现有方法通常通过约束策略分布或采用保守的$Q $值估计来缓解该问题, 但由此带来的悲观性会导致习得的策略次优. 为此, 从提升值函数估计准确性的角度出发, 构造一种$Q $值修正(QVC)贝尔曼算子, 其以习得$Q $函数与行为$Q $函数之间的差异作为方向性信号, 对$Q $函数更新目标进行有界修正. 在此基础上, 将QVC贝尔曼算子与分布内贝尔曼算子相结合, 提出平衡贝尔曼算子以更好地利用分布内外数据. 理论结果表明, 通过平衡贝尔曼算子迭代得到的$Q $函数具有收敛性, 且其与真实$Q $函数之间的误差是有界的. 进一步, 将平衡贝尔曼算子集成至隐式$Q $学习中, 并在$V $函数更新过程中引入针对$Q $值高估与低估的自适应修正机制, 提出基于双重值修正的离线强化学习(ORL-DVC)方法. 实验结果表明, 在D4RL基准的Gym-Mujoco移动控制和AntMaze导航控制任务中, ORL-DVC的平均归一化得分达到80.9和62.7, 整体性能优于现有主流ORL方法, 体现出更优的泛化性能.

摘要：面向城市固废焚烧过程绿色、高效运行瓶颈问题, 提出一种基于小生境差分进化算法的城市固废焚烧过程智能优化运行方法, 旨在实现提升燃烧效率的同时减少烟气污染物排放. 首先, 构建基于多模块神经网络的运行指标评价模型, 实现固废焚烧过程中对燃烧效率、污染物排放浓度的在线评估; 然后, 提出一种小生境差分进化算法, 引入快速密度聚类算法实现小生境的动态划分, 提升种群多样性, 并根据小生境密度差异设定不同的变异强度, 平衡算法全局搜索和局部开发能力; 同时, 基于个体局部熵进行优先选择, 以获取高质量全局最优解集; 接着, 利用熵权-TOPSIS法获取炉膛温度和烟气含氧量的最佳设定值; 最后, 采用实际运行数据验证所提出方法的有效性和可行性.

摘要：化工过程的周期操作可利用反应过程固有的非线性特性突破稳态操作性能瓶颈. 然而, 操作参数的合适选取和对非线性特性分析能力的不足使其在应用中受到制约. 为此, 近年来学者们提出一种非线性频率响应方法, 旨在通过系统输出直流分量快速判定周期操作能否提升化学反应效益. 然而, 由于该方法对第一原理模型的依赖和对高阶非线性特性分析能力的不足, 通常只能实现定性分析. 为弥补现有方法在系统定量分析和优化设计中的不足, 提出一种基于数据驱动和非线性频率分析的方法. 该方法利用反应过程的输入-输出数据, 结合筛选出的数值方法, 构建数据驱动非线性频率响应(NFR)模型代替第一原理模型, 实现化工系统定量分析和优化设计, 最大限度地发掘周期操作的性能提升效用. 同时, 针对方波周期操作下的等温连续搅拌釜式反应器(CSTR)和CO₂-水气液平衡过程, 从数值仿真和应用层面分别验证所提出方法的系统分析和优化设计应用潜力.

摘要：可再生能源(RES)在电力系统中渗透率的不断提升, 其固有的波动性及碳排放传播路径的复杂性, 给低碳经济调度带来了严峻挑战. 现有方法难以精确量化RES不确定性成本, 传统碳定价机制亦无法有效追溯RES波动引发的间接碳排放. 为此, 提出一种融合信息论不确定性成本建模与动态碳流分配的多目标优化框架. 首先, 设计基于信息熵的RES不确定性成本模型, 通过Shapley值公平分摊不确定性风险, 解决了RES近乎零边际成本参与机组组合的难题. 其次, 建立碳流驱动的动态节点碳强度分摊模型, 精确追踪RES功率偏差引致的额外碳排放传播路径. 进而, 提出多模态NSGA-III (MMNSGA-III)算法, 协调信息论不确定性成本模型与动态碳分配机制之间的权衡. 该算法采用动态参考点和多模态策略, 有效应对RES导致的决策空间碎片化问题, 确保在同时最小化不确定性成本和碳排放传播方面获得帕累托最优解.

摘要：近年来, 以人体姿态信息为基础的行为识别技术正逐步应用到工人行为安全检测中. 然而, 在复杂工业场景下, 遮挡和算力受限等问题使得现有的基于计算机视觉的人体姿态估计方法难以同时满足高精度和低复杂度的要求. 因此, 结合量化自编码器和轻量化的ResNeSt网络, 提出一种面向复杂工业场景的人体姿态快速估计方法. 特别地, 提出一种循环权重迁移训练方法, 通过在不同尺寸的骨干网络模型之间迁移权重参数, 以保证姿态估计的精度. 实验结果表明, 所提方法能够在复杂工业场景中准确地估计出人体姿态, 相较于原始方法, 模型计算量减少了4倍, 为工业领域的实时姿态估计提供了一种高效、低资源消耗的解决方法.

摘要：冲突分析图模型(Graph Model for Conflict Resolution, GMCR)是当前研究和解决多方冲突博弈的主流方法，但当前其决策主体识别、策略提取与偏好获取还主要高度依赖专家经验，难以应对主体众多、信息海量的大规模冲突事件。为此，本文面向大数据和人工智能背景下的复杂冲突问题，将自然语言处理与知识图谱融入GMCR框架，提出人机协同的大规模冲突事件建模与分析方法。首先，基于冲突事件的多源文本数据，综合运用依存句法分析、语义聚类等方法，自动识别冲突主体及其关键策略，并经知识图谱关联与专家校验实现结构化表达。其次，针对表征主体偏好的策略声明，构建涵盖逻辑关系、情感倾向与关注强度的三维评分体系，由此量化主体偏好并生成偏好排序。最后，以“拉闸限电”大规模冲突事件为例进行案例分析，验证本文方法在冲突主体及策略识别、偏好信息获取和均衡解求解方面的有效性，并给出相应的冲突解决方案和管理启示。研究结果表明，本文方法为大数据环境下大规模冲突事件的智能化建模与决策支持提供了可行途径。

摘要：本文利用固定时间拟无源理论解决一类具有未知非线性的二阶多智能体系统在切换通信拓扑下的固定 时间输出一致性问题。首先，提出非线性系统固定时间拟无源概念。并证明固定时间拟无源系统的状态是有界 的且固定时间收敛到集合，从而获得固定时间实用稳定性准则。其次，针对含有未知非线性函数的多智能体系 统，利用模糊逻辑系统逼近未知非线性函数，设计一种模糊自适应固定时间拟无源化控制器，使得多智体系统 在切换拓扑下是固定时间拟无源。再利用所得到的固定时间稳定性准则去证明多智能体的固定时间拟输出一致 性问题。该控制器设计方法通过引入非奇异函数设计虚拟控制器，有效避免了传统反步法中的奇异性问题。在 本文的最后，通过实例仿真验证了结果的有效性。

摘要：多准则分类(MCS)问题在实际的社会生活与工业工程中普遍存在,随着决策问题的日益复杂,决策信息呈现出多元性与异构性特征,单一偏好结构的MCS方法在很多场景下无法满足现实决策需求.此外,复杂的决策环境导致部分目标分类不确定,大大降低了结果的可靠性.为此,本文研究面向混合指派偏好增量提取的多准则分类问题.首先,在增量偏好提取过程中分析决策者混合指派偏好特征,以此构建分类模型分布空间.接着,利用随机多准则可接受性分析思想(SMAA),建立了面向混合指派偏好的分类不确定性度量方法.然后,构建了考虑分类不确定性度量的混合指派偏好增量提取方法,主动学习决策者的混合指派偏好以逐步减小分类模型不确定性,从而保证MCS结果稳定性.最后,以MBA项目分类问题说明了所提方法的可行性和有效性.

摘要：本文研究Galois型非线性反馈移位寄存器可等价转换为Fibonacci型非线性反馈移位寄存器的充分必要图条件, 旨在为两类移位寄存器结构之间的等价转换提供理论支撑与判定框架. 首先, 基于矩阵半张量积理论, 建立Galois型与Fibonacci 型非线性反馈移位寄存器演化方程的代数形式, 进而推导二者可相互转换的代数判定条件. 其次, 从Fibonacci型非线性反馈移位寄存器的状态转移矩阵出发, 深入分析其内在的状态传递特征, 引入集合划分方法, 进而建立两类非线性反馈移位寄存器可相互转换的图论判定准则. 此外, 依据所提出的转换条件, 设计相应的结构转换算法, 实现Galois型向Fibonacci型非线性反馈移位寄存器的结构转化. 最后, 通过两个具体的数值算例, 验证所提出的判定条件与所设计的转换算法的可行性与有效性.

摘要：针对输电线路航拍巡检时高噪声图像特征无法有效表达导致小目标难以准确检测的问题,本文提出了一种基于YOLOv11架构的轻量化无人机目标检测网络RDCL-YOLO,该网络融合了多分支特征提取方法与自适应通道特征选择机制.本文主要工作内容包括:首先,设计DSDC下采样方法,使用多线程进行下采样,将不同采样程度的特征图进行融合,显著提升模型在高信噪比图像中对目标的细节捕捉能力;其次,设计DRHC-C3k2模块,融合动态增量混合卷积与通道广播注意力机制改进传统C3k2模块,使用不同大小的卷积并进行可学习权重分配,减少计算冗余,实现多尺度特征的自适应融合,以低参数量提升模型对多尺度目标特征的融合能力;最后,引入卷积权值共享机制以及多向感知模块PSF改进检测头,进一步降低了模型的整体参数量并提升模型对多尺度目标的聚焦能力.实验结果表明,改进后的模型将mAP50提升2.76%,mAP50-95提升1.11%,参数量降低了24.3%,计算量与模型大小分别减少了17.4%与11.5%.

摘要：针对无人机(Unmanned Aerial Vehicle, UAV)在复杂动态环境下因模型失配和障碍物运动不确定性导致的轨迹跟踪精度下降与避障滞后问题,提出一种基于双重高斯过程(Gaussian Process, GP)与模型预测控制(Model Predictive Control, MPC)融合的跟踪避障协同控制方法.首先,构建四旋翼无人机分层动力学模型,利用高斯过程在线学习系统未建模动态并进行误差补偿,以提高预测模型精度并量化模型不确定性.其次,建立基于高斯过程的动态障碍物轨迹预测模型,将障碍物位置预测的均值与协方差信息转化为时变三维椭球概率安全约束,并通过统一线性化方法将其嵌入模型预测控制滚动优化过程,实现对动态障碍物的前瞻性规避.进一步,设计融合动力学补偿与障碍预测信息的双重GP-MPC控制器,在统一优化框架下协同完成轨迹跟踪与动态避障任务.仿真结果表明,所提方法能够在复杂不确定环境中有效提高轨迹跟踪精度,增强动态障碍物规避能力,并保持较好的轨迹连续性与控制平滑性.

摘要：作为常见的机电一体化特种设备，电梯为人们的出行提供了极大的便利。然而，电梯故障风险的增加为乘客的安全带来挑战和威胁。为此，本文为曳引式电梯提出了一种基于状态的预测性维护策略以提升其运行可靠性。首先，分析电梯关键零部件和子系统的退化规律，选择维纳过程作为其理论退化模型，其中，融合深度学习技术对可实时监测的零部件进行状态评估。然后，考虑实际维护过程中的因素，综合不完善维保建立关键零部件的虚拟役龄模型。接下来，建立智能马尔可夫决策模型以寻求最佳维护策略，其中构建关键零部件和子系统的状态概率空间，通过状态转移概率模型对维护策略产生的影响进行描述，综合考虑维护过程中的各种成本因素，建立奖励回馈模型对做出的维护决策进行惩罚。最后，利用强化学习深度Q网络求解马尔可夫决策模型，求出在当前状态空间下的关键零部件最佳维护策略。使用几种电梯关键零部件的退化数据和在线运行数据，通过与电梯目前所采取周期性维保、启发式阈值策略以及传统的Q-learning对比，验证了所提方法的有效性与合理性。

摘要：在政府实施回收目标责任制的背景下，本文探讨了回收目标责任制与消费者押金返还组合政策的有效性。基于制造商和回收处理商组成的闭环供应链，本文构建了无回收规制、双重回收规制、双重回收规制且未赎回押金补贴三个博弈模型，通过比较各模型的价格均衡解，分析了组合政策对电子废弃物回收和环境绩效的影响。获得的研究结论如下：（1）单独实施回收目标责任制时，只有较高的回收目标率才能促使制造商和回收处理商对电子废弃物采取全部回收策略；结合消费者押金返还制度后，无论目标回收率取何值，只要匹配适当的押金水平均可实现电子废弃物的全部回收。（2）回收目标责任制与消费者押金返还的政策组合能够有效改善环境，但会消减制造商和供应链利润。（3）政府可合理设定目标回收率，并将未赎回押金用于补贴制造商和回收处理商，从而提升供应链整体利润和回收处理商利润的同时减少对环境的负面影响。

摘要：针对光学遥感影像中云雾遮挡导致的地表信息缺失、云影与复杂地物易混淆以及扩散采样计算开销较高等问题，提出一种多分辨率残差结构引导扩散网络。该方法以单幅有云影像和云层掩膜为输入，将云雾去除转化为逐步噪声估计与反向采样过程；在多尺度 U-Net 去噪主干中引入空间注意力增强机制，利用邻域上下文强化云缘、薄雾过渡区和建筑细节表达；同时通过掩膜引导的潜在特征融合为遮挡区域提供结构先验，并结合自适应注意力引导调节不同区域的特征更新强度，减少可靠区域的冗余计算。在 Sen2_MTC_New 和自建 City-Building数据集上的实验结果表明，所提方法在 PSNR、SSIM 和 LPIPS 上均优于多种代表性去云方法，在 City-Building数据集上 PSNR 达到 27.6739 dB、SSIM 达到 0.8952。结果说明，该方法能够在保持较好推理效率的同时，提高云雾遮挡区域的结构恢复能力和细节保持效果。

摘要：微电网是集成分布式新能源、负荷、储能以及监控和保护装置的自主型有源配电网系统。其中，伺服电机系统是分布式新能源系统中关键的执行与调控单元，其运行精度与稳定性直接关系微电网的柔性调控能力。永磁同步电机作为伺服系统的主流执行机构，在实际运行过程中，极易受到电机本体参数失配、未知负载扰动等不确定性因素影响；而传统电流控制策略存在电流跟踪精度低、运行稳定性不足的问题。为此，本文提出一种基于改进滑模观测器的无差拍预测电流控制扰动补偿方法。首先，通过指数-幂次复合趋近律以抑制传统滑模控制的抖振现象，实现对系统内部参数失配与外部负载扰动等综合扰动量的精确观测。其次，结合永磁同步电机的数学模型和无差拍预测控制原理，将观测器输出的扰动量引入无差拍预测电流模型，构建包含扰动补偿项的最优dq轴电压参考值求解机制，形成融合滑模观测器的无差拍预测电流控制器。最后，基于Lyapunov稳定性理论开展严格稳定性分析，完成观测器及闭环系统的稳定性证明。通过仿真及实验验证了所提方法的有效性。

摘要：多智能体强化学习面临鲁棒探索与高效协作的双重挑战。现有算法探索机制多为固定或与状态无关的调节方式，忽视了不同决策情境下差异化的探索需求，导致难以维持探索与利用的有效平衡；同时，在处理智能体间关系时通常采用扁平化的信息聚合方式，忽略了其内在的交互拓扑结构。为应对这些挑战，本文提出了一种基于状态自适应最大熵与图注意力网络的多智能体深度确定性策略梯度算法。首先，构建了最大熵强化学习框架，通过设计一个状态依赖的温度系数作为策略熵的自适应权重，使智能体能够根据当前的实时交互状态与探索需求动态调整策略的探索强度，从而实现自适应的探索-利用平衡。其次，利用图注意力网络显式地建模智能体间的交互拓扑关系，通过注意力机制区分不同邻居的重要性，生成更具表达力的状态表征以增强智能体间的协作。在多智能体仿真环境中的实验结果表明，本文算法在学习效率和最终协作性能方面都体现了较大的优越性。

摘要：针对合作-竞争有向符号拓扑下二阶多智能体系统一致性控制中的状态隐私泄露问题,本文提出一种基于位置信息的隐私保护二分一致性控制协议.考虑通信过程中智能体位置信息易被窃听者获取,本文采用状态分解方法,将每个智能体的真实状态分解为耦合的子状态变量,使交互信息不再包含完整的真实状态,从而实现隐私保护.同时,基于结构平衡理论与规范变换方法,将符号网络转化为等价非负网络模型,结合采样位置信息设计分布式控制协议,并推导出系统实现二分一致性的充分必要条件.理论分析表明,在所提控制协议下,系统能够实现二分一致性,并可有效抵御诚实但好奇窃听者与外部窃听者对智能体状态信息的窃取.最后,通过数值仿真验证了所提方法的有效性。

摘要：在热带海岛特殊气候条件下,低碳园区存在着新能源出力波动大、占比高、调节能力有限、空调负荷全年重载等特点.面对园区源荷不匹配导致的供电不稳定问题,目前大多研究运用储能来平抑波动,削峰填谷,但对热带海岛环境下导致的独特源荷特性涉及较少.为此,本文提出一种适应园区特性的广义储能多时间尺度优化调度策略.首先,构建了热带海岛气象下独特的源荷模型,并结合地域特征进行适配;其次,建立了长-中-短三层时间尺度协调架构:长期尺度以虚拟电厂经济性最优为目标,中期尺度基于滚动优化修正预测偏差,短期尺度旨在保障系统动态响应与鲁棒性;最后,为了验证所提方法的有效性,本文结合海南省某地园区负荷特性,以某用户为例进行仿真验证.相比传统双层优化调度,所提方法通过峰谷套利充储策略与优化,使日累计总运行成本降低了27.72%,下降了9649.3元,在用户侧储能充分参与下,实现了经济可靠运行.

摘要：在线问诊平台的海量医患信息导致患者择医决策时难以高效决策. 医生推荐研究多基于单一平台医患交互数据, 不仅存在冷启动问题, 而且未充分考虑患者个性化偏好. 为此, 提出医生专长和患者偏好双驱动的个性化择医决策模型. 首先, 通过对多平台患者评论文本挖掘, 构建患者择医决策指标体系; 其次, 运用词嵌入算法和余弦相似度处理患者咨询文本, 获得基于患者病情相似性的备选医生初始集; 随后, 通过LDA主题模型和加权Jaccard相似系数分析医生专长信息和相似患者文本, 获得基于医生专长和患者病情相似性的备选医生扩展集, 从而缓解冷启动问题; 最后, 从评论文本中提取患者群体偏好与个体偏好, 构建基于偏好分解的择医决策模型, 揭示影响患者择医的关键属性及其间的补偿关系, 实现个性化医生选择. 基于四个在线问诊平台的实例研究验证了所提方法的有效性.

摘要：针对概率语言环境下的多准则群体决策问题，提出了一种考虑意见冲突的群体多准则决策偏好学习方法。首先，基于距离测度度量专家评估差异，并依据个体与群体评估矩阵的一致性确定专家权重。其次，针对传统UTA方法在群决策中因专家偏好冲突导致模型无解的问题，提出了一种基于专家权重与最大一致性约束的两阶段冲突消解方法。在第一阶段，依据专家权重，利用加权多数原则识别候选偏好集；在第二阶段，构建以最大化保留高权重专家偏好为目标的0-1整数规划模型，筛选出兼容的最大一致性偏好子集。进而，根据最大一致性偏好子集求解UTA模型获取边际效用函数，根据边际效用函数获得各方案排序结果。最后，以某市养老机构选址问题为例，验证了所提方法的可行性和适用性。

摘要：针对复杂受限环境下多机械臂协同路径规划中搜索空间维度高、冲突频繁且规划效率难以保障的问题，提出一种基于图神经网络与冲突搜索相结合的多机械臂协同规划方法（GNN-CBS）。首先，在随机几何图构建阶段引入关键区域偏置采样策略，基于高斯混合模型对障碍物间约束通行区域与机械臂间交互冲突区域进行概率建模，在保证采样完备性的同时提升图结构连通性；其次，设计基于复合损失函数训练的底层神经规划器，引导局部决策与全局路径结构一致性，从而降低冗余搜索与碰撞检测开销；此外，在高层采用基于冲突搜索的协调机制，并结合时空约束掩码机制，在冲突发生时仅对局部搜索空间进行调整，实现多机械臂几何规划与时空协调的有效解耦；最后，通过仿真实验与真实机器人系统验证表明，所提方法在复杂多机械臂场景中能够保持较高的任务成功率，且在规划时间与计算效率方面优于多种传统规划方法及学习型基线，验证了该方法在处理大规模协同任务时的稳定性与可扩展性。

摘要：针对现有图像分类网络频率特征关注缺乏的问题，提出一种频率调制机制的图像分类网络（FMM-Net）.首先，构建了上下文自适应感知卷积（CAAC），实现对目标边缘、细节等信息的自适应捕捉.其次，提出了频率调制卷积（FMC），通过可学习缩放因子处理频率信息，调整输入频率信息的贡献度，实现对图像频率特征的有效提取.然后，设计了频率调制注意力（FMATT），使得模型在提取空间特征的同时，实现对频率特征的动态关注和激活.最后，基于上下文自适应感知卷积、频率调制卷积及频率调制注意力，构建出频率调制机制的图像分类网络.与当前先进的网络模型相比，所提网络可显著提升图像分类性能.

摘要：深远海风电柔直并网交流侧不对称故障引发的短路电流过大与电压不平衡，会严重威胁系统安全与运行稳定，现有控制策略难以确保同时兼顾电压支撑能力与电流安全边界。针对该问题，本文提出了一种基于最大电压支撑能力的短路电流与电压不平衡协调控制策略。首先，分析发生不对称故障，考虑系统阻抗、故障初始不平衡程度、VUF约束下短路电流与电压不平衡的耦合机理；其次，从功率角度将短路电流与电压不平衡综合考虑，在保证最大化电压支撑能力的基础上，以分区电压不平衡度为约束条件，构建以短路电流最小化的优化模型。然后，为了得到正负序有功、无功功率最优比例，采用分段线性上包络代替原非凸模型，并引入辅助变量实现约束线性化进行求解；最后，基于PSCAD/EMTD平台搭建风电场并网仿真模型验证了本文所提控制策略的可行性和有效性，为深远海风电柔直系统的协调控制与安全运行提供了理论支撑。

摘要：针对三旋翼无人机系统同时存在外部扰动、执行器故障时的跟踪控制,提出一种基于迭代学习观测器的预定义时间容错控制策略.考虑未知时变扰动和不同类型执行器故障,建立三旋翼无人机故障动力学模型;设计迭代学习观测器对扰动和执行器偏置故障进行实时估计,不依赖系统精确模型实现观测误差的渐近收敛;引入自适应算法估计执行器失效故障,设计基于预定义时间的自适应容错控制器保证无人机精确跟踪预定轨迹.采用Lyapunov理论证明了闭环系统在预定义时间内收敛.飞控半实物仿真平台实时实验表明,与有限时间滑模控制方法相比,本文所设计容错控制策略在保证系统稳定性的同时,提升了系统收敛速度与跟踪精度,能够在预定义时间内实现对无人机的精确跟踪控制.

摘要：针对激光充电无人机集群持续作业中任务执行与充电频繁切换所引发的控制冲突和局部拥堵问题,提出一种基于改进MAPPO的协同调度方法(MAPPO-RCY).该方法首先构建角色分流策略结构,显式分离充电维持与任务执行两类连续控制语义,以缓解底层控制冲突.进一步采用双价值头评论家机制分别评估充电与任务回报,减弱异质目标下的价值估计耦合,并提高优势估计与角色语义的一致性.同时在执行层引入定向主动让行偏置,以改善高密度核心区的局部通行条件.仿真实验表明,在15架无人机场景下,MAPPO-RCY的任务完成率达到98.7%,优于MAPPO、HAPPO、HATRPO、IPPO和Greedy对比方法.平均任务响应时间和任务执行时长分别为2.5 s和8.2 s,并保持较高的系统平均荷电状态.在25 架无人机扩展测试中,其任务完成率仍保持在97.9%.可见,所提方法能够提升高密度持续作业场景下激光充电无人机集群的协同调度性能.

摘要：针对无人机集群在复杂环境下的协同路径规划中传统RRT算法路径质量差、RRT*算法规划效率低且路径冗余度高的问题,本文提出一种改进的RRT*算法,并将其应用于无人机集群协同路径规划研究.围绕算法核心性能,采用动态采样策略,根据障碍物分布和目标点方向动态调整目标采样概率提升采样针对性;设计自适应调整步长机制,根据当前节点与环境复杂度实时调整步长;构建增强重连机制,扩展父节点搜索范围以优化路径代价;引入贪婪算法剪枝策略,剔除路径冗余节点来缩短路径长度.在此基础上,将改进RRT*算法应用到无人机集群协同路径规划中,提出了融合路径碰撞检测与路径时间协同模型的协同路径规划策略,并结合二次规划优化策略对路径进行平滑与优化,进一步提升集群飞行的全局最优性与协同性.仿真实验结果表明,改进RRT*算法在路径规划性能上具有显著优势,且能有效满足无人机集群在复杂环境下的协同路径规划需求.

摘要：随着高比例分布式光伏在中低压配电网的接入,节点电压越限与潮流返送问题日益严峻.为应对光伏出力的随机性与波动性,配置分布式储能系统已成为提升配电网柔性调节能力的重要手段.受限于海量资源接入带来的高维求解瓶颈与线路高阻感比功率耦合特性,传统依赖物理模型的集中优化与单一无功控制方法难以实现系统高效可靠运行.为突破上述局限,实现复杂工况下多资源实时协同与全局优化,本文提出一种基于网络化分布式近端策略优化的有功-无功协同调控方法.构建基于独立学习范式的全分布式训练架构,智能体仅依赖局部观测及有限邻居通信即可逼近全局最优策略,有效解决了大规模配电网中的维数灾难问题.设计考虑逆变器容量约束的有功无功协同调控动作空间,将分布式储能充放电纳入有功调节动作,实现对电压波动的精准平抑.此外,将物理线路损耗引入奖励函数,引导智能体在改善电压合格率的同时优化潮流分布.所提方法具备多变工况下自主决策与快速响应能力,克服了现有集中式强化学习架构面临的全局信息获取困难、智能体探索效率低下等问题.基于33、141和322节点的配电网数据的仿真结果表明,所提方法在不同规模系统中均取得了较高的电压合格率,并在多数场景下兼顾了较低线路损耗,体现出较好的电压调节性能、综合优化效果和拓扑适应性.

摘要：随着无人机在现代海战侦察体系中的地位凸显, 其作战效能评估已超越单纯的装备性能检验, 对于揭示运用规律、指导战法创新及支撑任务决策具有深远的战略意义. 然而, 传统的效能评估方法往往仅关注变量间的相关性, 难以充分控制如机型、任务环境等变量所导致的混淆偏差, 进而影响决策的可信度. 为此, 本文提出了连续剂量响应因果效应估计网络. 该方法利用专家注意力机制将协变量解耦为工具、混淆与调整三类潜在因子, 并使用变系数网络构建基于积分概率度量的因果独立性约束, 从而实现对连续型作战决策变量的稳健因果效应估计. 通过脱密数据生成的半合成数据集验证, 所提模型的预测性能优于多种主流基线方法. 进一步的案例分析表明, 侦照高度对任务表现呈显著非线性关系且存在全局最优区间, 其因果效应在不同机型、载荷与任务类型间表现出显著异质性. 本研究为数据驱动的无人机作战效能评估提供了一种可参考的因果分析视角.

摘要：针对电气柜元器件自动操作中六自由度机械臂逆运动学求解精度与稳定性不足的问题，以M-BWKO算法为基础框架，提出一种融合精英引导高斯变异、分数阶历史记忆和柯西-Lévy复合扰动的黑翅鸢优化算法（GFL-BWKO）。该算法构建融合位置、姿态、腕中心误差和关节限位惩罚的适应度函数，并通过动态权重协调位置逼近与姿态优化，在攻击和迁徙行为中引入高斯变异、Grünwald--Letnikov分数阶历史记忆、柯西-Lévy复合扰动，以提升局部开发、全局探索和局部最优逃逸能力。以JAKA Zu5机械臂为对象开展仿真与实物实验。结果表明，相较M-BWKO，GFL-BWKO的平均位置误差、位置误差标准差、平均姿态误差和姿态误差标准差分别降低37.65\%、23.65\%、5.86\%和19.47\%；实物实验进一步验证了所提方法的工程可行性。

摘要：针对三维复杂环境中无人机航迹规划存在的多目标冲突与决策空间多样性不足问题，本文提出一种改进的多模态多目标差分进化算法（MMODE_HDMS）。算法以燃油消耗与综合飞行风险为双优化目标，采用球形矢量坐标对航迹进行编码。在MMODE_CSCD框架基础上，引入动态变异概率策略、混合变异策略以及基于Hausdorff距离的环境选择机制，以平衡探索与开发、增强局部搜索能力并维持路径形态多样性。通过在对称地势与非对称地势设置不同密度障碍物生成四种三维仿真地形中进行实验，结果表明MMODE_HDMS的IGD较MMODE_CSCD在对称地势下分别降低20.0%和39.4%，非对称地势下分别降低5.9%和10.7%；在分布性及多样性等方面均表现出良好性能，且能够有效生成一系列目标性能相近而几何形态多样的等效最优航迹，验证了其在为实际侦察任务提供多样化可权衡方案方面的优越性与实用价值。

摘要：针对传统径向基神经网络(RBFN)中权重自适应律依赖持续激励(PE)条件、易出现停滞与漂移的问题，以及高阶控制障碍函数(HOCBF)在永磁同步电机(PMSM)转速约束中因高增益与多次微分引发的抖振问题，以PMSM位置控制系统为研究对象，提出了一种结合新型权重自适应律与动态补偿式高阶控制障碍函数的转速约束控制策略。首先，设计了一种基于历史误差与当前误差的神经网络权重自适应律，该自适应律利用误差的历史信息构造校正项，能够在激励不足时维持参数学习动态，避免权重更新停滞，同时抑制因逼近误差累积导致的权重漂移。其次，针对转速约束抖振问题，提出一种带补偿机制的高阶控制障碍函数，通过“低增益约束＋边界动态补偿”的设计，先以较低增益将转速初步约束于保守边界内以抑制抖振，再通过补偿机制将约束边界平滑调节至期望值，从而在保证约束效果的同时有效解决高增益与微分放大引起的约束边界抖振问题。此外，利用李雅普诺夫稳定性理论对系统稳定性进行了详细的分析，证明了系统一致最终有界(UUB)。最后，通过实验验证了所提方法的有效性。结果表明，该方法能有效解决传统神经网络权重学习的停滞与漂移问题，同时实现了对电机转速的平滑、无抖振约束，在提升系统控制精度的基础上，显著增强了其安全性与动态性能。

摘要：时间序列深度聚类方法能有效从无标记时序数据中自动学习判别性特征与聚类结构.为进一步提升模型的鲁棒性与泛化能力,聚类集成技术被引入.然而,现有深度聚类集成方法通常需独立训练多个模型以生成多样性基聚类,导致计算成本高昂、资源消耗大,且难以在单一模型中协同优化质量与多样性.针对上述问题,本文提出一种基于对比学习和动态多样性的时间序列深度聚类集成算法.首先,设计时序编码器提取多层次时序特征,并通过时间级和实例级对比学习增强特征判别性;其次,构建多投影头聚类生成机制,基于互信息实现动态多样性约束,从而协同优化基聚类的质量与差异度;最后,将聚类目标与多样性约束融入到端到端训练框架,实现对时序数据的鲁棒且精准划分.在10个公开UCR数据集上的实验结果表明,所提算法在聚类效果上显著优于现有基线方法,并在保持较高性能的同时有效降低了计算开销.

摘要：针对现有注意力机制因通道特征响应失衡与空间特征缺乏差异化调制,导致模型背景噪声抑制能力不足、难以有效聚焦关键特征的问题,本文受生物视觉系统中“中心兴奋-周边抑制”机制启发,提出视觉抑制注意力的图像分类网络(VIANet).该网络的关键创新在于构建了一个视觉抑制注意力模块.该模块在通道维度上,通过对高响应通道施加适度抑制,使网络从更多通道中提取互补信息,促进通道响应的均衡分布,从而提升通道表征的判别性与鲁棒性.空间维度上,通过构建动态椭圆感知域模型,基于空间距离对外周区域施加抑制,在保持中心区域特征高分辨率的同时,有效抑制背景噪声,增强对目标感兴趣区域特征的建模能力.该模块通过通道与空间的联合抑制调制,实现对重要特征的增强与冗余信息的抑制.在CIFAR-10、CIFAR-100、SVHN、Imagenette与Imagewoof多个数据集上的实验结果表明,所提方法在分类准确率上均优于现有主流方法.

摘要：随着目标机动能力和突防手段不断增强,海防任务逐渐向中远距离拦截延伸.针对复杂环境下水面自主航行器在中远距离拦截中段安全性差、动态适应能力不强以及拦截末端精度不足等挑战,本文提出了一种针对中远距离机动目标的多阶段拦截轨迹规划方法.该方法提出将复杂情况下中远距离拦截轨迹生成问题划分为过途经点和滚动时域拦截两个阶段.在过途经点阶段,引入双层轨迹平滑增强机制来保障轨迹的光滑连续和各阶段控制的合理衔接;在拦截末端,引入了滚动时域控制框架,并通过热启动策略显著提升了优化求解效率,保证末端拦截精度和实时性.仿真结果表明,所提方法在拦截耗时、能量消耗等方面综合性能更优，且对机动目标具有较好的动态响应能力和适应范围，充分验证了过途经点规划与热启动滚动优化策略的有效性，反映出其在中远距离拦截下的实际部署潜力.

摘要：有模型离线强化学习利用静态数据集学习动力学模型, 并通过模型生成样本辅助策略优化, 为真实世界中高风险、高成本的决策问题提供了可行的解决方案. 然而, 现有有模型离线强化学习方法面临双重挑战：静态数据集覆盖不足导致经验贝尔曼算子与真实贝尔曼算子之间存在认知误差; 动力学模型在多步预测中存在误差累积, 所生成的虚拟样本引入模型幻觉, 进一步加剧价值估计偏差. 针对上述问题, 本文提出一种基于双源不确定性的有模型离线Actor-Critic方法(Model-Based Offline Actor-Critic with Dual-Source Uncertainty, MDSU). 分别针对静态数据集和动力学模型构建不确定性量化器, 用以刻画两类数据源下的估计风险. 将不确定性量化器以惩罚形式引入静态贝尔曼目标与虚拟贝尔曼目标中, 并通过加权融合机制构造双源不确定性融合算子, 从而在策略评估阶段同时抑制两类误差的负面影响. 理论分析证明, 当静态数据不确定性量化器与动力学模型不确定性量化器能够有效约束相应认知误差时, MDSU的次优后悔具有显式上界. 在MuJoCo连续控制任务上的实验结果表明, MDSU在大多数任务上获得最高的归一化得分, 验证了该方法在性能提升与训练稳定性方面的有效性.

摘要：针对路侧感知中毫米波雷达点云稀疏且分布不均导致车辆跟踪精度受限的问题, 提出一种雷视融合的扩 展目标跟踪方法. 首先, 构建基于误差状态的雷视联合观测模型, 实现异构数据的协同表示. 其次, 针对路侧雷达 的非均匀生成特性, 提出基于软门控可见性的高斯混合测量模型 (Soft-Gated Visibility Gaussian Mixture Model, SGV-GMM), 通过显式建模反射点可见性并在变分贝叶斯框架下在线更新参数, 有效表征稀疏点云生成机理. 再 次, 为解决稀疏条件下的外形估计不稳定性, 构建基于关联责任度的自适应弹性骨架模型 (Responsibility-Aware Adaptive Elastic Skeleton, RA-ES), 利用责任度量化结构一致性并自适应调节骨架刚度, 增强轮廓估计鲁棒性. 最 后, 在变分贝叶斯框架下实现车辆运动与外形的协同递推估计. 基于 CARLA 的实验表明, 该方法在车辆机动及 点云稀疏场景下, 能显著提升轮廓估计与状态跟踪精度.

摘要：随着制造车间向多层化、高密度方向发展，传统单层平行行排序难以处理跨层物流中由电梯和纵向通道引入的复杂约束。针对该问题，本文提出考虑运输通道的双层k-平行行排序问题。首先，构建设施、电梯与纵向通道协同布局结构，基于真实可行路径建立物流距离度量，并以最小化设施间加权搬运距离为目标，建立混合整数线性规划模型，实现行分配、行内排序、电梯进出门选择及通道干涉规避的联合优化。其次，针对中、大规模实例求解效率低的问题，提出增量评估—引导式局部搜索模因算法，将物流强度信息嵌入随机可变邻域下降过程，并设计行级增量适应度评估策略，以提升搜索效率和解质量。数值实验表明，该算法在小规模算例中可获得与精确求解一致的最优解，并在中大规模算例中优于传统遗传算法。某起重设备制造企业实例显示，优化后物流搬运成本降低22.42%，验证了所提方法的工程应用价值。

摘要：温控负荷（Thermostatically Controlled Loads, TCL）作为典型柔性负荷资源，可参与微电网需求响应并促进可再生能源消纳。然而，实际运行中受传感器故障、通信异常等因素影响，TCL能耗数据存在缺失问题，导致负荷特性辨识失准，并进一步影响聚合建模及微电网优化调度的准确性。针对上述问题，提出一种基于多特征融合的改进复制粘贴法（Improved Copy-Paste Imputation, ICPI），综合周内特征、季节特征、极值特征及负荷曲线相关性构建复合相似性系数，实现缺失TCL能耗数据的精准重构。在此基础上，建立聚合TCL虚拟电池模型，并将重构数据引入微电网优化调度模型，实现数据重构、负荷聚合建模与优化调度的协同分析。仿真结果表明，所提ICPI方法在平均绝对百分比误差和归一化均方根误差指标下均优于对比方法，能够有效降低数据缺失对微电网调度结果的影响，提高系统运行经济性与稳定性，为不完整数据条件下柔性负荷参与微电网优化调度提供了一种有效方法。

摘要：随机占优准则已被广泛应用于随机多属性决策研究中,用于量化比较决策者对备选方案的偏好,现有研究主要采用一阶和二阶随机占优准则.针对一阶随机占优准则对分布条件要求较为苛刻,而二阶随机占优准则仅适用于风险厌恶型决策者的局限性,本文提出基于分数阶随机占优准则的随机多属性决策方法.首先定义分数阶随机占优度,它既包含整数阶随机占优度,又适用于效用函数具有局部凸性的决策者.为准确确定属性的权重,分别采用最优最劣法和累积剩余熵法确定属性的主、客观权重,并基于博弈论得到组合权重.结合分数阶随机占优度与确定的组合权重,利用PROMETHEE Ⅱ法得到备选方案的排序结果.实际数值算例结果表明,基于分数阶随机占优准则的决策方法具有较高的准确性和较强的稳健性.本文的研究丰富了随机多属性决策理论体系,为复杂不确定环境下的方案优选提供了有效理论工具.

摘要：随着高比例可再生能源接入微电网，分布式储能系统（DESS）在维持电力系统稳定与灵活性方面发挥着至关重要作用。针对现有研究多聚焦于单一控制目标且收敛速度受限的问题，本文提出一种基于动量加速与零空间行为（NSB）控制的多任务高效协同框架。首先，针对功率分配任务，设计了一种引入动量机制的分布式更新规则，通过理论推导给出了实现最优收敛速度的控制参数显式公式。其次，利用NSB方法构建了多任务协同机制，将荷电状态（SOC）均衡与电压调节等次要任务投影至功率分配任务的零空间中，以避免控制冲突。此外，进一步集成强化学习算法，通过设计合理的奖惩函数实现了任务切换的智能化与动态协同。仿真结果表明，所提方案在保证功率精确分配的同时，显著提升了系统的收敛性能与多工况下的运行可靠性。

摘要：针对信息化空战高动态、强对抗等特点所带来的威胁评估挑战,以及传统方法在大规模空战场景威胁评估中权值动态适应上的不足,本文提出一种多层级-多维度的空中动态威胁评估方法。首先,构建了融合目标静态属性、目标机动与战场事件三类因素的威胁评估指标体系,并完成了各因素的精细化量化建模。并且通过使用改进的萤火虫算法(Improved Glowworm Swarm Optimization, IGSO)优化图神经网络(Graph Neural Network, GNN)构建威胁评估算法。该算法利用IGSO强大的全局寻优能力动态优化GNN的权值与阈值,有效提升了算法的收敛速度与预测精度。结果表明,改进的IGSO-GNN算法评估结果更加合理,更适用于现代战场的高动态性,对于威胁评估具有一定的参考意义。

摘要：多无人机协同作业的高效性依赖于精准的路径规划与可靠的冲突消解机制。针对现有算法在复杂动态环境适应性差、大规模集群冲突消解效率低以及忽视通信链路约束等问题，本文提出一种融合动态优先级协调机制（DPCM）与带通信约束的协作A*算法（CCA*）的多无人机协同路径规划算法（DPCM-CCA*）。该算法首先通过环境威胁评估动态调整无人机规划优先级，随后在路径搜索的启发式函数中引入路径长度、转弯角、避障、防碰及通信保持等多维度代价评估，构建了全局协同规划与局部突发障碍物重规划的统一框架。仿真结果表明，与现有主流算法相比，DPCM-CCA*算法能在保证全航程通信链路连通与零碰撞的前提下，有效缩短飞行总航程并显著提升冲突消解效率，为复杂动态环境下的多无人机协同作业提供了高可靠的技术支撑。

摘要：针对一类具有凸多面体不确定性、外部干扰及不可测状态的多项式变参数(PPV)系统，研究其在输入饱和约束下的鲁棒混合控制问题。通过融合有限时间有界与一致指数稳定思想，并基于齐次多项式Lyapunov函数方法，建立无输入约束情形下闭环系统的鲁棒混合稳定性判据，从而确保系统在有限时间内兼具良好瞬态收敛与稳态鲁棒性能。借助平方和(SOS)方法，将上述判据转化为可高效求解的凸优化问题。在此基础上，考虑输入饱和约束下的局部控制问题，结合S-procedure理论，给出确保闭环系统在指定初始紧集内满足输入限制并保持鲁棒混合稳定性能的可解性条件。最后，通过数值仿真及对比分析，验证了所提方法的有效性和优越性。

摘要：在极端灾害作用下，互联交直流混合微网群在外部独立机械故障发生时可能因网络拓扑变化和潮流重分配引发内部相依电气故障，使元件故障演化与系统动态响应呈现显著的跨时间尺度耦合特征，现有弹性评估方法难以统一描述故障演化全过程并识别关键风险时刻。为此，基于ORNL-PSerc-Alaska（OPA）模型提出考虑元件故障链式演化与系统动态响应之间多时间尺度交织作用的弹性评估方法。首先，提出元件时空关联外部独立机械故障-内部相依电气故障的故障建模框架，刻画极端灾害作用下具有时空关联性的元件外部独立机械故障—内部相依电气故障的链式演化过程；进而，提出面向元件故障演化—系统动态响应的多时间尺度评估方法，刻画极端灾害下元件故障演化与系统动态响应之间的多时间尺度交织关系；然后，提出面向重要用户供电保障的临界状态指标，用于识别故障传播过程中的关键风险时刻。最后，基于改进后的IEEE 33节点互联交直流混合微网群算例验证所提方法的有效性。

摘要：针对传统车辆编队控制研究中普遍忽略车辆横纵向耦合效应的问题，本文提出了一种适用于商用车编队控制的五自由度动力学–魔术公式–车道保持一体化模型.通过对该模型进行线性化处理，构建线性时变模型，并基于此设计了模型预测控制器.为验证所提方法的有效性，开展Matlab/Simulink与TruckSim的联合仿真实验.结果表明，所提出的方法在保证控制性能的同时，其实时响应性能表现更优，可为商用车编队的工程化应用提供技术支撑.

摘要：针对通信资源受限下网络化非线性多智能体协调跟踪问题，本文提出了一种基于预设性能的自触发优化跟踪控制算法，并考虑了任意初始状态下的状态约束问题。 首先，构建了一种动态自触发预设性能状态观测器，触发阈值随预设性能函数和跟踪过程动态调整， 观测器在保证观测误差预设时间收敛的同时降低通信负担。 其次，基于观测参考轨迹状态，提出了一种适用于任意初始状态条件的预设性能优化跟踪控制算法。 通过引入非线性映射技术、时变函数及辅助项等，将多重约束下非线性多智能体系统转化为无约束系统。基于强化学习执行器–评价器架构，设计优化跟踪控制器。通过李雅普诺夫稳定性分析证明了所设计控制器能够保证闭环系统的预设收敛性能。最后，通过数值仿真和实物实验验证了所提出优化跟踪控制算法的有效性与可行性。

摘要：带时间窗的多目标车辆路径问题（MOVRPTW）的本质是在多个相互冲突的目标间寻求帕累托最优解集，但传统启发式与精确算法难以高效求解。尽管多目标进化算法（MOEAs）应用广泛，其在处理复杂约束时仍存在缺陷，常因搜索过早收敛而陷入局部最优，限制了求解性能。为解决上述问题，本文提出一种双阶段自适应协同进化算法（DS-ACEA）。为有效平衡算法的探索与开发能力，该算法将进化过程划分为两个阶段。在第一阶段，算法采用基于约束违反值（CVs）的先分组后选择的可行性优先策略，该策略在引导搜索向广阔可行区域扩展的同时，亦能提升种群多样性。在第二阶段，算法转而采用基于帕累托支配关系的精英选择策略。该策略通过优先筛选目标函数值更优的可行解，加速种群向可行非支配帕累托前沿收敛。为验证该算法性能，本文在多个基准实例上对DS-ACEA进行了实证测试。测试结果表明，其在求解MOVRPTW问题时，多项关键性能指标均显著优于前沿对比算法，验证了两阶段选择策略的约束处理技术的有效性。

摘要：数据要素市场的发展迫切需要科学估值方法。现有方法基于静态资产逻辑，难以适配数据价值随场景与时间动态波动的特性。本文提出一种融合多智能体强化学习与动态Shapley值机制的数据资产动态估值框架。该框架将数据资产估值重构为多智能体协同序贯决策过程，每项数据资产被建模为自主智能体，在模拟业务环境中通过试错交互自主学习并释放其信息价值。核心创新在于提出可微分Shapley值近似方法，能够实时、可解释地量化各数据资产在协同决策中的边际贡献，将计算复杂度由指数级降低至线性级，突破传统方法的静态局限与计算瓶颈。本研究在自建数据集及两个公开数据集上进行实验，相比最优基线模型，该模型的估值准确性提升6.5%，分配公平性改善22%，收敛效率提升约23%，各项指标均显著优于现有基准。本框架可为数据要素市场提供可计算、可扩展的动态估值工具，支撑数据交易定价、企业资产核算与收益分配等现实场景。

摘要：针对轮胎制造中需求不确定性引发的成品库存积压、完工时间延长与能耗偏高等问题,本文提出一种预测驱动的双产线协同批调度优化方法.将生产过程划分为胶包产线的预生产阶段与轮胎产线的定制化制造阶段,并以滚动预测模型驱动胶包产线按预测结果提前备料.以最大完工时间、 综合库存成本和能耗成本为优化目标, 构建多目标批调度模型, 并通过联合解码、库存递推与三态反馈修正实现双产线动态协同. 在此基础上, 提出双种群非支配排序遗传算法进行求解.仿真实验表明, 所提算法在收敛性与解集分布性上优于多种主流多目标算法;相较于无预测模式, 最大完工时间、 综合库存成本和能耗成本分别降低 $29.3\%$、 $33.3\%$ 和 $14.1\%$,验证了预测驱动双阶段协同调度的有效性与实用性.

摘要：无人机集群是典型的复杂系统,其松耦合结构特点与非线性关联关系使得直接对集群整体的可靠性进行评估与状态预测难以实现.针对无人机集群可靠性状态预测的需求,本文通过构建无人机集群图示评审技术(GERT)网络模型来刻画无人机集群可靠性状态转移与无人机系统可靠性状态转移的逻辑与传递关系,然后根据无人机集群拓扑结构关系对GERT网络中各无人机系统对集群整体的影响程度进行权重分配,最后结合故障预测与健康管理(PHM)技术成果实现由无人机系统可靠性状态预测结果分析无人机集群可靠性状态预测的应用.仿真结果表明,GERT网络模型能够很好的反映无人机集群松耦合的结构特点,并实现无人机系统可靠性状态预测与无人机集群可靠性状态预测的关联和转化.

摘要：针对有无人协同作战中决策权限静态分配难以适应动态战场态势的问题，提出一种基于分层强化学习的自适应决策权限分配算法（HAR）. 算法采用双层决策架构：上层权限分配网络根据态势因子输出三级权限等级，下层动作策略网络在权限约束下执行任务. 通过危险评分偏置与指数移动平均平滑机制保障权限切换的稳定性，引入认知负荷指数量化人机协同效果，并采用三阶段渐进式课程学习提升复杂任务泛化能力. 仿真实验结果表明：HAR在困难任务阶段成功率达61%，优于MAPPO（58%）等基线算法；高权限使用比例从简单任务的14.87%提升至困难任务的69.82%，变化幅度达54.95个百分点；认知负荷变化幅度为0.45，显著优于对比算法，验证了所提方法能够有效实现决策权限与任务难度的动态匹配.

摘要：本文针对音圈电机伺服系统中存在的抖振严重、动态响应缓慢及抗干扰能力不足等问题，提出了一种基于超螺旋滑模观测器与自适应双曲正切趋近律的分数阶高阶积分滑模控制方法(AT-FO-FHISMC)。通过建立音圈电机局部模型，设计三阶超螺旋观测器对系统集总扰动进行实时观测与补偿，以降低滑模切换增益；结合分数阶积分滑模面及改进的Oustaloup滤波器，进一步抑制高频抖振并增强系统鲁棒性，并完成Lyapunov稳定性证明。搭建了仿真及其硬件在环试验平台，仿真结果显示，AT-FO-FHISMC在阶跃跟踪过程中，可在47ms内实现稳定且无超调，优于积分滑模控制(ISMC)的63ms和分数阶分数高阶积分滑模控制(FO-FHISMC)的56ms。试验结果显示，AT-FO-FHISMC的上升时间为52ms，也显著优于对比控制方法的77ms和65ms。该方法在提升动态响应速度、抑制抖振和增强抗干扰能力方面表现出优异综合性能，为音圈电机及其他直驱伺服系统的高性能控制提供了切实可行的解决方案。

摘要：摘 要：针对火电机组燃烧系统在宽负荷工况运行下存在机理复杂、强耦合、强非线性等导致建模困难的问题，提出一种基于机理与数据门控融合的并联混合建模方法。首先构建机理－数据驱动并联混合建模框架，将简化机理模型与数据驱动模型作为两个并联预测分支，并通过门控融合网络实现输出自适应加权融合。其中，简化机理模型用于反映系统主要稳态关系和动态运行机制，确保模型泛化能力；卷积神经网络与长短期记忆网络相结合的数据驱动模型用于提取多变量时序特征，学习机理模型难以刻画的非线性特性，并结合误差反馈机制动态修正预测偏差，提升模型在变工况下的预测精度；门控融合网络则通过学习运行特征到融合权重的映射关系，充分发挥机理模型和数据模型在宽负荷变工况下的互补优势，实现融合权重随工况自适应调整。最后以某350MW循环流化床锅炉燃烧系统为对象进行仿真验证，仿真结果表明该方法在预测精度、动态响应性能等方面均优于对比模型。

摘要：针对商品车滚装船江海联运存在路径与配载决策割裂、碳排放约束缺失等问题,研究碳税政策下商品车滚装船江海联运路径与配载决策集成优化问题,构建考虑江海联运网络特性、船舶配载安全与碳排放等的混合整数非线性规划模型.针对模型特征,提出一种改进的自适应大邻域搜索算法(Improved Adaptive Large Neighborhood Search, IALNS),通过分阶段嵌入业务流程与分配逻辑的贪婪构造机制生成高质量初始解、定制专用破坏算子与修复算子,提升算法性能.设计两组算例验证模型与算法,一是中国环渤海湾与长江沿线主要港口的现实运输算例,二是多规模的随机测试算例.结果表明：IALNS明显优于Gurobi,也优于传统自适应大邻域搜索算法、遗传算法与差分进化算法,其目标值平均优化幅度分别为10.43%、11.83%与27.37%；燃油价格是影响总成本的主导因素；碳税政策的减排效应呈现显著的边际递减特征,税率过低难以有效激励企业减排,过高则减排效果趋于饱和而碳排放成本持续上升.

摘要：本文针对受加性随机扰动驱动的线性离散系统，研究具有多面体约束的随机模型预测控制（SMPC）问题。针对原优化问题中机会约束的非凸性，利用坎特利不等式（Cantelli"s Inequality）与变量替换技术将其转化为二阶锥约束，并结合成本函数与终端约束的二次型重构，实现了闭环优化控制问题的近似凸化。在此基础上，提出一种终端协方差主动分配策略，通过参数化设计状态反馈增益与终端方差，实现对系统状态分布的显式调控，有效克服了传统设计中动态性能与稳定性的隐式耦合，显著提升了闭环性能。此外，针对加性无界扰动，本文基于标称状态演化建立了算法的递归可行性理论保证，并推导了控制成本的期望上界，从理论层面保障了系统在随机扰动下的稳定性。最后，理论分析与数值仿真验证了所提方法在严格满足机会约束与降低控制保守性方面的优越性，为随机系统的MPC提供了一套系统且高效的设计框架。

摘要：本文针对联邦模糊C均值（FCM）聚类在实际应用中面临的数据复杂性、异构性、模型结构差异及设备通信中断等挑战，提出一种基于知识互蒸馏（mKD）的全局模型优化策略，以实现在异构环境下仍能获得高质量全局聚类原型。FCM通过构建信息粒实现聚类，其性能直接取决于信息粒的质量。为此，引入合理粒度原理优化信息粒，在覆盖性与特异性之间取得平衡。为应对数据复杂性与Non-IID问题，采用自编码器（AE）提取深层特征，并在粒度优化的FCM目标函数中融入正则化项，约束本地聚类中心偏移。针对模型结构差异，服务器通过知识互蒸馏（mKD）机制使客户端能够通过聚类预测结果实现本地与全局模型间的双向知识交互与协同优化，在提升全局聚类性能的同时支持客户端个性化训练。对于设备通信中断，服务器保留历史参数副本，在连接恢复前使用最近参数进行更新，增强系统鲁棒性。此外，为了使FCM的求解过程更加灵活与稳定，我们采用参数化策略和梯度下降方法，利用自动微分技术实现隶属度与聚类中心的端到端联合优化。实验结果表明，所提方法在多个公开数据集上具有竞争力的聚类性能，敏感性分析进一步验证了其在异构场景下的鲁棒性、个性化能力及相对于对比方法的综合优势。

摘要：针对无人机航拍图像中目标尺寸微小、分布密集、背景复杂所导致的特征判别性弱、检测精度低的核心挑战，本文提出一种全局-局部协同感知的无人机航拍图像目标检测算法。首先，本文模拟“先概览后细察”的视觉认知机制设计了全局-局部协同感知网络(GLCD-Net)，借助全局语义先验引导动态卷积核生成，增强模型对全局上下文关系的建模能力。其次，构建了融合幅度感知线性注意力的C2PSA-MALA 模块，通过幅度感知因子增强对微弱特征信号的关注，在保持检测精度的前提下降低了计算复杂度。最后，提出了频域背景平滑注意力模块(FBSEMA)，通过空-频协同优化机制抑制背景高频噪声，进而强化小目标的特征表示。在VisDrone2019数据集和TinyPerson 数据集上的实验结果表明，改进算法表现出良好的检测性能。

摘要：变工况下滚动轴承振动信号分布差异显著，现有深度迁移诊断方法在利用多源域知识时，往往面临因源域差异导致的“负迁移”干扰以及跨域特征对齐精度不足的问题，严重制约了故障诊断的可靠性。为解决上述问题，提出一种基于种子替换与残差重构的深度迁移故障诊断方法(DTRSR)。针对多源工况下的分布漂移，构建集成多源信息提取与残差特征对齐的深度迁移学习框架。该框架利用共享权重的卷积神经网络挖掘多源域共性特征，采用多源域训练模式，利用共享的一维卷积神经网络（1D-CNN）联合模型共性去判别多个已知工况的特征，解决单源域知识覆盖有限、很难应对目标域的未知变工况的问题。在迁移学习机制方面，提出了一种新颖的基于双目标残差种子重构的跨域对齐方法。该方法引入小样本学习策略，利用目标域中极少量的有标签样本作为“种子”，引入聚类算法提取目标域特征空间的分布中心，利用最近邻匹配对源域的类中心和目标域种子进行一一匹配。这种残差重构机制不仅能够实现细粒度的条件分布对齐，而且能有效克服变工况场景下由于域间差距过大导致的‘负迁移’风险，确保模型在多源跨域诊断任务中的高鲁棒性。同时，引入平衡分布适配(BDA)机制，动态调节边缘分布与条件分布的权重，实现了细粒度的特征对齐，显著提升了特征对齐精度。通过CWRU轴承数据集上设计的多组多源迁移任务（如BC-A,AC-B等）实验结果说明，提出的方法在分类准确率和诊断稳定性上均优于单源域迁移及传统的联合分布自适应（BDA）方法。t-SNE可视化及鲁棒性分析进一步证实了该方法能有效增强类间可分性与域内聚合度，为解决变工况下负迁移与对齐精度不足问题提供了有效方案。

摘要：本文研究了一类基于新型动态事件触发机制的非线性脉冲随机系统的稳定性.为了确定非线性脉冲控制的时刻，设计新型的动态事件触发机制，该机制通过引入分数衰减函数动态调整触发阈值，与基于指数衰减函数的动态事件触发机制相比，在相同条件下的触发次数更少，控制成本更低，且能有效避免芝诺现象.与传统的线性脉冲控制相比，所提出的非线性脉冲控制策略在提升收敛速度与增强系统鲁棒性方面具有显著优势,并且放宽了传统脉冲控制中对脉冲增益的限制.进一步，提出了基于动态事件触发机制的非线性脉冲随机系统的局部渐近稳定的充分条件，并将结果推广到有限时间稳定与有限时间收缩稳定的情形.最后，将理论结果应用于一类非线性脉冲随机系统，并通过数值对比仿真和蔡氏电路系统对比仿真验证稳定性条件的有效性与非线性脉冲控制策略的优越性.

摘要：针对直流微电网分布式二次调控中电压恢复、电流均衡与经济运行难以兼顾以及调控收敛速度受限的问题，提出一种基于预定时间博弈的分布式二次调控策略。通过构建包含电压恢复误差、电流均衡误差和发电成本的多目标代价函数，将分布式电源间的协同调控问题建模为非合作博弈。基于预定时间协同调控框架设计了分布式博弈决策算法，使得每个分布式电源的决策能够在用户预定时间内收敛至纳什均衡，并保证收敛时间不依赖于系统初始状态与控制参数。进一步，离散通信机制的引入可有效降低连续通信的通信负担，提高了在 通信资源受限环境下的可实现性。最后，通过 Matlab / Simulink 仿真平台在负载切换、即插即用及权重变化等多场景对所提方法进行验证。仿真结果表明，该方法能够在预定时间内实现母线电压恢复与电流比例分配，并在系统调控性能与经济运行之间实现良好权衡。

摘要：激活需求侧温控负荷、电动汽车等柔性资源并推动供需双向互动,是提升综合能源微网经济性与灵活性的关键. 然而,传统集中式优化难以兼顾隐私保护与决策自主性,多智能体强化学习在复杂多能流耦合场景中又面临信息隔离导致的协同困难及物理硬约束保障不足等问题. 为此,本文提出一种改进的多智能体深度强化学习供需协同调度方法. 首先,构建供能侧与需求侧双智能体协同决策模型,在保持各主体自主决策的同时,实现系统经济性与用户舒适性的协同优化;其次,在集中训练、分散执行框架下,引入交叉注意力机制构建集中式价值网络,增强跨主体耦合信息感知与协同学习能力;最后,提出基于物理边界的安全动作投影机制,将策略输出约束于可行域,提高策略安全性与可实施性. 算例结果表明,所提方法能够降低运行成本、改善用户舒适度,并满足物理约束,在收敛性、经济性、舒适度和约束满足度方面优于基线方法.

摘要：针对输入输出数据均受加性白噪声污染的误差变量（Error-In-Variables, EIV）多输入单输出（Multiple-Input Single-Output, MISO）Hammerstein-Wiener 系统参数辨识问题, 本文提出了一种偏差补偿的最小二乘（least square, LS）辨识算法, 旨在实现对具有非线性特性的误差变量多输入单输出 Hammerstein-Wiener 系统的一致辨识. 首先, 基于矩阵重构理论揭示了经典最小二乘法产生估计偏差的本质原因, 得到了估计偏差解析表达式. 其次, 针对实际工业系统噪声方差未知的情形, 提出多维搜索算法实现了对噪声方差的精准估计. 接着, 基于平稳随机过程高阶矩理论提出了偏差估计算法, 以消除估计偏差实现对模型参数的一致估计. 最后，通过不同噪声水平下的蒙特卡洛仿真，验证了所提偏差补偿最小二乘（Bias-Correction Least Square，BCLS）算法相比传统最小二乘法及其他对比方法在参数估计精度和输出拟合度方面均具有显著优势，进一步验证了算法的有效性和鲁棒性.

摘要：在大尺度三维空间中,气体扩散呈现出明显的各向异性、空间非均匀性与时间间歇性特征,使传统信息趋向策略在环境认知表征与运动决策过程中难以有效刻画搜索过程中的不确定性演化,从而影响搜索效率与决策稳定性.针对上述问题,提出一种基于认知不确定性建模的多智能体协同搜索决策策略.在统一的贝叶斯推断框架下,利用加权粒子方差对环境认知不确定性进行量化,实现对认知状态的动态表征.在此基础上,构建信息-势场联合驱动的决策模型,并基于认知不确定度量设计自适应权重调节策略与各向异性步长调节机制,使搜索策略能够根据环境认知状态变化动态调节探索与利用之间的平衡以及不同方向上的运动尺度.同时,引入约束更新协商机制实现多智能体系统之间的决策交换,以降低协同行为冲突与路径冗余.仿真实验结果表明,本研究提出的多智能体协同决策策略能够有效提升气味源搜索任务中的搜索效率、决策稳定性与鲁棒性.

摘要：针对Transformer视觉目标跟踪中局部细节利用不足、计算复杂度与表达能力难以兼顾以及静态模板难以适应目标外观变化等问题,提出一种基于时空建模的多分支Agent Transformer目标跟踪框架MBAST.该方法构建以Agent Transformer为骨干的多分支特征提取网络,在保持全局感受野的同时将注意力计算复杂度由二次增长降低为近似线性增长;设计特征增强模块以强化目标边缘与局部纹理表达;引入动态历史帧更新机制,自适应筛选代表性历史帧以提升长时序外观建模能力;并在特征融合阶段结合边界框几何编码与改进MLP,提升目标定位鲁棒性.GOT-10k和TrackingNet上的实验结果表明,MBAST在多项指标上优于SwinTrack、TATrack等代表性方法,并在背景干扰、目标遮挡和相机运动等复杂场景下表现出较强的稳定性与准确性.

摘要：针对目前电压源型逆变器诊断方案在动态工况下存在误报事件频发,诊断网络架构缺乏可解释性等问题,提出一种融合参数辨识与统计分析的逆变器开路故障诊断方法.首先,采用基于指数型自适应变遗忘因子的递归最小二乘法辨识负载参数,反演三相电流模型值并计算电流残差;其次,遍历并计算各时间子域内电流残差对数似然比特征,推导似然估计极值的统计分布特性,依此设定容许误报率下的报警阈值实现故障诊断;同时,依据电路系数矩阵选定残差空间基向量,推导构成各故障状态的电流残差基向量,结合残差极性定位故障功率器件.最后,根据所开展的仿真及硬件在环实验结果,验证所提诊断定位方案的迅速响应性及鲁棒稳健性.

摘要：随着区域一体化的持续推进，物流枢纽网络结构日趋复杂，其可靠性与稳健性已成为保障物流系统高效运行的关键。然而，在实际运营中，物流枢纽常常因自然灾害、技术故障等突发事件而发生中断，造成严重的经济损失。为此，本文在枢纽存在不确定中断风险背景下，提出了一个基于两阶段鲁棒优化的枢纽网络设计问题，旨在最小化枢纽网络的建设成本及最坏情况下的货物运输成本总和。在此问题中，第一阶段在不确定性揭示之前，综合决策物流枢纽的选址与枢纽弧的开通；第二阶段则在预算不确定集所涵盖的中断场景实际发生后，自适应地确定最优的货物运输路径。为有效提升模型的可解性与计算效率，本文设计了改进的Benders分解算法，提出了一种两步求解策略以高效求解子问题，有效增强所产生Benders割的强度，并在经典算例上进行了大量数值实验。研究结果表明：改进的Benders分解算法在计算性能上要明显优于传统算法；基于两阶段鲁棒优化的枢纽网络设计模型可以有效应对枢纽中断风险。

摘要：针对半导体封装车间存在平均流经时间长、在制品库存高和设备换模频繁等问题, 在考虑有限缓冲区和设备维护约束下开展了基于状态特征融合和多智能体协同的半导体封装车间生产与维护集成调度研究. 首先, 构建了最小化最大完工时间、总拖期时间和总换模时间的多目标数学优化模型; 然后, 针对半导体封装车间不同站点的生产特点及其缓冲区容量限制, 利用双延迟深度确定性策略梯度算法(Twin delayed deep deterministic policy gradient algorithm, TD3)设计了三种异构生产智能体; 最后, 针对多智能体TD3 (Multi-agent TD3, MATD3)中存在特征数量多、神经网络学习困难等问题, 提出利用卷积神经网络(Convolutional neural network, CNN)对不同智能体的状态特征进行压缩和融合, 构建了一种基于CNN状态特征融合的MATD3算法(记为:CNN-MATD3). 通过大量的实验结果表明: (1) 状态特征融合在CNN-MATD3算法中发挥着重要作用, 且对IGD和HV指标的平均贡献度分别为216.93%和26.52%; (2) CNN-MATD3算法显著优于2种经典元启发式算法、5种单智能体算法和2种多智能体算法, 且每类算法在IGD指标上的相对百分比偏差分别高达16652.49%、7009.01%和16788.91%、在HV指标上的相对百分比偏差分别不低于-95.46%、-56.81%和-86.65%; (3) 通过敏感性分析发现, 缓冲区容量大小和产品紧急程度对集成调度结果具有显著性影响.

摘要：针对现有杀伤路径推荐方法在多属性权衡、F2T2EA流程约束、实时求解和网络韧性评估方面的不足，提出一种基于改进多属性效用理论（MAUT）的杀伤网最优路径求解方法。依据“发现-定位-跟踪-瞄准-交战-评估”流程构建杀伤网有向图模型，建立由执行时间、成功概率、资源消耗、风险水平和路径韧性组成的评价体系；引入归一化效用、非线性偏好函数和韧性效用，表征不同场景下的决策偏好。采用深度优先搜索枚举满足流程约束和可靠性硬约束的候选路径，并逐一计算综合效用；同时以Top-K排序剪枝作为大规模场景下的近似加速策略。防空反导场景实验生成72条有效路径，四属性等权重下最优效用为0.7734；引入韧性效用后最优路径发生切换，扰动替代能力由0.7531提高至0.7545。节点和链路扰动实验表明，C2_Center_7为关键单点瓶颈；10000次蒙特卡洛模拟的成功概率估计误差为0.00042。结果表明，该方法可支持多属性路径优选，并为识别薄弱环节和配置冗余链路提供量化依据。

摘要：针对现有伪装目标检测模型在边缘检测精度不足、低层特征语义判别能力有限以及上采样过程中边界细节易丢失等问题,提出一种基于边缘增强与语义指导的伪装目标检测网络.首先,设计小波特征增强模块,利用小波变换提取高频信息,并结合注意力机制,强化模型对边界与细粒度纹理的表征能力.其次,构建语义指导调制模块,通过高层语义逐级调制低层特征,增强模型对伪装目标的判别能力与检测结果的结构一致性.最后,引入坐标交互隐函数模块,通过增强坐标与特征之间的交互关系,实现高分辨率特征的精细重建.在CAMO、COD10K和NC4K三个公开数据集上,本文方法均取得优异性能.其中在规模最大的NC4K数据集上,相比基线模型,结构度量、加权F度量和增强对齐度量分别提升1.5%、3.4%和1.5%,平均绝对误差降低17.6%,验证了所提方法的有效性.

摘要：针对二阶多智能体系统的分组编队问题, 本文提出一种面向给定任务参数的分层博弈协同控制方案. 首先, 建立了“任务参数--组间均衡参考生成--组内协调”的三层架构, 其中低维参数 $\theta$ 用于对预设模板族进行平移、统一缩放与整体旋转, 并通过参数化成本函数塑造领导者层的唯一纳什均衡. 其次, 针对领导者层设计了仅交换聚合估计辅助变量的分布式均衡参考生成算法, 领导者之间无需交换物理位置与速度即可生成均衡参考; 进一步从通信层状态不可唯一辨识性的角度刻画了公开辅助变量对物理初始状态的状态掩蔽作用. 针对跟随者层, 设计了利用局部相对状态与组内可信广播信息的控制律以实现紧凑跟随. 在任务参数为常值时, 严格证明了闭环系统全局指数收敛到期望分组编队状态, 并说明公开辅助变量与真实物理位置在稳态上保持显式分离. 最后, 通过56智能体仿真和分段常值任务切换算例验证了所提方法在较大规模场景下的收敛性、模板重构能力以及通信层状态掩蔽特性.

摘要：踝关节助力装置在行走过程中频繁经历步态相位转换与足–地接触变化，人机耦合刚度和交互力易发生波动，引发接触冲击并影响助力输出稳定性。为降低交互冲击并提升系统柔顺性，本文采用串联弹性驱动器（SEA）驱动踝关节。针对SEA动态滞后导致系统难以兼顾交互柔顺性与快速力矩响应的问题，设计了一种基于SEA的踝关节助力装置，并建立考虑弹性储能动态与人机耦合扰动的动力学模型。在此基础上，提出一种融合区间二型模糊阻抗控制与非奇异快速终端滑模力控制的复合策略：通过区间二型模糊阻抗控制实现参数在线自适应调整，以动态匹配人机耦合阻抗特性；结合非奇异快速终端滑模力控制，提高助力力矩的跟踪精度与系统抗扰能力。通过仿真与行走实验对所提方法进行验证。仿真结果表明，所提控制策略在步态切换阶段可使人机交互力峰值降低约5.16%，从而改善交互柔顺性。行走实验结果表明，穿戴者腓肠肌肌电激活度降低约12.22%，验证了所提控制策略在改善人机交互性能方面的有效性。

摘要：针对考虑电量约束的异构AGV柔性作业车间调度问题，本文以最小化最大完工时间和最小总能耗为优化目标建立数学模型，并提出了一种融合Double DQN的混合优化算法（DDNSGA-II）进行求解。首先，针对问题特点构建三段式编码方案，并设计了4种混合初始化策略，显著提升了初始种群的质量和多样性。其次，将Double DQN引入遗传算法框架，并设计了状态空间、动作集合和奖励函数，实现了对遗传算子参数的自适应调整，提升了算法求解效率和稳定性。同时，以优化目标为导向设计了3种邻域搜索策略，提高了算法局部搜索能力和收敛性能。最后，通过消融实验验证了Double DQN动态调整遗传算子参数和邻域搜索策略的有效性，并将DDNSGA-II与其他优化算法进行对比分析，验证了DDNSGA-II在求解FJSP-HA中的优越性.

摘要：针对具有未知动态特性的离散时间非线性系统, 提出了一种鲁棒自适应最优切换跟踪控制方法, 旨在解决实际工业过程中因系统工作点变化导致难以实现最优跟踪控制的难题. 首先, 在非线性系统的多个工作点附近, 建立多个近似线性化模型, 并通过递推最小二乘辨识算法在线估计模型未知参数, 从而得到控制器设计模型及其估计模型. 然后, 基于嵌入转换、极小值原理和二次规划技术, 推导出最优切换函数及自适应最优跟踪控制器, 并设计鲁棒补偿器以提升控制系统性能. 最后, 进行了数值仿真实验和电熔镁砂熔炼过程电极电流控制的应用, 实验结果均验证了本文所提方法的有效性及实际可应用性.

摘要：针对公众知识存在结构性差异且难以量化其价值,决策专家偏好信息具有不确定性和模糊性且专家可靠性难以测度的问题,本文提出一种融合公众关系网络和专家偏好可靠性的大群体应急决策方法.首先,基于用户间的观点相似性建立公众关系网络,从博文知识价值和用户关系价值两方面因素构建公众知识价值测度模型,完成公众知识的价值测度;同时,针对现有概率语言术语集可靠度测度公式计算结果存在违背直觉的不足,提出一种新的概率语言术语集可靠度测度方法,充分考虑专家偏好信息可靠性和信任关系,对不同属性下专家可靠性进行测度,进而确定专家权重;其次,考虑属性排序的一致性与属性重要性差异计算融合系数,将通过公众知识和专家可靠性获得的属性权重进行融合获得综合属性权重,并运用聚合算子进行信息集结与方案排序;最后,以河北暴雨为应急决策案例验证方法的可行性,并进行灵敏度分析和对比分析验证本方法的稳定性与优越性.

摘要：现有的大多数多视图聚类算法通常依赖硬分区或模糊分区，难以有效刻画聚类过程中的不确定性与不精确性。此外，多视图数据往往具有高维度与复杂的结构特征，导致聚类过程的计算开销较大。针对上述问题，本文提出了一种融合非负矩阵分解与加权证据C均值多视图聚类算法，通过理论层面的协同设计，实现降维、信度划分与视图加权的深度耦合，提高聚类精度并降低计算复杂度。首先，算法通过非负矩阵分解对各视图的原始数据进行低维特征表示，从而提取具有判别力的潜在特征空间并减少计算负担；其次，在信念函数理论框架下生成全局信度划分，有效缓解视图间潜在冲突与不一致带来的不确定性；最后，引入带香农熵约束的自适应视图加权机制，实现视图权重与特征降维、信度划分的联合优化。在六个真实数据集和两个大规模数据集上的实验结果表明，所提出的WECM-NMF算法的聚类性能优于多种现有的多视图聚类方法。

摘要：光刻机精密运动台普遍采用粗-微动台复合架构以兼顾大行程与纳米级精度。然而，在实际高速扫描工况下，由柔性管线与音圈电机电涡流效应引发的粗-微动台寄生耦合难题，严重制约了微动台的最终定位性能。为解决此问题，本文在粗动台单向双驱同步控制架构基础上，提出一种基于“灰盒物理建模”与状态空间扰动观测器（SS-DOB）相结合的解耦补偿算法。所提方法的核心在于，从物理机理出发将复杂且难以精确建模的耦合扰动力，显式分解为确定性的刚度分量与阻尼分量，以及非线性的残余未建模分量。进而，通过匀速运动激励信号在线辨识刚度系数，利用传递函数频域分析辨识阻尼系数，以实现主导耦合力的零相位滞后前馈补偿；同时，构建带有数字时序补偿机制的SS-DOB，对高频残余扰动进行实时精准估计与“兜底”补偿。最终，在光刻机精密运动台上的实验验证了该方法的有效性。结果表明，本文所提出的补偿算法能有效抑制粗-微动台间的耦合扰动，将运动台Y向的定位精度（Mean+3σ）从32.73nm显著提升至18.67nm，性能提升约43%。

摘要：在信息时代背景下, 实现复杂网络系统的安全控制是一个严峻的挑战. 本文研究一类具有输入约束的状态触发脉冲布尔控制网络的安全控制问题. 首先, 基于混杂指标模型与半张量积方法, 建立带状态依赖输入约束的数学模型, 并通过输入变换技术将其等价转化为无约束脉冲布尔控制网络. 其次, 引入前向完备性概念以规避芝诺现象, 并在商系统中建立系统时域安全控制问题可解的充要条件. 接着设计基于可容许路径和状态空间划分的控制器并构造出输入约束下的容许反馈, 最后提出一种面向时域安全控制问题的状态反馈控制器设计算法. 仿真结果表明, 在满足输入约束的前提下, 所提出的算法可有效解决该类安全控制问题.

摘要：本文针对一类严格反馈非线性系统的状态约束控制问题展开研究. 现有预设性能等约束控制方法通常需要预先设定约束边界, 这可能造成因边界设置远宽于系统实际动态范围而导致控制冗余. 为克服此问题, 本文提出一种先评估、后约束的切换控制新思路. 首先, 在假设系统非线性项及其偏导有界的条件下, 通过结合反步法与李雅普诺夫稳定性理论, 解析推导了系统在无约束控制器作用下的状态轨迹上界. 该上界表征了无约束控制时状态的潜在最大幅值. 然后设计了一种切换控制策略: 仅当预设边界小于自然边界时, 才启用约束控制器以保证状态不越界; 反之, 则采用无约束控制器, 在保证相同闭环性能的同时, 避免因引入额外项而产生的控制冗余与复杂度. 在满足状态约束的前提下, 相较于约束控制方法, 本文提出的控制策略能够在较小的控制力度下实现期望的跟踪控制.仿真结果验证了该方法的有效性与可行性.

摘要：针对现有狼群算法在求解约束多目标优化问题(CMOPs)时存在的约束处理机制不够完善导致解的可行性不足；探狼与猛狼的搜索方式单一，难以充分探索解空间，造成解的多样性不足等问题，提出螺旋搜索与多族群交互的约束多目标狼群算法(CMOWPA-SSI)。设计螺旋搜索策略，优化探狼和猛狼的学习模型，分别强化全局探索与局部开发能力，提升算法的多样性和收敛性；设计多族群交互机制，设置约束优先、约束忽略和约束松弛三个族群，通过族群间的信息交互实现优势互补，协调可行域与不可行域探索，增强算法在约束环境下的适应性，保证解集的可行性。DTLZ、MW、DAS-CMOP基准测试集的实验表明，CMOWPA-SSI在收敛精度和解集分布性上显著优于5种对比算法，可有效提升CMOPs的综合求解性能。

摘要：针对四旋翼无人机编队中领航者系统动态完全未知、跟随者模型参数不确定且存在外部干扰, 同时通信链路可能发生故障的问题, 提出了一种基于分布式自适应观测器的容错编队控制算法. 首先, 建立考虑气动阻尼的无人机系统模型, 其次, 针对虚拟领航者的系统矩阵对跟随者未知的问题, 设计一种参数估计方法对其进行在线估计. 在此基础上, 基于“虚拟领导者- 跟随者”拓扑结构, 针对部分跟随者无人机无法直接获取虚拟领导者状态的约束, 引入相邻无人机的局部交互信息, 构建分布式虚拟领导者状态观测器, 从而在通信链路发生故障时仍能准确估计领导者状态? 然后, 结合反步法设计自适应容错编队控制器, 以补偿系统不确定性并保证编队跟踪性能. 最后, 开展了仿真验证, 结果表明, 所设计的分布式观测器与控制器具有良好的容错性能.

摘要：针对移动无线传感器网络（MWSN）中移动目标非线性运动、时变通信拓扑及欺骗攻击场景下的状态估计问题，设计一种不变集员共识融合滤波（ISMF）的弹性分布式状态估计算法。首先，利用李群与其李代数之间的映射，定义一种新型估计误差并对其线性化，结合椭球体最小迹原则，实现时间预测步骤下先验椭球体的更新；其次，引入协方差交集（CI）融合机制适配时变拓扑，通过设计自适应阈值对邻居信息进行筛选，从而获得可靠的融合椭球体；最后，结合椭球体交运算进行局部测量校正更新，并利用自适应校正增益抑制异常测量；最终确保在部分移动节点遭受双通道欺骗攻击时仍能保持后验椭球体始终包含真实状态，且椭球体的范围随迭代逐步紧凑。仿真结果表明：该算法在单通道与双通道欺骗攻击场景下均能有效恢复对目标的跟踪，具有较好的鲁棒性。

摘要：本文研究矩阵权重有向图下多智能体系统的可镇定性与分散镇定问题. 引入矩阵权重独立强连通分量的概念, 结合块拉普拉斯矩阵分解, 建立了系统可镇定的充要条件; 在附加拉普拉斯核空间结构的假设下, 给出了更易检验的秩判据. 针对分散状态反馈情形, 构造了由局部闭环子块稳定性推出整体闭环稳定的分析框架, 给出了闭环系统渐近稳定的充分条件. 进一步地, 在局部标量型反馈增益情形下, 提出了一种构造输入选择矩阵的方法. 数值仿真结果表明, 所提方法可在仅控制部分节点的部分状态分量的情况下实现闭环系统渐近稳定, 并在较大规模矩阵权重网络上验证了其可行性. 本文结果将标量权重网络中基于 iSCC 的可镇定性结论推广到矩阵权重情形, 为矩阵权重多智能体系统的分散稳定化设计提供了理论参考.

摘要：引用视频对象分割任务（R-VOS）旨在根据语言描述分割视频中的指定目标。针对复杂动态场景下视频帧质量分布不均与 DETR 类方法的时序不稳定性问题，本文提出基于多尺度质量感知跟踪的 R-VOS 方法（MSQAT）。MS-QAT 在 ReferDINO 的基础上设计了两个即插即用模块：多尺度时序质量加权融合模块（MST-QWF）通过多尺度特征质量评估与动态加权，能抑制低质量帧干扰，增强特征鲁棒性；多尺度时序跟踪平滑融合模块（MSTTSF）通过帧间目标匹配与时序平滑约束，缓解对象查询跳变与跟踪漂移问题。在 A2D-Sentences 和 JHMDBSentences 数据集上的实验表明，改进方法较基线的 mAP 分别提高 1.9% 和 0.9%。在不同基线上的消融实验表明，MS-QAT 可有效提升复杂场景下 R-VOS 的分割精度与时序稳定性，增强模型鲁棒性，为动态视频场景下语义引导的目标分割提供了有效解决方案。

摘要：针对移动机器人在复杂动态环境中易受到感知不完备与传感器噪声的影响，以及由此导致的对动态障碍物未来状态难以预测和决策不确定性增大的问题，本文提出一种融合环境前向动力学预测的非对称强化学习自主导航框架（Forward-dynamics-assisted Asymmetric Navigation，FANav）。首先，通过环境前向动力学模型（Environment Forward Dynamics Model, E-FDM）在训练阶段学习机器人—环境交互的短期状态演化关系，并在决策优化中加入预测的环境变化与碰撞风险，引导策略实现前瞻性决策；在部署阶段，E-FDM 基于局部观测与当前动作在线提供短期环境预测，辅助实时避障决策。其次，为应对模型预测误差及感知噪声引发的安全风险，在执行层引入融合短期风险预测的控制屏障函数（Control Barrier Function, CBF）安全过滤机制，利用前瞻风险信息在线调制安全约束强度，并通过二次规划对策略输出进行最小干预修正，实现形式化安全约束。最后，采用非对称近端策略优化框架（Proximal Policy Optimization, PPO），利用前向预测等特权信息优化价值网络，以提升策略学习效率与训练稳定性。实验结果表明，所提方法在避障安全性、决策鲁棒性和运动平滑性方面显著优于现有方法。

摘要：本文提出了一种基于控制障碍函数（Control Barrier Function, CBF）的机器人有限时间预设性能安全轨迹跟踪控制方法。针对机器人系统在笛卡尔空间下的位置安全约束问题，本文构造了笛卡尔空间有限时间控制障碍函数（Cartesian-space Finite-time CBF, CFCBF）。该函数基于笛卡尔空间动力学构建，将系统动能与安全约束结合，通过引入与系统动能相关的障碍函数构造方式，对相对阶为 2 的位置约束进行能量型重构，实现了向相对阶为 1的约束条件的等价映射。在此基础上，为解决障碍物环境下的机器人安全跟踪问题，设计了一种具有有限时间预设性能的安全轨迹跟踪控制器。通过将 CFCBF 与预设性能约束融合到二次规划优化框架，实现了对具有预设性能约束的机器人系统在障碍物环境中的安全跟踪与避障控制。基于Lyapunov稳定性理论，证明了所设计控制器能够保证系统跟踪误差在预定性能边界内的有限时间收敛。仿真验证表明，该方法在保证机器人系统避障安全的同时，能够实现轨迹跟踪误差有限时间收敛，提升了系统的控制精度和动态性能。

摘要：为了解决无人船艏向控制任务存在模型参数未知和网络通信资源受限等问题, 本文提出了基于数据驱动的事件触发艏向控制算法, 该算法利用艏向控制系统的在线输入输出数据建立无人船的等价数据模型, 然后利用无模型自适应控制算法构造数据驱动艏向控制器. 由于艏向控制系统存在非自衡特性, 因此在舵角控制输入准则函数中引入历史舵角输入补偿项来解决这个问题. 进一步, 利用艏向测量误差和跟踪误差构造事件触发机制减少网络中传输的信号, 实现降低网络通信资源的消耗. 最后, 采用一艘无人船进行仿真, 说明所设计的数据驱动事件触发艏向控制算法的有效性.

摘要：智能微电网在遭遇配电网不对称电压跌落故障时，会出现电流越限、功角失稳及有功功率波动等问题。传统虚拟同步发电机(VirtualSynchronous Generator, VSG)控制方法难以实现限流、功率稳定与功角恢复。为此，本文提出一种基于电压指令动态变化的智能微电网VSG不对称低电压穿越控制策略。首先，在正负序控制中添加相位与幅值补偿环节，有效抑制电流冲击并加速功角恢复；其次，提出基于动态电压参考指令的无功环控制方法，其电压参考指令随故障后的有功功率、功角及电网电压跌落程度自适应调整，从而在故障期间维持有功功率与功角的稳定。同时，提出基于模糊PID控制的无功环一次调压及电压前馈补偿控制方法，以实现 VSG 内电势与有功功率对设定值的快速无差跟踪，进而增强微电网的电压支撑能力与系统韧性。最后，通过MATLAB/Simulink平台进行低电压穿越仿真实验，验证了所提策略的有效性和优势。

摘要：在基于李雅普诺夫-克拉索夫斯基泛函（LKF）的时滞系统稳定性分析中, 一个核心挑战在于处理由时变 时滞引起的二次多项式, 并保证其导函数矩阵的严格负定性. 这一环节直接决定了基于线性矩阵不等式（LMI） 稳定性条件的保守性. 为了降低现有条件的保守性, 本文提出一种基于时滞区间分段与对称点切线逼近的分析方 法. 该方法通过对时滞区间进行划分, 并在关键对称点处引入切线之间交点的约束, 以建立更加精确的稳定性判 据, 从而导出更松弛的稳定性准则. 两个典型数值算例结果表明, 本文方法相较于现有主流方法具有更低的保守 性.

摘要：随着电动汽车的规模化发展，交通网络与电力网络借助充换电网络实现了深度耦合，而二者的协同规划与运行优化是保障城市能源安全、提升交通效率的关键所在。由于两网独立规划造成的资源浪费、无序充放电引发的电网负荷波动，以及动态耦合背景下的多主体协同难题，均对耦合网络整体效能产生了制约。本文对交通电力耦合网络的研究现状进行了系统梳理：在协同规划方面，从充电站选址与规模优化、充电站与配电系统联合规划、可再生能源分布式充电站部署这三个维度，归纳了现有方法的技术路径与适用场景；在运行优化方面，先分别从交通网络和电力网络构建其基础模型，再依据两网耦合关系的强弱，分别建立耦合网络的协同运行优化模型，并剖析不同耦合强度下的优化目标与求解算法。最后，总结了当前研究存在的问题：其一，忽略了两网动态双向耦合；其二，忽视了多时间尺度耦合特性；其三，对新质交通要素的建模存在不足。针对上述问题，提出了未来的研究方向。

摘要：源荷两侧不断增加的波动性是新型电力系统建设面临的重大挑战,虚拟电厂(virtual power plant,VPP)作为需求侧响应的重要参与主体,其运行机制对新型电力系统的灵活性将产生直接影响.基于主从博弈理论,本文考虑不同类型资源的响应特性,为负荷型VPP设计了一种双边定价-报价策略,既能实现对内部聚合商的合理定价,又可以通过动态修正机制提高虚拟电厂需求响应的履约能力.结合粒子群优化算法,文章设计了一种内外双层嵌套的迭代求解框架. 算例分析表明,不同类型资源在响应能力上存在明显差异,其中储能资源灵活性和可调度性最高,而可削减负荷与可转移负荷的响应能力相对受限;考虑修正机制的分段定价策略能够有效提升VPP的资源利用率,并更好地匹配市场响应需求,使VPP整体收益提升至基准案例的约1.4倍.

摘要：针对社会信任网络环境下, 决策者偏好表达为双层语言术语集, 且初始信任信息和评价信息均不完备的多属性群决策共识问题, 提出一种新的、融合主客观信息的时变集结标准, 并设计信任-评价双重反馈机制以达成群体共识. 首先, 利用改进的最短路径模型和信任网络权威偏好, 有效补全缺失的信任和评价矩阵; 其次, 整合主客观信息并引入变异系数自适应赋权, 构建兼顾信任演化与评价稳定性的时变集结模型, 以生成群体方案排序向量; 然后, 基于Spearman 等级相关系数设计信任-评价双重反馈机制, 动态引导个体修正偏好直至达成共识, 从而得出最终的决策结果; 最后, 通过案例应用、仿真实验与对比分析证实, 提出方法能有效解决不完备信息难题,并在挖掘潜在信息和提升共识质量方面具有一定优势.

摘要：针对现代一体化防空体系下战机低空突防面临的雷达网探测、导弹拦截与复杂地形规避等多重威胁耦合问题，提出一种基于多策略融合改进蜣螂优化算法(multi-strategy improved dung beetle optimizer，MSDBO)的航迹规划方法。首先，建立基于Swerling I型目标探测概率的雷达威胁模型，综合考虑战机姿态角对雷达散射截面积的动态影响；其次，结合战机最大转弯角、爬升角和最小转弯半径等运动学硬约束，采用动态归一化方法设计多目标适应度函数；然后，针对标准蜣螂优化算法的不足，引入Tent-Logistic复合混沌初始化、非线性自适应权重、柯西-高斯混合变异和折射反向学习4种改进策略；最后，采用B样条曲线对航迹进行平滑处理。仿真结果表明，与标准蜣螂优化算法相比，所提算法规划的航迹长度缩短8.6%，威胁代价降低15.2%；与粒子群优化算法相比，航迹长度缩短18.5%，威胁代价降低37.1%；全航程累积被探测概率降低31.2%，突防生存概率提升至97.8%。

摘要：针对机器人在与动态环境的交互过程中,传统阻抗控制难以满足柔顺交互要求的问题,提出了一种基于迭代学习控制(ILC)框架的自适应变阻抗控制策略,以获得期望的机器人-环境柔顺交互行为.该策略在迭代学习基础上结合了Adam优化算法与流式稀疏高斯过程(SSGP),改善了传统迭代学习控制(ILC)中阻抗参数收敛速度慢、泛化能力弱的缺点.首先,引入Adam优化算法,提出自适应梯度学习(AGL)来指导迭代学习的学习率设置,加快阻抗参数的收敛速度;其次,采用流式稀疏高斯过程,把数据作为流式形式进行稀疏化处理,保留关键特征,进而提升变阻抗策略对新任务的泛化能力.实验结果表明,相比传统迭代学习控制,本文提出的变阻抗策略显著提高了阻抗参数的收敛速度,同时有效解决了阻抗学习中对学习率敏感和任务依赖性强的问题,增强了阻抗学习的泛化能力,验证了所提方法的有效性与可行性.

摘要：港口智慧绿色转型背景下，自动导引车（AGV）成为自动化集装箱码头水平运输的主力.针对AGV群电量和充电资源利用不均衡问题，本文基于势博弈和深度强化学习算法开展AGV群能量均衡研究.考虑AGV群体电量水平、电量分布范围、充电站利用情况问题，将分布式AGV充电调度问题转化为AGV之间的博弈模型，提出一种基于势博弈的AGV群能量均衡模型；将多智能体深度确定性策略梯度（MADDPG）算法与势博弈（PGT）融合，提出MADDPG-PGT算法，求解AGV群能量均衡策略.结合3艘实际船舶任务，进行数值仿真实验.仿真结果表明：无论自动化码头作业处于高峰和低谷时段，本文方法在任务执行期间AGV群电量水平控制在85%左右，电量分布范围控制在80%-90%，达到AGV群能量均衡状态，降低了充电站的充电服务压力；方法对比显示，所提方法在AGV群能量均衡程度、任务完成时效和充电桩利用率方面表现更优.垂直/U型/水平布局下，MADDPG-PGT算法都可使AGV群达到能量均衡状态，其中在小规模和大规模任务量时，水平布局的能量均衡状态最优，在中规模任务量时，三种布局均衡状态相仿，均提升了自动化码头整体效益.

摘要：针对障碍物环境下多机器人寻源易陷入局部最优和与污染源定位效率低下的问题，提出了一种基于动态角色分配的改进蚁群寻源算法(Dynamic Role Allocation-Ant Colony Optimization, DRA-ACO)。首先，DRA-ACO算法的启发式函数融合了浓度梯度、空间距离与风向等环境特征，增强了机器人的自主决策能力；其次，引入自适应信息素挥发与访问频率惩罚机制，提高了算法的全局搜索能力；同时，通过动态角色分配策略实现探索与开发的自适应平衡。仿真结果表明，与传统蚁群算法(Ant Colony Optimization, ACO)和混合式教学学习粒子群算法(Hybrid teaching learning particle swarm optimization, HILPSO)相比较，在障碍物场景下DRA-ACO算法的寻源成功率有较大的提升。此外，通过与梯度寻源法、概率寻源法及生物启发式寻源法的仿真对比，验证了DRA-ACO算法在不同环境下的多机器人协同源定位中具有较强的有效性与鲁棒性。

摘要：针对3D打印耗材的流体形态及定制化生产用料需求的随机不确定性, 利用排队论和库存理论, 在(s, Q)补货策略下建立一个新型的多台服务、且带有设备同步维护期的流体排队库存模型, 探讨在销售损失机制下系统关键参数及成本变量对平均库存水平、订货率、原料短缺量和最优补货控制策略的影响. 研究主要揭示了三方面的发现: 首先, 库存与队长的联合概率分布呈现乘积形式的随机分解结构, 这表明补货策略与服务过程可相对独立优化, 为企业提供了分层决策的理论依据; 其次, 设备维护时间对库存相关指标影响微弱, 但对销售损失量影响显著, 企业可据此灵活安排维护计划, 把降低销售损失作为维护策略制定的首要目标; 再次, 数值结果表明库存持有成本是主导性成本驱动因素, 精准把握需求的随机规律比单纯提升补货响应速度更具成本优化潜力.

摘要：制造业正加速向高效率、低成本与高度柔性方向发展，工件生产具有批量小、品种多、工艺复杂等特征，在设备退化与随机故障频繁发生的实际环境下，传统确定性柔性作业车间调度模型难以准确刻画生产过程。为此，本文聚焦于考虑设备退化与随机故障影响的随机柔性作业车间调度问题（Stochastic Flexible Job Shop Scheduling Problem, SFJSP），将柔性作业车间中的加工设备细化建模为由退化机器构成的串行生产单元，从而构建更加贴近实际生产的调度模型。在此基础上，针对传统元启发式算法在复杂不确定环境中计算代价高的问题，本文提出一种基于D3QN（Dueling Double Deep Q-Network）的智能调度方法，实现完工时间与综合生产成本等多性能指标的联合优化。数值实验结果表明，所提出的方法在求解质量与计算效率方面均优于对比算法，能够有效提升复杂生产系统的运行性能。

摘要：针对残差图像分类网络在边缘特征细节感知不足及通道与空间信息交互不充分的问题，本文提出基于马赫带机制的图像分类网络（Mach Band Mechanism-based Image Classification Network，MBMNet）。该网络在ResNet-34框架上设计了动态马赫带模块（Dynamic Mach Band Module，DMM）和马赫带注意力模块（Mach Band Attention Module，MBM）。其中，DMM利用逐深度卷积与拉普拉斯算子实现边缘检测，并通过可学习缩放因子在边缘增强与抑制之间实现动态平衡，强化模块对关键边缘的感知。MBM在通道与空间维度中分别构建通道增强分支（Channel Enhancement Branch，CEB）与空间增强分支（Spatial Enhancement Branch，SEB），并在两条分支中嵌入DMM。其中，CEB通过混合池化与深度可分离卷积提取通道关键信息，再结合DMM强化通道内部的边缘与结构变化；SEB通过多层深度可分离卷积提取局部空间纹理与结构特征，并在DMM的作用下增强关键区域的空间边缘响应；最后，将两分支输出的特征通过特征融合模块（Feature Fusion Module，FFM）进行融合，实现通道与空间特征的协同建模与信息交互，并进一步采用残差式融合保持语义一致性与特征稳定传播。在图像数据集CIFAR-10、CIFAR-100、SVHN、Imagenette与Imagewoof上，MBMNet分别取得了96.87%、81.08%、97.64%、92.25%与85.31%的分类准确率，相较于其他主流网络，在五个数据集上分别平均提升了1.70%、3.15%、2.19%、4.39%和5.76%。实验结果表明，MBMNet能有效增强边缘与结构细节的感知能力，并促进通道与空间特征的协同交互，从而显著提升图像分类的准确率与鲁棒性。

摘要：在农村地区利用丰富的可再生能源构建绿色低碳的尿素化工综合能源系统对实现双碳目标、促进化工产业低碳转型具有重要意义。对此，该文提出了一种的绿色低碳农村尿素化工综合能源优化调度方法。首先构建了基于新能源的农村尿素化工综合能源系统框架，结合余热回收和温控沼气发酵池提高系统能源利用效率；然后为应对日内调度过程中的多种不确定因素的影响，建立了农村尿素化工综合能源系统优化调度的马尔可夫决策过程模型，并提出基于多维分段线性函数近似值函数的近似动态规划（PLF-ADP）算法，选择引入了分段线性函数对贝尔曼方程中的值函数进行近似。仿真算例表明，所提多维PLF-ADP算法的优化误差为3.3%，能够在随机环境下通过农村尿素化工系统中各装置的协调运行，得到近似全局最优的实时调度策略，保证系统运行的经济性。

摘要：复杂设备在国防和工业生产领域具有重要地位，合理确定其最优维护时机，可有效避免计划外停机带来的财产损失。针对当前最优维护时机确定方法中存在的监测数据信息量不足影响模型精度、模型优化结果易偏离工程实际等问题，本文提出一种基于监测图像辅助增强的最优维护时机确定模型。首先，采用“深度学习目标识别+运动分析”的方法实现监测图像健康信息提取，并基于三维注意力机制实现监测图像提取数据与传感器数据融合，达到数据增强的目的；其次，基于证据推理规则建立最优维护时机确定模型，实现最优维护时机的初步确定；然后，根据工程实际确定模型优化约束条件，对模型参数进行优化，从而在提高模型精度的同时确保模型结果的可解释性；最后，通过液体火箭结构健康模拟系统和模型对比实验，验证了所提模型的有效性。

摘要：低轨卫星在时敏移动目标跟踪任务中具备响应时间短、覆盖范围广等优势。然而在多星协同执行任务的过程中，有限的观测资源与动态变化的目标状态使得任务规划与调度问题复杂化。传统共识型任务捆绑算法（Consensus-Based Bundle Algorithm, CBBA）在收益计算过程中通常采用贪婪策略，容易导致资源分配不均和任务收益次优。本文提出一种改进的 CBBA 方法，通过引入合作博弈理论中的 Shapley 值计算智能体在联盟中的边际贡献收益，替代原有贪婪收益函数，从而在任务分配中更好地平衡各卫星的效益与全局收益。针对时敏目标，本文针对低轨卫星在时敏目标跟踪中的协同调度问题，提出了一种基于 Shapley 值优化的多星协同任务调度方法。在仿真环境中，以低轨星座对机动目标的连续跟踪为背景进行对比实验，结果表明，该方法在任务完成率、公平性以及总收益方面均优于传统 CBBA，在资源紧张情况下具有更高的调度鲁棒性和全局最优性。研究成果为低轨卫星系统在时敏任务中的协同调度提供了一种有效的优化手段。

摘要：针对永磁同步电机位置伺服系统中存在的参数不确定性和外部负载扰动问题,提出一种基于高阶全驱模型的奇异摄动控制方法,在保证快速响应的同时有效提高控制精度.首先,建立永磁同步电机伺服系统的高阶全驱模型;其次,利用奇异摄动理论对全驱模型进行降阶处理,基于高阶全驱理论对快、慢子系统进行控制器设计,克服高阶微分信号噪声的影响;然后,针对系统中存在的参数摄动和负载扰动问题,设计动态位置反馈补偿器对慢子系统进行控制,并利用一种微分跟踪器获取系统状态和参考输入的一阶微分信号,使得转子位置可以无超调渐近跟踪参考信号.最后,通过仿真与实验验证所提方法能够抑制未知时变负载的干扰及参数不确定带来的影响,提高永磁同步电机位置伺服系统的控制精度.

摘要：面向未知环境下的零样本目标搜索任务, 提出一种多模态大模型推理与自主探索相融合的无人机导航方法. 首先, 针对多模态大模型难以处理三维数据的问题, 提出了一种空间-视觉逆映射方法,通过构建具备显式三维坐标约束的场景图像作为多模态大模型输入, 赋予多模态大模型同时理解场景图像与定位关键区域的能力. 然后, 针对现有目标搜索方法泛化性差的问题, 设计了一种蕴含“辨识—评估—转移”逻辑的提示词, 引导无人机实现跨场景条件下的零样本目标搜索. 最后, 针对现有目标搜索方法存在显著仿真—真实差距, 在无人机自主探索框架中引入几何–语义异步增益融合机制与动态评估策略, 实现“空间自主探索”与“语义规律利用”自适应平衡. 仿真结果表明, 在三类 Gazebo 场景中, 所提方法在路径长度、搜索时间及成功率等指标上均明显优于基线方法.此外, 室外未知场景实验验证了所提方法在零样本目标搜索任务中的有效性.

摘要：精确的6D位姿估计对于柔性制造、机器人抓取与智能装配至关重要，但仍面临三个主要局限：复杂背景下小目标检测困难；传统配准方法对初始值敏感、收敛域小，而深度学习对工业小目标泛化不足；现有神经渲染方法主要围绕RGB-D图像设计，旨在优化视图合成质量，难以直接满足工业场景中对高精度点云几何信息进行无损、精确位姿解算的需求.为此，本文提出一种“跨模态粗定位与差异化几何精配准”（CMCL-DFR）的协同估计框架.第一阶段提出基于虚拟渲染的神经位姿估计方法（VR-NPE），通过可微渲染将点云桥接至图像域，并设计几何感知多尺度网络（GMS-Net）融合多模态特征，提升小目标检测与粗定位鲁棒性.第二阶段提出位姿引导的多尺度几何感知配准方法（PG-MSGAR），通过曲率分析实现点云自适应区域分割，为不同几何显著性区域赋予差异化约束权重，并利用TEASER++抑制离群点，实现高精度位姿精化.在自建工业零件数据集（IPD）上的实验表明，本文方法平均距离（ADD）误差为0.95 mm，成功率为91.8%，与FoundationPose相比ADD误差降低48.6%.

摘要：分布式优化控制是多智能体系统中的典型问题. 然而, 如何在非平衡图下实现快速收敛是一个极具挑战性的难题. 通过构造两个时变增益函数, 本文提出了一种双阶段的分布式优化控制架构, 即分布式预定时间估计和分布式预定时间优化控制. 与现有异构线性多智能体系统的分布式优化控制研究相比, 所提出的算法同时具有以下性能: 1) 可在预定时间内收敛至精确最优解, 且该收敛时间仅与一个时间参数有关, 与系统初始状态及控制参数均无关, 因此收敛时间易于调节；2) 控制输入保证有界, 且无需传统的分数幂反馈, 算法结构更简洁；3) 适用于更一般的非平衡通信网络. 最后, 通过严格的李雅普诺夫理论和仿真验证了算法的有效性和优势.

摘要：进化多任务优化通过在不同优化任务间共享隐式遗传信息来提升整体搜索效率. 然而, 当任务间相关性 低时, 缺乏相关性度量的盲目知识迁移极易引发负迁移效应. 基于此, 本文提出了一种基于动态梯度相似度的多 任务进化算法 MFEA-DGS. 首先, 算法引入基于方向梯度下降的拟梯度算子, 通过构建任务的下降方向向量来感 知解空间的几何特征, 实现高效的正向迁移. 其次, 提出了一种动态梯度相似度策略, 通过计算源任务与目标任务 梯度向量的方向余弦相似度, 并结合硬阈值截断机制物理阻断冲突任务, 自适应地调节知识迁移强度. 此外, 构建 了包含梯度算子与模拟二进制交叉及多项式变异的概率混合搜索框架, 利用进化算子的全局探索能力弥补单一 梯度搜索易陷入局部最优的局限性, 显著提升了收敛精度. 在 CEC2017-MTSO 和 WCCI2020-MTSO 基准测试集 上的实验结果表明, 与多种先进的多任务优化算法相比,MFEA-DGS 在收敛速度、求解精度及鲁棒性方面均表现 出显著优势.

摘要：癫痫患者通常依赖致痫灶切除手术控制病情发作，而致痫灶精准定位是手术成功的关键.前期定位算法多基于单通道脑电时序特征，忽视了脑区间的相互作用，导致空间信息利用不足.本文基于23名癫痫患者的立体定向脑电图（SEEG）数据，采用一维卷积长短时记忆模型（Conv1D-LSTM）融合单通道与多通道特征进行致痫灶定位.该方法首先提取单通道SEEG的时域、频域和非线性特征，然后分别基于锁相值、转移熵和广义定向相干性构建脑功能网络并提取其图论特征.随后，将上述特征输入到Conv1D-LSTM模型，以融合时空信息进行致痫灶定位.结果表明，相较于单独使用单通道或多通道特征，基于两种特征融合的Conv1D-LSTM在SEEG数据集上达到93.31%的定位准确率.消融实验表明，脑网络图论特征在致痫灶定位中的作用大于单通道特征，并且双重注意力机制能显著提升定位性能.对比实验显示，Conv1D-LSTM性能优于支持向量机、卷积神经网络、时域卷积网络和双向LSTM等主流模型.本文研究为临床上精确定位致痫灶提供了新的辅助方法.

摘要：针对大规模社会冲突中主体内部偏好异质化问题，基于冲突分析图模型（Graph Model for Conflict Resolution, GMCR）框架，构建了一种考虑信任与移情关系的共识偏好生成模型。首先对大规模冲突主体进行子组划分，量化子组间信任关系与移情权重；进而建立融合信任网络与移情响应的共识迭代算法，其中移情机制特别考量子组对群体综合排序的认同；随后，运用改进模糊序数优先权方法（Fuzzy Ordinal Priority Approach, OPA-F）实现异质偏好的序数聚合，形成策略声明共识排序；最后，基于策略优先权排序法输出共识偏好结果。案例应用、灵敏度分析与对比分析表明：该模型能有效提升共识效率，其生成的共识偏好可显著增强关键决策方的策略稳定性。所提模型实现了从群体内部分歧到共识策略声明排序的转化，为大规模社会冲突的共识性协调提供了可计算的分析框架。

摘要：针对模型预测路径积分控制 (MPPI) 在受限车辆路点跟踪中存在的稳定性问题, 提出一种具有闭环渐近稳定性保证的李雅普诺夫稳定MPPI(LS-MPPI)策略. 首先, 构建统一的二次型连续屏障代价函数, 解决传统硬约束惩罚导致的采样梯度稀疏与权重退化问题. 其次, 通过引入随机采样解与热启动解之间的动态非增仲裁机制,保证了 LS-MPPI 优化问题的递推可行性. 进一步, 通过终端代价函数和李雅普诺夫定理建立了闭环系统渐近稳定性的充分条件. 最后通过多工况仿真实验表明, 所提策略与传统 MPPI 相比, 其横向与航向均方根误差分别降低了 43.5% 与 23.0%.

摘要：为降低张拉整体机器人在着陆过程中的回弹高度，本文提出一种基于双Critic网络的OSTC-DP着陆回弹控制策略。首先，基于六杆张拉整体机器人初始几何构型建立机器人等效模型。其次，结合动力学运动分析获取机器人回弹响应的物理反馈，在此基础上构建兼顾结构安全与策略性能的约束优化奖励函数，并采用OSTC-DP算法学习获得最优回弹控制策略。最后，在动力学仿真物理引擎（MuJoCo）中开展动力学仿真测试，在多姿态工况下对未调控与调控后机器人的物理反馈进行对比验证与系统分析。结果表明，所提方法在满足安全约束的前提条件下，可显著降低机器人着陆回弹高度并缩短回弹持续时间，验证了该方法在优化机器人着陆回弹方面的有效性。

摘要：防振锤是输配电线路无人机航拍巡检中重点关注的金具之一.受制于无人机巡检安全距离与拍摄视角,巡线图像中防振锤目标具有像素占比少、缺陷特征差异不明显的特点,给防振锤的细粒度缺陷检测带来了严峻挑战.为此,本文提出基于线性全局注意力与专家几何知识的防振锤缺陷级联检测方法,将防振锤细粒度缺陷检测任务解耦为定位和分类两个阶段.在定位阶段,提出基于线性全局注意力的轻量化定位网络,在保证实时性的同时增强网络的全局上下文感知能力.在缺陷分类阶段,提出专家几何知识嵌入分类网络,将防振锤缺陷分类中的专家几何知识转化为显式特征表示,并嵌入深度学习网络,增强网络对缺陷类别的语义理解深度.最后,在自建数据集上实验表明:第一级定位网络实现95%召回率下84.1%的定位精确率,第二级缺陷分类准确率达93.42%,验证所提出方法在细粒度缺陷检测中的有效性.

摘要：包裹储物柜有效解决了末端配送客户与快递员交接时间不匹配的问题.然而,随着包裹储物柜的大量部署,如何让客户更便利地使用储物柜进行交接,已成为影响末端配送服务满意度的关键因素之一.针对这一挑战,本文提出了考虑客户满意度的多车辆覆盖配送问题.在问题层面,本文运用问卷调查构建了客户满意度函数,进而建立该问题的数学模型；在方法层面,本文提出一种强化学习驱动的进化算法.首先,设计了混合启发式方法,用于生成高质量初始种群；其次,基于问题特性设计了9种邻域算子与贪婪修复启发式方法,用于高效搜索满意可行解；进而,提出了一种强化学习驱动的搜索机制,用于自适应选用合适算子；最后,设计了一种基于单调下降基准函数的状态表征方法,用于引导智能体学习算法的收敛进程.仿真实验结果表明,所提算法在不同规模问题上均获得高质量解,其求解性能优于对比算法和求解器；消融实验结果表明,状态函数引导的强化学习搜索机制平均提升算法性能达5%.

摘要：在平台经济背景下，考虑第三方物流（3PL）公司提供物流服务，针对竞争零售商的融资策略问题，构建了包含电商平台、第三方物流公司与两个资金受限零售商的三阶段博弈模型。基于零售商的融资选择，考虑四种融资模式：两个零售商均选择平台融资（PP 模式）、零售商 1 选择平台融资而零售商 2 选择 3PL 融资（PL模式）、零售商 1 选择 3PL 融资而零售商 2 选择平台融资（LP 模式）、两个零售商均选择 3PL 融资（LL 模式）。通过对资金受限零售商在这四种融资模式下的均衡策略进行比较，可以得到如下研究结论：（1）考虑物流服务努力的情形下， 3PL 公司相较平台更倾向于承担融资职能；（2）在低产品订购成本情形下，平台与 3PL 的融资竞争促使利率下降， PL/LP 模式下利率更低；（3）零售商的均衡策略会受到产品订购成本和佣金率的影响，且当 PP 模式为均衡时，两个零售商可能陷入囚徒困境；（4）当产品订购成本较高且佣金率较低时， LL 模式能实现平台、 3PL、零售商 1 和零售商 2 的四方共赢。

摘要：针对高速巡航飞行器在线重规划面临的计算实时性差、环境适应性弱、控制平滑性不足等问题, 本文提出了一种基于模型无关元学习 (MAML) 热启动序列凸优化 (SCO) 的在线轨迹重规划方法. 首先, 建立飞行器三自由度动力学模型, 并利用 hp-自适应伪谱法构建包含多样化避障场景的高质量离线最优轨迹库; 其次, 融合最近邻残差搭建内外层循环的 MAML 训练框架, 通过学习离线轨迹库蕴含的动力学流形与拓扑特征, 获取最优公共初始参数, 使网络仅需少量梯度更新, 即可快速适应新环境并生成高质量初值; 最后, 建立基于 MAML 热启动 SCO 的在线轨迹重规划框架, 利用 MAML 的自学习、自适应能力快速推理出新环境下的 SCO 热启动初值, 使 SCO 求解器在极少次迭代内收敛. 经仿真验证, 所提方法在面对新威胁环境时, 能够同时兼顾规划效率与控制平滑性, 实时规划出满足动力学约束的平滑避障轨迹.

摘要：本文针对通信网络中存在混合网络攻击问题，通过设计一种记忆型自适应动态事件触发机制，研究了线性多智能体系统包含控制问题。首先，根据网络攻击特点，构建了拒绝服务攻击(Denial of Service， DoS)和欺骗攻击的数学模型，针对跟随智能体状态不可测问题，设计状态观测器；其次, 基于当前时刻和历史时刻的观测状态及自适应更新规则, 设计一种包含欺骗攻击状态的记忆型自适应动态事件触发机制, 该机制主动引入欺骗攻击信号，使其能够感知恶意数据篡改对系统的影响, 且能够在DoS攻击终止时立即恢复数据传输, 从而最大限度地降低网络攻击对系统性能的不利影响. 然后，基于观测状态和事件触发机制，设计切换型包含控制协议，并通过模型变换，构造切换误差系统，将多智能体包含控制问题转化为切换系统的均方稳定性问题，再通过构造分段Lyapunov-Krasovskii (L-K)泛函，进行稳定性分析，得到切换系统均方指数稳定的充分条件，通过求解线性矩阵不等式(Linear Matrix Inequalities， LMIs)，得到观测器及控制协议增益。最后，通过仿真验证了所提方法的有效性。

摘要：针对由新能源汽车制造商、零售商及电池制造商组成的闭环供应链系统，提出了三种混合渠道回收模式：新能源汽车制造商与零售商回收（模式A）、新能源汽车制造商与电池制造商回收（模式B）以及新能源汽车制造商、零售商及电池制造商回收（模式C）。运用Stackelberg 博弈法求解不同模式的纳什均衡解，研究了政府对新能源汽车制造商补贴下退役动力电池的混合渠道回收模式选择问题。研究结果表明：1）汽车制造商的最优模式随补贴递增而动态变化：补贴较小时选择三方合作的模式C，补贴一般或较大时选择与电池制造商合作的模式B，补贴很大时则更倾向与零售商合作的模式A；2）零售商的最优模式选择取决于回收竞争与渠道收益的权衡：低补贴或一般补贴时选择模式C，补贴较大时选择模式A，补贴很大时则在不参与回收的模式B中获利最高；3）电池制造商的模式选择取决于补贴水平：当补贴较小时，其在模式B中利润更高。当补贴较大时，则在模式C中能获得更大收益。

摘要：针对城市核心区域（以苏州市姑苏区为例）应急救援场景下，事故点时空分布高度集中、救援中心服务边界模糊以及需求实时爆发的现实挑战，本文提出一种基于双层自适应大邻域搜索（Two-Layer Adaptive Large Neighborhood Search, TL-ALNS）的周期性多救援中心动态车辆路径规划方法。该方法采用周期性更新策略，定时批量处理事故点以满足实时响应需求。TL-ALNS通过双层结构学习到算子对之间的协同关系，并设计了数据驱动的预测型重归属破坏算子，引导边界模糊区域事故点的重新分配，快速生成高质量的救援路径。基于苏州市姑苏区紧急事故数据的应用验证表明，该方法能够有效适应老城区特殊的空间布局与动态爆发特征，在保证响应速度的同时显著优化了救援效率与系统鲁棒性，为实际应急指挥调度提供了可行的决策支持。

摘要：针对机动目标拦截任务中目标轨迹难以预测、多弹协同制导精度不足的问题，本文提出了一种基于交互多模型滤波的新型协同制导方法。首先，基于剩余时间反演制导（Time-to-Go Inversion Guidance, TIG）理论，设计了一种能够精确求解弹药飞行时间的显式制导律，并通过在制导律中引入偏置项的方式，实现了针对静止目标的多弹协同制导。而后，针对目标机动策略未知的情况，利用交互多模型滤波（Interactive Multiple Model, IMM）的方法实现了对目标位置的精确跟踪，在此基础上利用自回归移动平均模型（Autoregressive Integrated Moving Average, ARIMA）实现了对目标轨迹的预测。进一步地，通过引入虚拟坐标系，将所提出的协同制导方法与轨迹预测方法相融合，进而构建了一套完整的机动目标协同拦截制导框架。仿真结果表明，本文所提方法在初始航向误差较大和目标存在未知机动的情况下，仍然能够实现多弹协同拦截，证明了方法在轨迹预测和时间协同精度方面的优越性。

摘要：现有的动态约束多目标优化算法（DCMOEA）普遍存在对动态变化特征识别不清晰、预测策略适应性不足，从而导致优化性能受限的问题。为解决上述问题，本文提出一种贝叶斯辅助分类预测的动态约束多目标优化算法（BACP-DCMOA）。首先，设计分类预测策略，将环境变化划分为目标主导变化、约束主导变化、混合变化和静态/弱动态变化；基于上述分类结果，构建分层预测策略，依据环境变化类型与程度匹配定制化预测器，以提升约束Pareto前沿变化趋势的捕捉精度；最后，引入贝叶斯优化实现各参数的自动寻优。为验证算法性能，在现有的两大基准测试套件上开展对比实验，实验结果表明，BACP-DCMOA在动态环境追踪精度、收敛速度与性能稳定性上均优于现有主流算法，为复杂动态约束多目标优化问题（DCMOPs）提供了更高效的优化方案。

摘要：医学影像作为精准诊断的关键客观依据，正经历由深度学习辅助诊断系统带来的范式转变。然而，真实临床部署中跨设备、跨地域的数据分布偏移，以及模型面对微小对抗扰动时的极度脆弱性，严重阻碍了其安全落地应用。为此，本文提出一种兼容对抗攻击与分布变换的深度学习模型鲁棒性与泛化性提升框架。首先，利用引导滤波器处理肺部CT图像，提取肺腔先验信息生成增强数据，突出关键结构特征。其次，引入样本与权重双层扰动，结合预测反馈机制，在保证预测准确性的前提下施加最强对抗扰动。同时，针对增强数据可能削弱诊断特征的问题，设计基于注意力正则化的策略，通过代理模型生成权重噪声并注入原始模型，隐式融合肺腔轮廓先验，提升模型对关键病灶的关注度。最后，提出基于平方损失与KL散度的混合优化策略，改进传统极小-极大损失函数，缓解模型对数据分布的归纳偏差。在SARS-COV-2和COVID19-C数据集上的实验表明，该方法显著提升了模型的综合性能。特别是在Visformer模型上，其自然准确率较现有最优方法提升约3.4%，域外泛化准确率平均提升约25%。

摘要：为了构建兼具高性能与内在可解释性的故障诊断模型, 本文提出了一种基于 Transformer 的知识继承式模糊神经网络 (TKI-FNN) 模型. 首先由训练好的先验 Transformer 分类器模块生成 logit 向量(未归一化的概率分布). 随后, 知识蒸馏模块通过调节蒸馏温度参数, 将 logit 向量转换为携带类间相似性知识的软标签. 这些软标签不仅包含目标类别信息, 还隐含刻画不同故障类别之间的潜在关联关系. 最后，知识继承的 Takagi–Sugeno–Kang（TSK）模块通过其后件接收软标签, 并执行可解释的故障诊断推理. 该模型采用梯度下降方法优化由交叉熵、软标签正则化构成的复合目标函数. 这种全新的知识继承范式使得所提 TKI-FNN 在通过软标签正则化有效避免过拟合、提升故障诊断性能的同时,仍能够保持下游 TSK 模块的语义可解释性不受破坏. 在涵盖真实工业过程的一系列实验中, 所提出模型在故障诊断精度与可解释性方面均表现出显著优势.

摘要：时钟偏移、动态障碍物、AGV故障等不确定扰动因素会导致多AGV实际执行过程与规划方案存在时空偏差,引发多AGV路径冲突.基于此,提出两阶段鲁棒优化模型,旨在不确定扰动下仍能保持与确定性模型相近的性能表现.第一阶段提出基于维度敏感的k鲁棒安全间隔规划算法,通过深度代理模型和三维映射表决策k鲁棒因子,在显式扰动下生成全局鲁棒路径方案,显著降低多AGV冗余等待时间;第二阶段提出任意角度几何最近邻搜索算法,通过几何最近邻搜索和碰撞时间间隔估计法对因扰动影响而失效的路径进行在线修复,进一步提升系统鲁棒性.设计一种多维度鲁棒性能评价指标体系,计算不确定扰动下各路径方案与确定性模型最优解的贴近度,实现对鲁棒性能客观量化评价.在四种规模数据集上,设计三类扰动场景,与四类典型算法进行仿真比较实验,实验结果表明,该方法贴近度较对比算法平均提高8%,在不确定扰动下与确定性模型贴近度最高,实现了时间和空间成本平衡,鲁棒性最强.

摘要：随着在轨卫星数量的持续增长,遥感应用对观测质量的要求不断提高,对于需要多次观测且观测间隔影响到成像质量的复合任务,现有研究难以有效刻画观测的时间间隔对成像信息一致性的影响.针对该问题,提出一种面向复合观测需求的混合遥感星座协同调度方法.首先,对异构载荷协同产生的巨大搜索空间,采取一种基于冲突度的时间窗裁剪预处理方法进行约简.在数学模型上,引入了以时间间隔为自变量的时变权重函数,采用分段常数逼近法来表征间隔时长与信息质量的非线性关系.在算法层面,提出一种基于分治框架的混合变邻域搜索算法（Hybrid Variable Neighborhood Search Algorithm Based on Divide-and-Conquer Framework, HVNSA-DCF）.通过带反馈机制的两阶段架构,多种邻域算子及自适应邻域评分选择系统,实现了对大规模场景下的高效搜索.实验结果表明,HVNSA-DCF算法在不同规模场景下均展现出良好的适应性和收敛性.

摘要：本文基于策略迭代的数据驱动方法研究多目标动态优化中合作线性二次差分博弈的Pareto最优性. 与目前已有的完全依赖于动态系统精确模型的多目标优化不同, 系统参数完全未知的合作线性二次差分博弈被深入研究. 首先, 提出一种新型无模型强化学习迭代算法求解合作线性二次差分博弈对应的N个代数Riccati方程. 其次, 当状态和控制输入的数据收集充分满足秩判据时, 利用差分方程的性质证明算法的收敛性. 然后, 利用加权方法结合off-policy迭代算法得到合作线性二次差分博弈的Pareto最优策略和Pareto最优解. 最后, 提出多目标合作线性二次差分博弈的off-policy迭代算法, 并通过仿真算例验证该算法的有效性.

摘要：本文综述了面向“最后一公里”的卡车-无人机协同配送优化建模研究进展，构建了“场景驱动-参数刻画-建模基础-模型拓展”一体化综述框架。首先，梳理快递、即时与应急等典型配送场景的车机协同特征与差异化需求，揭示不同场景对模型优化目标侧重与约束优先级的影响；其次，总结资源与运行、时间与能耗、路网与需求等核心参数的刻画方式，阐明其对可行域边界、协同强度，以及成本与能耗结构的作用；接着，构建覆盖基础协同模式、优化目标和约束体系的分类框架与建模单元；最后，对多主体、异构、动态、不确定、多点访问、同时取送货、需求可拆分及多配送中心等扩展模型进行对照分析。综述表明，现有研究仍存在若干关键不足：不同配送场景的订单结构、服务承诺与组织流程尚未清晰映射到协同模式、目标口径与约束模块的选择；参数刻画偏静态同质且对交通、气象、空域、需求波动等现实因素的响应不足；运营过程、平台规则、政策监管与多维目标权衡的刻画尚不充分；拓展模型关键假设、同步规则与可行域结构等方面缺少统一表达。未来可面向场景-模型映射、动态与情景相关参数体系、贴近运营的目标-约束一体化建模、关键假设与同步规则的统一表达，以及模块化可复用建模构件等方向进行深化。

摘要：虚拟电厂是实现高比例分布式能源和“源-网-荷-储”各类灵活性资源高效管理的有效手段,针对如何挖掘虚拟电厂内部的灵活性同时充分利用多主体间的资源互补特性,提出了一种考虑灵活性资源动态定价激励的多虚拟电厂混合博弈运行优化方法.配电系统运营商作为全局协调者,通过价格信号推动跨厂能量互济,代理虚拟电厂参与电力市场与辅助服务市场.首先,针对电动汽车与可转移负荷,构建多因子驱动的动态定价激励模型.其次,建立各主体间Stackelberg-非合作混合博弈的双层优化模型,上层由配电系统运营商制定购售电价,下层各虚拟电厂考虑可再生能源出力不确定性制定激励定价并进行内部调度.进一步,设计一种融合反向学习与差分进化的改进中心碰撞优化算法,联合交替方向乘子法进行求解,实现高效计算与隐私保护.最后,通过仿真算例验证本文所提方法模型的有效性.结果表明,所提方法可以显著促进VPP间能量交互,提升灵活性资源利用效率,降低虚拟电厂运行成本.

摘要：本文在统计相似度框架内研究非高斯噪声系统的鲁棒状态估计问题. 针对现有框架忽略噪声向量不同维数统计特性差异导致估计精度受限的缺陷, 本文提出分层混合统计相似度的概念, 以提升局部度量捕捉高阶统计特性的自适应能力. 在此基础上, 通过最大化分层混合相似度的杰森不等式下限获得近似最优后验估计. 为进一步提升算法对于噪声方差的自适应能力, 进一步利用矩阵相似度, 在分层混合统计相似度的框架下通过固定点迭代策略交替求解代价函数的下界, 实现系统状态和不准确的预测协方差和量测噪声协方差矩阵的联合估计. 目标跟踪的仿真实验表明, 所提算法与同类算法相比具有更好的估计精度和鲁棒性.

摘要：为了提升卷积神经网络在图像分类任务中的特征选择能力，解决传统卷积操作因权重计算方式固定导致的特征表达受限，以及网络对关键区域难以聚焦的问题，提出衰减卷积的图像分类网络（ACNet）.首先，提出衰减卷积（AConv）模块，通过神经元信号衰减机制对卷积核权重进行动态调整，约束过强特征响应，保留必要的微弱特征，实现生物式特征选择；然后，将AConv模块应用于网络浅层阶段和残差块中，使网络在不同深度均能依特征重要性差异化地调节特征表达强度，提升特征表达能力；最后，设计动态衰减特征聚焦（DAFF）模块并嵌入到残差路径末端，在压缩的特征空间中校准关键区域特征，同时对融合后的复合特征进行全局优化，有效提升特征选择的准确性，提高网络的分类能力.实验结果表明，与现有主流网络模型相较，本文网络能够更好地平衡特征选择与特征完整性，具有更强的鲁棒性和分类性能.

摘要：随着分布式能源的大规模接入，配电网运行的不确定性显著增加，配电网动态重构（DDNR）成为保障系统经济性与安全性的关键技术。深度强化学习（DRL）因其对不确定性的自适应能力和数据驱动特性而应用于DDNR求解。针对离散动作空间的DRL方法求解重构时存在的维数灾难和动作盲区问题，本文提出一种分阶段的结构感知（SA）DRL动态重构求解框架。首先，提出一种性能与结构驱动的重构决策优化方法，通过启发式生成与结构化聚类，构建一个高质量且规模可控的拓扑集合，从维度、性能和结构三方面优化了DDNR的决策空间；随后，改进DRL架构，结合图卷积网络和动作嵌入，设计了SA-Q网络，利用图卷积网络（GCN）将拓扑编码为图嵌入向量，实现了对配电网运行状态与开关动作的结构化感知和并行处理，使智能体能够利用拓扑间的结构关系进行高效泛化，并将模型集成到改进的Rainbow DQN算法框架中，实现离线训练和在线求解。最后，通过仿真结果验证了本文提出的方法可以有效降低配电网运行损耗、改善电压分布并减少开关不必要动作，收敛速度快且稳定，能够显著改善配电网的运行水平。

摘要：三相PWM整流器系统中不确定扰动,如负载扰动和电网幅值波动,会导致直流电压的显著波动,甚至导致系统失稳.为增强系统抗扰能力,本文在两相静止坐标系下建立了考虑系统扰动三相PWM整流器的动态模型,提出了一种电压-功率双环固定时间自适应神经网络控制方法.在电压跟踪外环,通过自适应神经网络估计负载扰动等不确定性,设计直流电压控制器来提高电压动态响应性能.在功率跟踪内环,构造命令滤波器估计功率参考导数,设计固定时间控制器以实现快速精准功率跟踪.理论分析和测试结果验证了所提方法具有快速动态响应和良好抗扰能力.对比现有PI+前馈控制、自抗扰控制和DPC-BSC方法,FTANNC方法在电压调节工况下将直流电压整定时间缩短近76.5%,将稳态跟踪误差降低约36.8%.在负载扰动和电网幅值波动等工况下,将直流电压整定时间缩短至少40%且波动幅值最小.

摘要：随着无人系统平台的快速发展，无人集群对抗是未来体系能力发展与建设的关键.然而，在应对集群目标时，集群间的对抗博弈加剧了有限通信约束下通信带宽压力、链路动态变化和信息时延积累等问题，集群对抗决策面临态势信息过载、协同能力下降与团队响应滞后的挑战. 针对上述问题，首先构建了多智能体对抗的运动学模型与对抗损耗模型，并在此基础上提出了有限通信约束下多智能体对抗的团队博弈建模与求解方法.通过设计小世界网络通信的团队联盟策略，将有限通信约束引入多智能体对抗的团队博弈模型，给出了基于关联团队最大最小均衡解概念的团队博弈均衡定义与存在性条件.然后，基于异构智能体强化学习算法设计了交替冻结训练的团队博弈均衡求解算法.最后，仿真结果表明，所提出的博弈模型与交替冻结训练框架能够获得稳定的策略剖面，实现了有限通信条件下的集群自适应动态决策与对抗策略优化.

摘要：针对多自动导引车路径规划研究中传统深度强化学习方法收敛速度缓慢、探索效率低、样本利用不充分等问题导致的路径规划成功率低且效果不佳,提出一种基于自适应探索与课程学习的改进型多智能体深度确定性策略梯度算法（AECL-MADDPG）.首先,设计基于动态拥塞感知的自适应探索策略,将双Critic的Q值差异作为决策不确定性度量,与环境拥塞度联合驱动探索强度动态调整,提高探索策略的动态适应性;其次,构建基于课程学习的优先经验回放机制(PER),将课程学习的"任务难度递进"与优先经验回放的"样本价值排序"深度融合，通过课程权重实现跨难度等级样本的平滑过渡,避免策略震荡;再次,设计多维度课程晋级与回调机制,突破单一成功率阈值的粗糙晋级标准,引入碰撞率和路径效率等多指标综合评估及性能回退保护,提升训练稳定性;最后,在仓储环境中开展仿真实验,并将所提算法与主流算法进行对比验证,通过对比在收敛速度、成功率、平均路径长度等关键指标上的差异,验证了所提出路径规划算法的可行性和有效性.

摘要：针对无人机航拍图像中的目标存在尺寸小、分布密集、纹理细节模糊等问题, 本文提出了基于跨域双流网络的引导式特征融合小目标检测算法. 首先, 在主干网络部分提出了空间-频域协同作用的跨域双流检测架构, 该架构并行构建了空间域与频域两条特征提取路径. 空间流侧重于捕获局部细节特征, 频域流设计了边缘与频域增强模块, 通过频域变换与动态高斯掩码进行三频带划分, 并利用上下文感知门控机制自适应增强不同频率特征, 从而提升网络的全局上下文感知能力. 然后, 在跨域特征融合部分设计了自适应空间-频域协同融合模块, 通过动态权重分配实现跨域特征的高效整合. 最后, 在颈部网络采用了引导式三路融合模块, 以主路特征为引导自适应整合上采样、主路以及跨层特征之间的语义与细节信息, 有效缓解多尺度特征间的语义差异. 在 VisDrone2019 和 TinyPerson 两个公开数据集上进行实验, 实验结果验证了本文方法的有效性.

摘要：针对高速公路场景下网联车队遭受虚假数据注入（False Data Injection, FDI）攻击时的编队安全与通信资源优化双重挑战，提出融合攻击参数显式建模与编队误差约束的神经网络-动态事件触发弹性控制策略，实现攻击抑制与通信优化的统一。具体包括：1）构建嵌入FDI攻击时变特性的分布式输出反馈架构，设计径向基函数（RBF）神经网络状态观测器，将攻击参数显式建模于观测器结构与自适应更新律中，通过神经网络动态逼近攻击信号，重构不可测车辆状态；2）设计由攻击强度与神经逼近误差双驱动的动态事件触发条件，通过引入受攻击强度负反馈调节的动态阈值变量，形成“攻击增强→动态变量衰减→触发阈值降低→通信频率提升”的闭环自适应机制，实现攻击抑制与通信优化的动态平衡；3）构造攻击参数依赖型李雅普诺夫泛函，包含神经权重误差、状态估计误差与触发动态变量，并基于线性矩阵不等式（LMI）证明闭环系统所有信号的半全局一致最终有界性（SGUUB），降低了保守性。理论分析证明该策略保障了攻击与通信约束下的编队安全；仿真结果显示，在时变FDI攻击下，编队误差小于2m，通信负载较时间触发降低96.4%，收敛速度与控制精度优于传统分离设计方法，验证其有效性和工程潜力。

摘要：客流在时空维度上呈现的时变特性对城市轨道交通运营管理提出了严峻挑战,同时,需求响应式列车时刻表优化问题的复杂性对于算法设计提出了更高的要求. 为此,本文将人工智能领域的深度强化学习方法应用到地铁列车时刻表的优化问题中,以提升地铁运营管理的智能化水平. 将时变客流需求与列车时刻表决策互动关系构建为马尔可夫决策过程,为智能体提供训练和学习环境. 其中,以列车到发、乘客状态以及列车数量作为状态空间,以列车发车间隔作为动作空间,并设计了“人-车-站”一体化的多维复合奖励函数. 开发了一种基于自适应发车间隔和列车数量的多目标软演员-评论家优化算法提升求解效率. 以小规模算例进行超参数优化,并验证了需求响应式列车时刻表相对于均衡列车时刻表的优势. 以广州市地铁8号线进行仿真实验,结果表明,所提出的方法相对于其他人工智能方法及启发式算法具有较快的收敛速度和求解效率. 此外,针对不同客流扰动场景,方法能够在短时间内生成满意的运营方案,说明方法具有较好的泛化能力. 研究结果可为进一步提升地铁运营调度智能化水平提供理论和方法支撑.

摘要：微电网在分布式新能源消纳和局域负荷分配中具有独特优势,但其负荷优化分配面临可再生能源出力随机性及系统复杂性等挑战。大语言模型(LLM)的兴起为解决微电网复杂优化问题提供了新思路。本文系统性综述了LLM结合微电网负荷优化分配的研究现状。首先,介绍LLM的Transformer架构与主流训练范式,并回顾微电网负荷分配技术现状。然后,借鉴现有综述对微电网能量管理系统的典型划分方法,将负荷分配视为核心目标,从四个关键环节展开讨论：电源调度、负荷预测、储能管理和需求响应。这四个环节共同支撑微电网负荷分配的优化,因此重点评述了 LLM 在这四个方面的最新应用进展。研究表明,基于LLM的方案通过提示工程和序列生成可实现高精度的短期负荷预测；专用大模型能够提供接近人工专家水平的调度方案；在储能寿命预测、用户行为模拟等方面LLM也展现出潜在优势。接着,针对LLM落地微电网的关键技术挑战,包括模型可解释性、多模态融合、实时性要求、隐私与安全,进行了深入讨论并总结了相应的改进策略。最后,展望未来研究方向,包括研制能源领域专用LLM、将物理机理融入LLM推理、建立标准化评估基准、拓展更广泛的能源应用,以及关注AI应用的社会影响等。综上,LLM的引入为微电网负荷优化带来全新范式,有望突破现有方法瓶颈,显著提升微电网运行的智能化水平、效率和可靠性。

摘要：开放集目标检测中通常采用对比学习方法虽能使类内聚拢类间分离，然而未能充分考虑未知目标的分布特性，导致当已知目标与未知目标特征相似时易发生误判。从本质上看，该问题源于开放集场景下已知与未知目标在视觉与语义表示层面的特征混淆，以及模型在判别边界区域容易产生过度自信预测。为此，本文从语义表示与判别置信两个互补维度出发，提出了一种在多模态引导下挖掘样本不确定性的新型网络框架。具体而言，网络首先设计区域生成模块，生成大量无类别候选框区域。其次，通过设计区域-文本匹配模块，引入文本模态构建区域-文本对齐损失，进而在多模态信息的引导下实现已知类与未知类在特征空间的显式分离；同时利用视觉特征对比损失进一步聚拢语义簇，从而构建紧凑的已知边界。在此基础上，为抑制模型在边界区域的过度自信预测，并识别潜在未知目标，在区域-文本匹配分数的引导下，建立基于双重不确定性的伪未知样本挖掘机制，联合运用归因梯度思想设计特征不确定性估计方法计算候选框的不确定性值，并通过视觉定位质量进行校准优化，最终筛选出高质量伪未知样本并构建已知与未知的自适应阈值边界。实验结果表明，相比目前的SOTA，该方法在VOC-COCO-60测试数据集上，将未知类的平均精确度提升了165.14%，充分验证了其有效性和优越性。

摘要：本文研究了未知信息物理系统在DoS攻击下的自适应事件触发数据驱动预测控制问题.针对传统事件触发机制在 DoS 攻击下易丢失关键数据的缺陷,提出引入动态补偿因子的自适应事件触发机制,通过指数衰减特性量化攻击持续时间对触发阈值的影响,实现资源开销和控制性能之间的平衡.另外结合 Willems 基本引理,利用离线数据直接构建预测控制器,通过优化问题求解预测序列以补偿DoS攻击带来的影响.在理论上,证明了自适应事件触发机制下无终端约束的多步控制的迭代可行性,并推导出系统稳定条件.最后,以开环不稳定反应器为例,在DoS攻击和噪声干扰共存的环境下,充分验证了该方法的有效性与鲁棒性.

摘要：复杂室内环境下的非视距传播、多径以及动态干扰等问题严重制约UWB定位精度的提升，现有的锚点选择策略难以在信号质量与几何分布之间实现自适应平衡。为此，本文提出了一种基于双层深度近端策略优化（DDPPO）的自适应锚点选择方法，将锚点选择建模为序贯决策问题，并利用深度强化学习实现智能筛选。首先，构建融合信道冲激响应、几何分布、轨迹时序与信号质量的多源状态空间，实现对动态环境的全面感知。其次，设计层次化双层PPO架构将锚点选择解耦为数量决策与组合决策两个层次，结合课程学习策略引导模型快速收敛。最后，策略网络输出的锚点子集经加权最小二乘解算位置，以定位误差为主导构建奖励函数，该函数所包含的样本难度自适应机制可根据实时误差动态调整对锚点数量的偏好，生成的奖励信号反馈至决策网络学习形成闭环。在四类真实室内场景数据集上的实验表明，DDPPO方法平均定位误差为0.219米，较现有六种方法降幅达45.9%至72.5%，在定位精度与计算效率间取得良好平衡。

摘要：针对一类非线性动态系统,提出一种带有遗忘因子的递推最小二乘法与物理信息神经网络融合的非线性智能建模方法,实现了非线性系统的动态建模.采用带有遗忘因子的递推最小二乘法对低阶线性模型的未知参数进行辨识,通过逐步更新模型参数,有效应对非线性系统中的动态变化以及参数跳变的情况,并根据数据信息逐步修正模型,提高精度.在获得低阶线性模型的基础上,引入物理信息神经网络对未建模动态未知增量进行估计.将机理模型的部分先验知识作为约束条件嵌入物理信息神经网络中,使神经网络能够快速收敛到最优解,提高建模精度.该方法弥补了实际工业过程中数据样本不足或数据损坏的建模需求.最后,通过数值仿真对比实验验证了所提方法的有效性.

摘要：三支协同推荐将三支决策思想引入协同过滤中,在处理推荐不确定问题上取得了进展,但现有三支协同过滤方法仍存在两方面不足:首先,基于个体邻域相似度的判定往往忽视对象间的群体共性,导致低频对象被忽略并产生推荐不平衡;其次,采用静态阈值或离线调参的策略在持续获得反馈的动态推荐场景中难以及时调整决策边界,进而增加误推荐率.针对上述问题,提出一种基于增量聚类的动态自适应序贯三支协同推荐(IC-DASTCR),具体而言,该模型涵盖两个创新模块:1)将增量聚类引入序贯三支推荐,用于刻画群体共性,提高推荐准确率并降低决策代价.2)基于随机梯度下降算法,设计了一种动态阈值自适应机制,以在线更新决策边界并进一步提高推荐准确性.在多个公开数据集与真实场景上与若干推荐算法进行了实验对比与分析,结果表明,本研究构建的模型IC-DASTCR具有更优的推荐质量与效率.

摘要：求解非线性方程组是数值计算领域中一项重要且具有挑战性的工作，其目标是在一次运行中找到多个根。为充分利用邻域拥挤差分进化算法的寻优信息，同时保持良好的种群多样性和计算资源利用效率，提出一种基于近邻频次信息引导的多变异差分进化算法。多变异策略基于个体适应度值进行分组，每组个体采用不同变异算子，以实现全局和个体邻域信息的综合学习，从而增强算法的多根联解能力；近邻频次信息引导机制利用个体被选为邻域个体的频次信息，以提升进化过程的效率并增强对潜在根的探索能力。实验结果表明，所提算法相较于其他对比算法有更高的计算资源利用效率、更高的找根率和成功率。

摘要：光储直柔微电网中各种分布式电源及储能装置等运行状态的优化，是实现整体系统高效、经济、可靠运行的关键，但面临着设备参数配置与运行功率调度的双重不确定性挑战。本文针对一类多层直流母线结构且含光伏、储能、电动汽车、中央空调、负荷的光储直柔微电网系统，构建了考虑运行成本、碳排放及柔性负荷任务调控的多任务优化目标函数，并提出了一种多任务进化混沌粒子群优化算法（MTECPSO）以实现光储直柔微电网的设备参数配置与运行功率调度的协同优化。算例仿真比较结果表明，相较于传统基于进化算法的单目标、多目标优化算法，所提方法在保证多任务优化目标的前提下，计算效率显著提升。

摘要：离线强化学习中的数据常由多种策略混合采集，导致动作空间呈现复杂多模分布。现有扩散策略虽能有效刻画多模分布，但由于其动作生成依赖多步逆向推理，效率较低。此外，生成的动作可能接近分布外区域，但并不完全超出数据支持范围，这种不确定性容易引起Q值高估，导致策略不稳定或性能退化。本文提出一种基于Q集成下置信域引导的高效扩散策略(Efficient Q-Ensemble Diffusion Policy, E2DP).该方法通过设计两步逆向推理机制,在显著降低推理开销的同时保留对多模的动作分布的建模能力。为解决Q值高估问题，引入集成Q网络下置信域估计,利用独立目标函数和随机权重系数的方差正则化增强网络多样性,使E2DP仅需少量Q网络即可在分布内动作与数据支持附近的潜在高价值候选之间形成有效权衡，有效提升了策略的性能及鲁棒性。 在Bandit任务和D4RL基准任务上的实验结果表明，E2DP在保持与现有扩散策略相当分布表达能力的同时，推理速度提升约2.5倍，并在多个任务中取得最优归一化得分.本文的实验代码已开源至GitHub平台：https://github.com/smartredcat/E2DP.

摘要：信息-能量复合调制技术逐步成为直流微电网多源变换器的高效分布式协同控制的通信基础。相较于传统光纤和电力载波通信技术，具备无需专用通信线路和特定信号发生单元的优势。然而，现有解调方法普遍依赖离散傅里叶变换(DFT)进行频谱分析，在嵌入式系统“资源受限、非同步采样”的约束下，面临频谱泄露与实时性不足问题。因此，本文提出一种基于Goertzel算法的高效解调技术。首先，本文以典型的功率/数据2FSK单载波调制方案为研究对象，阐述了其解调性能的挑战。其次，设计一种基于Goertzel算法的高效解调技术，通过较低的计算复杂度，有效缓解了频谱泄露与实时性不足。最后，为验证所提方法，设计了系统的仿真对比实验。实验结果表明：在相同计算资源下，所提方法的幅值估计均方根误差较传统DFT方案最高降低98%，有效抑制了频谱泄露；在分析窗长相等的条件下，其处理耗时较传统DFT算法平均减少60.5%，实现2.53倍的加速比。

摘要：当前微电网能量调度面临的挑战在于时序耦合约束导致决策空间维度显著提升,以及交流潮流方程引入非线性约束,增加了计算复杂度,使得整体优化模型具有较强的非凸性,从而大幅增加了问题的求解难度.针对上述问题,本文提出一种基于安全强化学习和物理约束梯度引导的微电网能量调度方法.该方法构建基于深度学习的动作修正安全层网络,在环境交互过程中对智能体动作进行投影,以保障动作满足物理可行性并有效提升探索效率.进一步地,将该安全层嵌入至网络训练过程,从而提升了强化学习Critic网络$Q$值估计精度以及Actor网络对物理约束的学习效率.基于IEEE 14节点模型构建的微电网电-氢耦合潮流系统实验表明,所提方法在调度决策性能上优于拉格朗日乘子法(TD3-Lag)和惩罚项法(TD3-Pen).同时与基于数值优化的安全层方法相比,保持了相近的性能表现,但部署速度提升了约三个数量级.

摘要：微电网分布式经济调度是实现系统经济运行的核心问题, 其目标旨在满足功率平衡与发电单元运行约束的前提下最小化总发电成本.不同于集中式调度策略, 分布式经济调度策略无需总控中心对所有分布式节点进行信息收集, 且可扩展性强, 便于隐私保护. 针对现有分布式经济调度算法收敛速率较慢的问题, 本文结合Nesterov 加速技术与原始-对偶框架, 提出一种新型分布式加速经济调度算法. 通过引入自适应对偶变量处理局部出力约束, 并设计包含原始变量与对偶变量的加速动力学方程. 理论分析表明, 所提算法在一般凸成本函数下能够以$O(\frac{1}{t^2})$ 的收敛速率达到全局最优解. 仿真结果表明, 所提算法在稳定性方面优于现有分布式Nesterov 经济调度算法, 能够有效实现微电网经济调度问题的快速分布式求解.

摘要：针对目标函数梯度信息难以获取或计算成本高昂的双目标优化问题, 本文采用非交换映射设计了一种不依赖梯度信息的双目标无导数优化算法. 该算法仅利用目标函数值信息, 基于非交换映射估计双目标优化问题的综合梯度下降方向. 此外, 为解决目标间的冲突权衡问题, 并避免过度优化单一目标, 通过最小化包含惩罚函数与正则项的修正代价函数, 提出一种冲突校正的双目标无导数优化算法. 基于Lyapunov 函数证明了所提出算法对一类强凸目标函数的稳定性. 数值仿真结果表明, 与其他双目标无导数优化算法相比, 所提出的算法在目标冲突权衡方面具有更好的性能, 能有效避免收敛至Pareto 前沿端点, 为梯度信息难以获取的双目标优化问题提供了一种有效的无导数优化方案.

摘要：本文提出了一种基于动态事件触发机制的改进分布式协同控制算法，用于实现孤岛微电网频率、电压的恢复及有功功率的精确分配。首先，在采样数据框架下，通过引入内部动态变量对传统事件触发条件进行优化，构造出具有自适应调节能力的触发阈值，系统能够有效降低触发频次，同时避免了Zeno行为的发生。其次，设计了一种基于积分算子的分布式误差预估策略，构建出具有状态预测能力的自触发机制。该机制使得事件触发判据完全克服了周期性采样的缺点，实现了在非连续通信条件下的自主决策。此外，基于Lyapunov稳定性理论对该算法进行收敛性分析。最后，通过MATLAB/Simulink搭建典型孤岛微电网仿真模型验证了所提算法的有效性。同时，与传统事件触发方法进行比较，结果表明本文方法在维持同等控制性能的前提下，有效减少了系统开销。

摘要：针对电力市场中发电商非合作博弈具有动态性强、信息不完全等特点, 提出一种基于软演员–评论家算法 (Soft Actor-Critic, SAC) 的独立智能体报价学习方法.首先,在截距参数化供给函数的基础上,构建以发电商长期收益最大化为目标,并考虑直流潮流约束和节点电价形成机制的电力市场出清模型,将报价函数截距作为发电商的连续决策变量;然后,基于SAC算法构建发电商独立学习框架,通过最大熵目标增强策略探索性和收敛鲁棒性,并结合市场出清结果设计基于收益反馈的状态、动作与奖励映射机制,实现各发电商在无显式通信条件下的自适应策略更新;最后,基于IEEE 3节点和30节点系统开展数值仿真.仿真结果表明,所提出的基于SAC的独立智能体方法能够有效逼近纳什均衡报价策略,具有良好的收敛特性, 并能揭示在高折扣因子条件下电力市场中可能出现的默契合谋行为.

摘要：精准监测荷电状态（State of Charge, SOC）对避免电池过度充放电风险和保障锂电池的健康运行至关重要。粒子滤波因其在处理非线性非高斯系统方面的独特优势，成为估计锂电池SOC的重要方法。然而，传统重采样方法因其存在粒子多样性匮乏而难以全面覆盖真实状态的后验分布，导致状态估计精度低。为此，本文将量子旋转门引入基于Metropolis-Hastings（M-H）抽样机制的重采样方法中，提出一种量子M-H重采样方法。首先，基于量子叠加态原理，采用粒子量子化、测量坍缩和量子旋转门操作构建了基于量子旋转门的抽样分布并取代原M-H重采样机制中的高斯变异；其次，自适应选择基于量子旋转门或交叉的抽样分布生成新的粒子，并以一定概率接受或拒绝新粒子；最后，利用粒子加权求和估计SOC。通过一维单变量时间序列模型和锂电池SOC估计来验证本文方法的有效性。实验结果表明，与现有重采样方法相比，本文方法能够有效地改善重采样后的粒子质量，提高粒子滤波估计锂电池SOC的精度。

摘要：针对即时物流的配送效率低、费用高与超时订单较多等现实情况,设计骑手+无人机协同配送模式.综合考虑商店坐标、无人机站坐标、客户坐标与需求量、骑手单次最大接单量与无人机最大飞行距离等因素,以总配送成本最小为目标构建骑手+无人机协同配送的路径规划模型,并根据模型特性设计一种混合遗传算法求解,采用多类型算例开展实验.结果表明:本文方法能在较短时间内求解符合决策目标的骑手+无人机的配送路径规划方案,有效降低总配送成本、减少超时订单数量、降低超时惩罚成本、扩展即时物流的配送范围.