摘要：优化列车运行组织过程是降低牵引能耗的重要途径, 对城市轨道交通系统降本增效、可持续发展具有重要意义. 首先, 明确提出“宏观开行方案-中观节能运行图-微观节能驾驶策略”三层节能运行组织框架; 其次, 基于文献计量法对城市轨道交通列车节能运行组织领域文献进行知识图谱分析, 梳理研究重点; 最后, 详细分析具体的节能优化策略, 阐述其优化原理及应用价值, 包括不成对行车、网络化运营、快慢车、灵活编组、考虑/不考虑再生能量利用的运行图优化、单车速度曲线优化、多车协同操纵、多层级协同优化等. 既有研究成果能够为列车节能运行组织提供理论支持和实践指导, 未来的研究趋势包括深度融合储能装置、网络级节能运行组织、应用新兴人工智能技术等方面.

摘要：自动驾驶行为决策是车辆实现智能化的核心技术, 深度强化学习(DRL)因其环境交互特性和端到端决策优势在该领域展现出显著潜力. 鉴于此, 通过多维度分析, 系统梳理基于DRL的自动驾驶行为决策的研究内容和发展趋势: 首先, 回顾行为决策的发展历程, 并分析DRL在自动驾驶中的应用趋势; 然后, 提出“状态-动作-奖励-策略-评价”五维框架, 分析算法要素与跟驰、换道等驾驶任务的映射关系; 接着, 结合匝道合流、交叉口和施工区等典型场景, 剖析DRL在不确定性环境中的应用方案; 最后, 指出多车协同、长尾事件及可解释性等挑战, 并提出未来研究方向. 研究表明: 技术上, DRL算法选择与优化日趋多元化, 模型向多模态、轻量化发展; 应用上, 决策范式正从单车智能向车路云协同升级, 从功能实现向人性化交互进化, 突破现有技术“算法创新-硬件加速-法规适配”的协同演进路径.

摘要：为了提高自动驾驶车辆轨迹跟踪控制精度与鲁棒性, 提出基于车辆误差动力学模型的自动驾驶车辆轨迹跟踪非线性鲁棒控制方法. 在车辆运动学模型和非线性车辆动力学模型的基础上, 构建车辆误差动力学模型; 从理论上推导二阶系统的非线性鲁棒控制器设计方法, 并利用李亚普洛夫稳定性理论证明其正确性; 以此为基础设计基于车辆误差动力学模型的自动驾驶车辆轨迹跟踪非线性鲁棒控制器, 并通过仿真验证所提出方法的有效性. 仿真结果表明, 非线性鲁棒控制器可有效提高轨迹跟踪控制精度, 削弱系统参数不确定性引起的控制抖动和控制精度不高的问题, 且可有效减弱测量噪声对轨迹跟踪的影响.

摘要：针对轮胎侧向力非线性变化导致车辆动力学模型失准, 进而影响路径跟踪性能的问题, 将变侧偏刚度参数引入预测函数控制框架, 提出一种自适应预测函数控制算法(APFC). 分析轮胎侧向力的非线性特性对轮胎侧偏刚度的影响, 建立基于平方根容积卡尔曼滤波的轮胎侧向力实时估计器, 设计一种考虑真实轮胎侧向力变化实时修改轮胎侧偏刚度的自适应调节策略. 利用Simulink和CarSim联合仿真实验和实车试验对所提出策略进行验证. 仿真结果表明: 在高/低附着双移线工况下, 横向位置偏差均方根值较模型预测控制(MPC)策略分别降低19.43%和31.67%; 在高附着大曲率工况下横向位置偏差均方根值较MPC控制策略降低37.89%. 实车试验结果表明: APFC控制策略较MPC控制策略平均计算时间缩短54.09%, 横向位置偏差均方根值较MPC控制策略降低38.23%.

摘要：针对市域铁路与城市轨道交通贯通运营中系统负载不均衡与多制式协同不足问题, 提出一种基于“区间-全网”两维综合负载均衡的多编组列车开行方案, 旨在实现局部区间与全网整体负载均衡的协同优化. 构建以乘客出行成本、企业运营成本及综合负载均衡度最优为目标, 考虑贯通列车折返能力、可用车辆数等约束的多目标优化模型. 针对模型特征, 设计结合变邻域搜索机制与分层扰动策略的自适应变邻域麻雀搜索算法. 运用算例验证模型与算法的有效性, 结果表明, 与贯通短编组、贯通长编组及换乘多编组模型相比, 贯通多编组模型在降低乘客与企业成本的同时, 可提升区间-全网综合负载均衡性; 与麻雀搜索算法和粒子群算法相比, 所提出算法在求解质量上分别提高3.37%和6.98%, 计算效率更优, 可为多制式轨道交通贯通运营的列车调度优化提供参考.

摘要：随着水下任务需求的不断提升, 轨迹跟踪控制一方面需克服模型参数的不确定性、外界未知扰动以及输入饱和对控制性能的影响; 另一方面为避免跟踪误差收敛时间被高估, 需提前约束误差收敛时间的上界. 为此, 针对六自由度全驱动自主水下潜航器, 提出一种基于扰动观测器的非奇异预定时间控制方法. 首先, 设计预定时间稳定的扰动观测器, 实现对模型参数不确定性和外部扰动的快速精确估计; 其次, 基于位姿跟踪误差采用反步法设计虚拟速度控制量, 并通过非线性一阶滤波器对虚拟量求导, 解决反步法固有的“微分爆炸”问题; 与此同时, 引入辅助动力系统并根据扰动观测器的实时补偿, 设计具有抗饱和特性的非奇异积分滑模控制律, 采用Lyapunov稳定性理论证明该闭环控制系统实际预定时间稳定, 并且系统内所有信号在预定时间内收敛于原点附近邻域; 最后, 通过仿真结果验证所提出设计方法的有效性, 其不仅跟踪误差收敛速度优于固定时间控制, 且收敛时间上界不受系统初始状态的影响.

摘要：研究具有动态领导者的异构线性多智能体系统的预设时间编队跟踪控制问题. 鉴于此, 设计一类基于传感反馈的预设时间分布式观测器, 用于跟随者协同估计领导者的状态信息, 在此基础上, 提出一种预设时间控制器, 以实现跟随者对动态领导者的预设时间时变编队跟踪. 值得注意的是, 每个智能体的分布式观测器设计仅依赖于其相邻智能体的局部输出测量, 这消除了智能体间直接通信的必要性, 而适用于更广泛的实际应用场景, 同时, 也带来了技术挑战. 通过利用基于输出调节方法的坐标变换, 异构线性多智能体系统的输出编队跟踪控制被转换为同步稳定问题. 基于李雅普诺夫稳定性定理和预设时间稳定性理论, 验证异构多智能体系统的领导-跟随编队跟踪控制是在预设时间内实现的, 且收敛时间与初始状态无关, 多智能体系统的控制参数可以任意选择. 最后, 通过仿真结果表明所提出方法的有效性.

摘要：针对一类离散时间非线性非仿射网络化控制系统, 提出一种基于扩展状态观测器的多描述编码数据驱动自适应滑模控制方法. 首先, 通过动态线性化技术将非线性系统转化为带有线性参数项和非线性余项的数据模型; 其次, 为了提高数据传输的可靠性, 在传感器到控制器通道引入多描述编码协议, 该协议将源信号编码为两个“描述”并通过相互独立的信道传输, 引入两个独立的伯努利随机变量来表征各个信道的丢包现象; 在此基础上, 设计包含参数估计算法和扩展状态观测器的多描述编码数据驱动自适应滑模控制方案, 前者用于估计数据模型中的未知参数, 后者用于估计非线性余项; 然后, 基于压缩映射方法, 证明了控制系统跟踪误差的有界性; 最后, 通过数值仿真和实际例子验证了所提出方法的有效性和适用性.

摘要：针对电机长尾数据故障诊断中尾部类别特征学习不足和头尾部梯度竞争失衡的问题, 提出一种融合余弦退火热重启衰减学习率策略(CDLR)的时空消息传递神经网络(STMPNN)电机长尾故障诊断模型(STMPNN-CDLR). 首先, 通过多节点拓扑结构建模多变量时间序列数据样本同一时间窗中不同时间阶段(子时间窗)传感器间的时空依赖关系, 并设计动态时空关系加权矩阵刻画传感器特征在时间维度上的演化模式, 强化头尾部类别潜在时空交互的特征表示; 其次, 利用STMPNN的消息传递机制实现跨子时间窗的特征更新, 提升模型对局部和全局信息的感知能力; 最后, 通过CDLR策略周期性地重启和衰减学习率, 缓解长尾分布导致的梯度竞争失衡问题, 增强模型稳定性和对尾部类别的敏感性. 在4组不同长尾比率的电机故障诊断实验中, 所提出的方法在不牺牲头部正常类别诊断性能的前提下, 对尾部故障类别展现出优异的诊断性能和稳定性, Accuracy高于94.57%, 验证了该方法在解决电机长尾故障诊断问题中的有效性和优越性.

摘要：在分布式自适应离散事件触发通信机制(D-ADETCS)下, 针对一类同时遭受多源隐蔽型虚假数据注入(FDI)攻击与执行器故障的工业信息物理系统(ICPS), 从“攻”与“防”的不同视角, 研究ICPS多模态综合安全控制与通信网络间的协同设计问题. 首先, 通过分析事件触发阈值变化率与系统运行状态间的关联特性, 设计新型自适应离散事件触发阈值函数, 并在系统双侧网络前端部署ADETCS构建D-ADETCS驱动下的综合安全控制架构; 其次, 考虑FDI攻击的隐蔽性、有效性和目标选择性等特征, 建立支持多网络节点协同的多源隐蔽型FDI攻击模型, 并基于大蔗鼠算法优化的轻量级梯度提升机设计分布式数据修复器, 用于应对多源隐蔽型FDI攻击; 再次, 基于Lyapunov-Krasovskii泛函等方法, 完成鲁棒观测器与多模态综合安全控制器的推证, 进而基于密度峰值快速聚类算法完成控制模态的划分, 并通过模糊控制策略实现各控制模态间的柔性切换; 最后, 通过仿真实验表明, 所提方法与现有方法相比, 在综合安全控制、优化通信资源配置等方面均具有显著优势.

摘要：为提高某型65 m跨度架桥机起重天车的定位精度并抑制钢箱梁摆动, 设计一种改进超螺旋滑模控制器并对其增益参数进行寻优. 首先, 基于吊装系统的完整约束求解出变量间的隐函数关系, 利用第二类拉格朗日方程建立系统动力学模型. 然后, 引入双曲正切函数从而改善超螺旋滑模控制中的抖振现象, 并基于Lyapunov理论证明系统的稳定性. 接着, 通过与传统控制策略的对比分析, 验证所设计控制器的优越性. 最后, 采用改进灰狼优化算法整定控制器参数. 结果表明, 所提的改进超螺旋滑模控制器削弱了系统控制力的抖振, 并在起重天车的定位精度和抑制系统残余振荡方面展现出明显优势. 经改进灰狼算法优化后, 起重天车位移响应更为精确, 系统摆角与控制力峰值均进一步减小, 具有良好的工程应用潜力.

摘要：针对大模型(LLM)在指挥决策中存在的推理能力不足和“幻觉”问题, 通过系统梳理大模型思维链(CoT)和智能体指挥决策链的技术范式, 提出一种架构与思维双重维度的融合方法, 并借助工程实践验证其有效性. 研究表明, 思维链与指挥决策链的融合可增强大模型在指挥决策中的认知推理能力, 推动该类任务由经验依赖向认知驱动转型. 最后, 讨论指挥决策大模型和指挥决策智能体的未来发展趋势, 并提出可能的解决思路和研究方向.

摘要：假设存在一个不诚实的协调者, 从最小成本的视角研究群体决策中的个体偏好策略操纵问题. 首先, 提出群体决策中的个体偏好策略操纵问题, 以及成功操纵决策结果时的最小成本测量方法; 然后, 建立基于最小成本的个体偏好策略操纵模型, 该模型能够在协调者操纵方案排序结果的同时最小化个体的偏好信息调整; 接着, 通过线性转化对模型进行求解分析; 进一步地, 分别建立加权平均(WA)和有序加权平均(OWA)下最小成本的个体偏好操纵模型, 通过对模型设置不同的预期目标, 比较WA与OWA集结函数的防操纵性能; 最后, 采用一个数值案例对所提出模型的有效性进行验证, 并设计两个实验仿真分别比较决策者数量和方案数量变化, 对于WA和OWA集结函数防范个体偏好策略操纵性能的影响.

摘要：为解决高比例绿电城市电网日运行全时间尺度有功功率平衡控制所面临的多级时间尺度交织、多类直调资源协同、多重不确定性并存的复杂问题, 构建抽水蓄能、规模化电池储能、小型电池储能集群和常规机组协同参与有功功率调节服务的日前风险协调调控最优模型. 以城市电网日运行总成本最小化为目标, 提出充分发挥集中和分布式储能互补优势的运行机制, 可应对秒级阶跃性扰动、分钟级非阶跃性扰动以及小时级调峰等多重不确定性扰动因素, 综合权衡以实现多类调节资源日前预留容量最优协调. 为精细化风电波动不确定性的概率表征, 采用融合长短期记忆网络的高精度预测和间接分位数回归方法, 可为随机因素管理提供更为可靠的理论支撑. 为更精确地度量潜在有功失衡风险, 采用条件风险价值理论来量化多级时间尺度下弃风和失负荷损失. 以修改的IEEE-39节点系统为案例并设置风电渗透率为71%进行仿真分析, 验证所提出最优协同调控策略的有效性和优越性, 集中和分布式储能可通过统一协调调控保障城市电网频率安全稳定运行.

摘要：TRACLUS算法在处理具有复杂时空特性的轨迹数据时, 其采用的分段策略侧重空间几何信息而忽略了时空动态信息, 导致分段精度不高; 空间邻近性的聚类的规则难以有效识别时空耦合模式, 且在处理噪声和密度不均数据方面存在局限性. 鉴于此, 提出基于时空加权和密度峰值的轨迹聚类算法. 该算法使用时空加权分段将自适应时空权重和时空几何距离融入最小描述长度代价函数, 提取包含时空局部特征的子轨迹段; 将时空局部密度融入密度峰值聚类, 并结合局部特征的噪声识别与迭代式类簇中心选择, 提升子轨迹段聚类效果; 将密度筛选和时空连续性约束嵌入代表性轨迹生成, 增强聚类结果可解释性. 在拓扑结构不同的北京和上海出租车数据集上的实验表明: 时空加权分段使轨迹重建误差平均降低28.15%, 方向偏差平均降低66%; STW-DP-TRACLUS算法在3种评价指标上综合优于多种传统及先进的轨迹聚类算法, 验证了其在复杂时空轨迹模式挖掘方面的有效性.

摘要：面向信息时代的决策问题, 数据驱动的决策方法日益成为主流. 然而, 数据的长期累积促使概念漂移现象不断涌现. 针对动态决策环境下存在的概念漂移现象, 提出一种考虑概念漂移的数据驱动证据推理决策方法. 首先, 考虑历史决策数据中概念漂移的特异性, 运用早期漂移检测思想以及累计和控制图检测方法, 能够有效检测决策数据中存在的细微漂移; 然后, 基于此, 运用证据推理融合算法, 提出双重集成策略进行漂移适应, 先基于属性权重进行局部集结, 获得局部最优决策结果, 进而定义数据局部贡献度进行全局集结, 以实现兼顾模型精度、动态适应性和可解释性的全局最优决策; 最后, 将所提出方法应用于安徽省合肥市某三甲医院超声科乳腺结节辅助诊断问题中, 验证其有效性和实用性.

摘要：研究概率推理学习控制(PILCO)方法如何在决策过程中使用不确定性, 并进一步探索不确定性对PILCO优化性能的影响. 首先, 对给定策略下函数模型中不同不确定性的来源进行梳理和量化; 然后, 使用方差作为不确定性度量, 并采用总方差定律将总成本不确定性分解为两个组成部分; 最后, 引入一个金标准蒙特卡洛方案, 通过传播轨迹来近似PILCO的动力学模型, 从而分别量化成本中的随机不确定性和认知不确定性. 仿真结果表明, 当PILCO有效学习时, 它选择的是认知成本不确定性在总成本不确定性中具有高占比相关的策略.

摘要：多线图是科学研究的重要数据, 常通过聚类分析挖掘其潜在的特征关系. 然而, 仅从单一特征视角进行处理, 容易忽略波形间相关信息, 而多视角聚类有望补充单一视角聚类的不足. 简单扩充视角存在视角间干扰导致聚类性能下降的风险, 因此稳定多视角聚类性能是一项新的挑战. 针对上述问题, 提出面向多线图的时频域差分熵增强的多视角聚类方法(DE-MCC). DE-MCC的核心思想是在不同时序波形构成的多视角基础上, 增加时频域差分熵作为特征强化视角, 提升模型获取多视角互补信息的能力, 并通过权重控制融合不同视角组合得到的软聚类向量, 在保证准确度的同时稳定聚类结果. 所提出的方法在脑电图与材料学电子能级图两种复杂的非平稳多线图数据集上均获得了理想结果. 相较其他先进多视角聚类方法, 脑电图数据的聚类准确率达到79.38%, 多次独立实验结果的标准差减小47.9%, 验证了所提方法的稳定性.

摘要：时速600公里高速磁悬浮列车的运行安全至关重要, 任何部件的表面缺陷都可能对运行安全造成重大影响. 目前, 电磁铁的表面缺陷检测仍主要依赖人工巡检, 而基于深度学习的方法在实际工业环境中面临数据稀缺、精度低及实时性差等多重挑战. 鉴于此, 提出一种两阶段磁悬浮电磁铁缺陷检测方法, 第1阶段快速定位并裁剪电磁铁, 第2阶段精确定位缺陷. 为缓解缺陷样本稀缺问题, 采用StarGAN v2生成对抗网络进行数据增强, 并引入难负样本挖掘策略以降低误报. 第1阶段为满足实时性需求, 设计轻量化网络结构, 通过结构裁剪与通道剪枝显著降低模型复杂度, 使参数量减少约97%, CPU推理速度提升约370%. 第2阶段模型融合高阶关系建模、多分支动态融合模块与去归一化Transformer等多种结构, 以增强跨尺度建模能力. 实验结果表明, 对比同规模模型, 第2阶段提出的模型在自建电磁铁数据集上的平均mAP_50-95高出6.2%, 在PCB与GC10-DET两个公开数据集上也取得最高的F₁分数并保持实时性能, 显示出良好的工业部署可行性.

摘要：针对消防飞机的机场选址问题, 构建基于森林火灾风险因子的多目标规划模型, 旨在最小化总任务时间与经济成本. 该模型综合考虑森林火灾风险、灭火资源需求、消防飞机性能参数及部署运营成本+等多种因素, 为提升高风险区域的优先覆盖能力, 引入基于风速、相对湿度和植被覆盖度的森林火灾风险因子. 此外, 针对所构建的高维度整数多目标优化模型, 引入自适应因子和双层决策选择策略, 以提升NSGA-II算法的求解能力. 以广西地区为例, 利用ArcGIS进行空间数据处理, 并采用改进的NSGA-II算法对选址模型进行求解. 研究结果表明: 改进的NSGA-II算法能够有效提升求解速度和求解质量; 在广西地区, 柳州白莲机场部署2架AG600消防飞机为最优方案, 其解的相对接近度较其他方案提高39%. 所提出基于森林火灾风险因子构建的机场选址模型可为我国AG600消防飞机机场选址和部署提供理论依据和参考.

摘要：在全球政治经济局势日益复杂多变的今天, 国际供应链面临着前所未有的挑战, 断链风险如影随形. 针对由一个制造商、两个供应商以及一个紧急供应商组成的二级供应链系统, 研究突发事件导致供应链中断时, 考虑消费者的购买决策易受随机参照价格影响的情形下, 制造商应如何进行定价决策以及采购策略的选择. 研究结果表明: 1)当不可靠供应商中断概率和随机参照价格波动性较小时, 制造商选择单一供应商采购策略将获得更大的利润; 当中断概率较大时, 双源采购策略是制造商更好的选择. 2)随机参照价格的波动性和中断概率均会显著影响制造商对各供应商采购量、供应商的批发价格、制造商定价以及产品的绿色度. 3)不可靠供应商中断概率和随机参照价格波动性对于制造商定价决策的影响程度具有不确定性.

摘要：旋转机械作为工业系统的核心部件, 其故障诊断对保障设备安全运行至关重要. 然而, 在跨工况场景下, 基于深度迁移学习的故障诊断面临故障样本收集成本高昂和数据分布存在差异两大挑战. 这些挑战在目标域存在未知故障的开集迁移场景下尤为突出, 为此提出一种由分层聚类引导生成可靠伪标签的域自适应(HCRPDA)方法: 首先, 使用源域数据监督训练特征提取器和分类器, 并通过构建域混淆损失来驱动源域和目标域进行对抗学习, 实现已知类别的跨域分布对齐; 其次, 基于域判别器输出的源域相似度和通过分类器的输出计算得到的分类熵这两个指标进行分层聚类, 筛选高置信度的未知类伪标签样本, 进而训练专用的未知类判别器以提升模型对未知故障的识别能力; 最后, 使用PU轴承数据集以及PHM2009齿轮箱数据集进行仿真验证. 实验结果表明, HCRPDA相比于主流的域自适应方法具有更高的未知类识别率和已知类分类准确率, 特别是面对目标域中未知类样本比例较高的场景, 优势更加明显.

摘要：微小故障的早期识别对生产安全与产品品质至关重要, 但其信号微弱, 易受噪声干扰, 难以人工检测, 导致传统诊断方法难以有效应对. 对此, 提出一种基于多源特征融合的工业过程微小故障智能诊断方法 —— 基于图卷积与门控循环单元的注意力融合建模方法(GCN-GRU-A). 首先, 采用格拉姆角场(GAF)技术在每一时刻将多维传感器数据组合成一维向量并生成对应的格拉姆角和场(GASF)图像, 以充分挖掘数据的空间结构特征, 再借助图卷积网络(GCN)对其进行深层次空间特征提取; 其次, 利用门控循环单元(GRU)对原始时序信号进行特征提取, 获取其时间演化规律; 然后, 通过多头注意力机制对空间和时序两路特征进行加权融合, 进一步强化关键故障信息的表达能力, 抑制冗余噪声; 最后, 融合特征被输入至分类器, 实现微小故障类型的精准识别. 通过直拉(CZ)法硅单晶生长过程对所提出算法的有效性进行验证. 结果表明, 所提出的GCN-GRU-A建模方法在多项关键指标上均优于传统单一特征建模方法, 显著提升了微小故障的检测灵敏度和诊断鲁棒性.

摘要：针对航母编队海上补给策略选择中定性定量指标并存、决策信息复杂的问题，提出一种基于犹豫模糊语言加权幂Bonferroni平均算子的多属性决策方法。首先，基于航母编队补给策略选择的影响因素，构建包含定量与定性指标的补给策略选择评价指标体系；其次，针对送报男孩、加油站、巡回牧师三种补给策略，分别建立以最小航行路程和补给时间为目标的路径规划模型，并采用NSGA II算法求解；然后，利用犹豫模糊语言术语集来表征专家的评价信息，构建补给策略选择的群决策矩阵，同时利用组合赋权法确定指标权重，并运用HFLWPBM算子进行信息集结与策略排序。仿真实例与对比分析表明：该方法能够应对补给策略选择中的模糊性和不确定性，为补给策略的选择提供依据，验证了该方法的可行性和有效性。

摘要：针对高速列车走行部转向架轴箱轴承在复杂工况下运行具有不确定性与动态性,且有效故障样本稀缺导致的诊断精度低的问题,本文提出了一种基于MCWT-Li-VIT网络的故障诊断方法.首先,提出一种基于统计特征的离散型工况识别方法,采用重要的时频域特征构建了特征向量,利用综合稳定性评分函数划分阈值,提升状态数据的有效性与稳定性;其次,构建包含多种母小波的连续小波变换知识库,将一维状态信号转换为多角度、故障特征更丰富的二维时频图谱;进而,设计一种Li-ViT特征编码器,将多头注意力替换为广播注意力降低复杂度,保证识别精度同时显著提升训练与推理效率,增强在边缘设备中的实时部署能力;最后,设计基于多模态时-频特征的对比损失函数,可以有效训练MCWT-Li-VIT网络,并开发了基于余弦相似性分析的故障检测算法.采用Jetson Orin NX嵌入式板卡作为核心测试平台,通过轴承试验台数据集的验证,结果表明:该方法在仅使用正常样本训练的条件下,在复杂工况中对故障状态的检测准确率达到97.2%,能够构建高性能、高效率的特征提取网络.

摘要：油井工况预测对于提升油井生产效率，降低故障损失至关重要，但目前油井工况预测仅能预测工况类型，无法输出所预测的工况示功图，导致现场应用受限。针对该问题，提出一种基于多分支特征融合自编码器的油井工况短期预测模型。首先，为解决示功图序列样本间图形变化趋势微弱，易受噪声和相似工况图形的影响，导致特征提取效果不佳的问题，在编码器中设计三个方向的可变形卷积分支分别关注示功图 X、Y 和 XY 方向特征。其次，为互补不同分支所提取的方向特征，设计基于空间意力的交叉融合结构，并将不同分支的融合特征进行拼接，然后使用通道注意力机制增强特征融合效果。最后，将示功图特征序列输入长短期记忆网络预测未来工况的示功图特征，并基于解码器重构示功图。通过油田生产现场的油井示功图序列进行仿真验证，结果表明本文所提方法在油井工况预测及示功图重构上均具有良好的性能。

摘要：针对强化学习路径规划中控制性能与安全性的权衡问题, 本文提出一种融合控制障碍函数的安全强化学习算法 RL+adpCBF. 首先, 在约束马尔可夫决策过程框架下, 引入控制障碍函数以提供安全保证, 并基于双延迟深度确定性策略梯度构建端到端的安全强化学习框架; 随后, 设计 CBFNet 网络结构, 在约束强化学习范式下加入基于控制障碍函数的安全约束, 并通过拉格朗日乘子法自适应平衡安全性与控制性能. 同时, 引入可微分 CBF 优化层, 借助先验知识在满足安全约束的前提下实现高效的梯度更新与端到端优化. 最后, 在仿真环境中对所提方法进行验证. 实验结果表明, RL+adpCBF 算法能够在保持较高控制性能的同时有效规避不安全动作, 对环境变化具备快速响应与实时策略调整能力, 显著提升了移动机器人的安全性与运行效率.

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：针对双向快速搜索随机树(RRT-Connect)算法在机械臂路径规划中存在的搜索效率低下、路径规划质量不高以及动态环境适应性差等核心问题，提出一种融合分层启发式引导与强化学习的机械臂路径规划算法H-RRT-C。该方法构建多策略协同优化体系：上层利用改进A*算法生成全局粗粒度路径骨架，并采用动态权重机制指导双向搜索树优先采样关键节点，有效减少随机探索的盲目性；下层引入Dijkstra局部搜索机制，依据障碍物分布密度动态调整搜索范围，实现局部路径精细化处理。同时引入双Q网络强化学习策略，设计包含路径长度、节点分布多样性及避障安全性的多目标奖励函数，以实现扩展方向的智能决策。最后，通过MATLAB仿真实验验证了该算法在各种复杂场景中的路径规划效果，并且通过ROS平台以及实体机械臂测试验证了其工程实用性。

摘要：当前，随着新一代人工智能技术与先进控制理论的深度融合，复杂工业过程控制范式加速迭代，推动了复杂工业过程安全运行控制理论体系的发展和完善，也为智能控制系统规模化落地提供有力支撑. 本文立足工业智能化背景，围绕复杂工业过程“全息感知-异常诊断-自主决策-动态调控-协同优化”的一体化需求，系统梳理复杂工业过程安全运行控制相关理论方法的基本内涵与原理、关键问题与研究难点，分类总结相关进展. 在此基础上，探讨该研究方向亟待突破的关键核心问题，探讨人机共融、知识与数据联合驱动的“可解释+可信任”智能安全运行控制的可行途径，并以典型矿物加工过程为例开展相关理论成果的初步验证. 最后，对复杂工业过程安全运行控制的未来趋势进行展望.

摘要：钢铁生产是国民经济的重要支柱。近年来，随着信息技术的迅猛发展，协同计划已成为提升钢铁企业运行效率与应变能力的关键手段。本文首先从采购与生产协同、生产工序间协同和生产与分销协同三个方面，对现有钢铁生产链与产业链协同计划进行了全面梳理。进而，归纳出当前钢铁生产链与产业链协同计划面临的三大挑战，即全产业链信息割裂、生产链与产业链计划协同缺乏以及产业链资源配置韧性不足。最后，展望了钢铁生产链与产业链协同计划的未来重点研究方向，即生产链与产业链协同计划优化框架、生产链与产业链全域深度感知与预测、数据驱动的多维度协同计划优化以及韧性的产业链资源配置优化。本文旨在为构建高端化、智能化和韧性化的钢铁生产链与产业链协同计划体系提供研究思路与实践参考。

摘要：为刻画杀伤链系统的制胜机理，针对杀伤链模型构建过程中各类作战装备性能如何向系统效能高效涌现的问题，本研究提出基于动态网络演化博弈的杀伤链系统效能涌现模型。通过构建“微观-宏观”双层次研究框架，揭示杀伤链中的各装备间通过自组织、自适应从微观性能向宏观系统效能动态涌现的内在规律。在微观层面，构建了单装备性能分析方法，形成装备的初始行为决策偏好，并将其与博弈理论相结合，通过构建传播动力学方程刻画多装备性能组合的行为决策模型；在宏观层面，基于OODA作战环理论，引入结构化Moran过程构建动态网络演化博弈规则的杀伤链效能模型，通过动态马尔可夫链和演化博弈理论更新网络拓扑结构，并设计节点度均值驱动的网络策略演化机理重构行为决策规则。建立基于演化结果的效能涌现量化指标，结合装备群体的策略选择，分析杀伤链效能变化情况。作战实例结果表明，采用性能互补以及环境适配的装备集群能够促进杀伤链内在结构的动态演化，并揭示系统效能的涌现规律，研究结果有助于指挥员快速准确地把握杀伤链的制胜机理，为作战决策提供有力支持。

摘要：本文研究有向图下具有有界控制增益的异构多智能体系统(HMASs)的预设时间时变编队跟踪(TVFT)问题.首先,为每个智能体提出一个预设时间切换观测器用于估计领导者的状态,该观测器是从一个基于时基生成器(TBG)项的观测器切换到另一个基于分数阶项的观测器.基于预设时间切换观测器,提出一个编队跟踪切换控制器,该控制器是从一个基于TBG反馈的控制器切换到另一个基于分数阶反馈的控制器.所提预设时间切换观测器和编队跟踪切换控制器中的切换时刻均可由用户提前任意预设.然后,使用李雅普诺夫稳定性理论,证明在所提控制器下可以使编队跟踪误差在预设切换时刻收敛到一个可调域内,并在预设切换时刻后的另一个预设时间内收敛到零.与现有的具有时变扩展函数的控制器相比,本文所提控制器可以避免无界控制增益带来的数值实现问题.最后,两个仿真示例验证了理论结果的有效性.

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，近年来学者们提出了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，本研究提出了一种基于数据驱动和非线性频率分析的新方法。新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CSTR和CO2-水气液平衡过程，从数值仿真和应用层面分别验证了方法的系统分析和优化设计应用潜力。

摘要：延长网络生命周期是隧道无线传感网络亟需解决的核心问题，而拓扑控制在优化网络生命周期和性能方面具有关键作用。为提升隧道无线传感器网络在三维场景下的适配性与整体性能，本文提出一种融合思维创新策略（TIS）改进MOCTCM（Multi-Objective Competition of Tribes and Cooperation of Members）的分簇路由算法TIMO.首先构建三维隧道空间模型并推导最优簇头数，提出基于竞争半径与节点密度的簇头自适应分配机制，优化布局与负载.簇头选举采用TIS改进的MOCTCM算法，综合考虑剩余能量、簇内距离及信任度，路由阶段利用MOCTCM和变异系数法动态权衡总能耗与能耗方差，优化传输路径.仿真结果表明，TIMO能有效均衡网络能耗，显著延长生命周期.

摘要：为提高混联机构系统在参数摄动、摩擦力时变与外部干扰等多种不确定因素影响下的轨迹跟踪控制性能,同时考虑摩擦力的不连续性对混联机构系统轨迹跟踪性能的影响,提出一种卷积神经网络预定时间滑模控制方法.通过设计一种卷积神经网络对混联机构包含不连续摩擦力的集总不确定性进行估计.在此基础上,针对现有滑模控制的稳定时间通常难以预先给定,难以在工程中实际实现快速收敛的问题,设计一种卷积神经网络预定时间滑模控制算法,以在抑制系统受包含不连续摩擦力不确定因素影响的同时,实现系统在预定时间内快速稳定.进行MATLAB仿真实验与汽车电泳涂装输送用混联机构样机实验,验证了所提控制方法的有效性和优越性.

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与区域差异性,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,在时空特征提取与预测精度提升方面具有显著优势.此外,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：非线性方程组的多根联解是一个具有挑战性的任务.尽管差分进化算法已被广泛应用于求解此类复杂问 题,然而在其标准框架中,进化过程产生的差分向量所蕴含的个体进化信息往往未被充分利用.为此,本文提出一 种的基于元知识的小生境差分进化算法.主要特征如下：(1)将进化过程中生成的差分向量视为蕴含搜索经验的 “元知识”；(2) 设计了神经网络模型对其进行学习和建模,生成预测的差分向量来引导后续种群进化；(3)提出了 两种元知识的变异方法,提升算法搜索效率.在标准测试函数集上的实验结果表明,所提出算法能够有效实现非线 性方程组的多根联解,并在找根率(RR)和成功率(SR)指标上表现优异.

摘要：针对无人机航拍图像中因目标方向任意旋转、背景环境复杂以及目标尺寸微小等因素导致的检测精度下降问题，本文提出一种基于YOLOv12架构的轻量化无人机目标检测网络YOLO-MAT,该网络融合了旋转感知注意力与自适应特征过滤机制.本文主要工作包括：首先，提出一种多路径旋转感知注意力模块（MRAC2f），通过引入旋转不变注意力机制（RAM）,增强模型对旋转目标的鲁棒特征表征能力;其次,设计一种自适应加权多尺度特征过滤融合模块（AMFF）,集成双域协同注意力（DDCA）与拉普拉斯边缘增强器（LEE）,在抑制浅层背景噪声的同时增强高频细节特征,并利用可学习权重实现多尺度特征的自适应融合;最后,构建一种高分辨率小目标检测头（Tiny Head）,进一步提升模型对微小目标的检测性能.在VisDrone2019和NWPU VHR-10数据集上的实验结果表明,相较于基准模型YOLOv12,YOLO-MAT在模型参数量减少3.2%的同时,平均精度均值（mAP）分别提升了6.7%和9.3%,实现了轻量化设计与检测精度的有效平衡.与其他主流检测算法相比,YOLO-MAT在检测精度方面具有明显优势，为无人机实时目标检测提供了一种高效的解决方案.

摘要：针对传统目标威胁评估仅依靠静态侦收数据、忽略目标属性犹豫度和指挥决策者意图判断(偏好信息)问题,依据不同时刻侦收数据属性值和目标属性语言变量值构建直觉模糊威胁决策矩阵,在属性权重和决策者权重完全未知情况下,提出一种新的直觉模糊扩展多属性妥协解排序(VIKOR)群决策的目标威胁评估方法.该方法首先采用综合考虑隶属度与非隶属度偏差和犹豫度的直觉模糊熵,基于熵权法和权重协调系数确定属性权重;其次设计基于犹豫度和相似度的决策者权重确定方法;最后采用可最大化群体效益且弱化个体遗憾的VIKOR多属性群决策方法实现目标威胁排序.通过无人机蜂群目标威胁评估案例验证所提方法的可行性,并利用数值实验、敏感性和对比分析验证该方法的稳定性和灵活性.

摘要：基于安全强化学习的机器人运动规划方法在真实物理环境中展现出巨大潜力，但在复杂的风险敏感场景下，现有方法的稳定性和适应性有限，难以满足安全性要求. 鉴于此，研究一种具有时序动态演化特性的安全强化学习方法具有重要意义. 首先，构建一种基于时间连续常微分方程架构的策略网络，该网络能极大增强对非均匀时间序列数据的适应能力，提升智能体在复杂环境中的自适应性. 其次，通过自适应约束近端策略优化算法解决安全约束求解问题，实现灵活且安全的机器人运动控制. 最后，在机器人安全基准测试平台Safety-Gymnasium和自主搭建的Gazebo物理场景中进行实验测试. 结果表明，基于动态演化的安全强化学习运动规划方法在满足约束的前提下，能有效提升机器人在规划任务上的表现. 在物理场景下成功率较基线模型PPO-Lag提升了53.7%. 同时，在不同难度的物理场景中，该方法的平均奖励和成功率最高，实现了泛化场景的最优规划效果.

摘要：综合考虑水下无人航行器(UUV)的跟踪、能耗和稳定性需求, 本文提出了一种新的基于稳定约束条件的多目标粒子群优化算法(SC-based MOPSO). 首先, 设计一种干扰观测器对系统干扰进行估计. 针对状态约束问题, 基于障碍Lyapunov函数和反步法将满足系统约束、保证系统稳定性的控制器设计问题转化为控制器增益约束问题. 其次, 以系统跟踪误差、能耗、干扰观测器的观测误差和增益大小为性能指标, 建立UUV抗干扰控制问题的多目标优化模型. 随后, 将该约束问题以惩罚项的形式引入优化过程的性能指标计算中, 对控制、干扰观测增益进行优化. 最后, 通过与其他多目标优化算法以及传统线性矩阵不等式方法计算得到的增益进行对比, 本文所提出的SC-based MOPSO能够在保证状态约束的情况下取得更好的控制性能.

摘要：针对图像分类任务中模型对频率特征感知不足的问题，提出一种基于频率感知卷积的图像分类网络.首先，引入傅里叶变换，设计频率感知卷积，并将其嵌入到残差分支中，以融合频率特征，增强模型对频率特征的感知能力.其次，设计了一种多分支特征选择模块，在协同提取多层次特征的同时，加强通道间的信息交互.模型利用频率感知卷积和多分支特征选择模块，可以实现对图像空域和频域的联合感知.最后，在CIFAR10、CIFAR100、SVHN、ImageNette和ImageWoof等数据集上进行实验验证.结果表明，与当前主流图像分类模型相比，所提模型在分类精度上均达到最优，验证了该方法在提升图像分类性能方面的有效性.

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.

摘要：针对航空复杂装备集成系统多阶段目标偏好动态变化与随机扰动实时响应的复杂调度问题,提出了一种基于NSGA-II与近端策略优化(PPO)的强化学习双向协同优化机制的多目标调度方法.通过构建“离线全局优化-在线动态决策”双向闭环,实现了调度策略的持续自进化.首先,设计基于 PPO的强化学习智能体,实时感知系统状态与扰动,动态调整时间、质量、成本的优化权重,以捕获动态偏好与扰动响应需求；其次,改进NSGA-II算法的非支配排序与拥挤度计算,将实时动态权重以偏好支配关系和加权拥挤度的形式深度嵌入进化过程,引导种群向符合当前战略偏好的Pareto区域收敛.二者通过“离线规则知识注入”与“在线学习经验反馈”双回路紧密耦合.实证研究表明,本方法在超体积(HV)指标上较传统固定权重方法提升20.1%,扰动平均恢复时间缩短41.7%,并在订单延误率、返工率及成本超支率等关键绩效指标上均显著优于对比算法.该方法对于复杂装备集成系统具有良好的通用性,核心算法可拓展至航天、船舶等复杂装备集成的智能优化问题.

摘要：基于大语言模型的智能体在复杂任务的处理中表现出卓越的语言理解与深度推理潜力,然而当它在应对更加复杂的挑战时,尤其是某一特定领域内涉及到领域规则的复杂任务时,其表现得往往不尽人意.这种不足主要源于大语言模型内部中缺乏对领域中专业知识和依赖约束的显示建模,导致解决问题的过程中生成不符合逻辑或不可执行的子任务序列,进而引发规划幻觉和领域知识结构性缺失等问题.为了解决这类问题,本文提出了一种基于知识增强的复杂任务分解框架,该框架创新性地将知识图谱与思维链技术相融合,旨在以知识增强为核心,通过构建约束关系和领域知识双图谱,为大语言模型在解析复杂任务的过程中提供结构化知识约束,并结合高质量的推理路径输入,引导模型生成语义完整、逻辑合理且可执行的子任务序列.实验结果表明,在2WikiMultiHopQA、HotpotQA与MuSiQue三类多跳问答数据集上,基于不同参数规模的Qwen2.5模型里,KTD框架在所有任务和资源配置下均显著优于主流的相关Prompting策略方法,其中在1.5B低资源配置下任务准确率最高提升13.86\%,进一步表明KTD框架在缓解规划幻觉和弥补领域知识结构性缺失方面的有效性.

摘要：针对复杂水下环境中自主水下机器人面临的实时避障与精确轨迹跟踪难题，本文提出了一种融合改进人工势场法（Artificial Potential Field，APF）与自适应视线导引法（Line-of-Sight，LOS）的自主导航方法。首先，建立了UWSim平台下的水下机器人“感知-规划-控制”仿真系统。其次，提出了一种集成局部极小值在线识别与多模式虚拟目标逃逸策略的改进人工势场法，有效解决了传统算法易陷入局部最优的问题，实现了水下机器人在三维环境的实时高效路径规划；在此基础上，设计了一种融合自适应前瞻距离与幂次趋近律的自适应LOS反步控制器，实现了控制器参数根据航行状态的自适应调整，有效抑制了抖振，提升了水下三维路径跟踪控制精度与平滑度。最后，在构建的UWSim系统中开展仿真验证，结果表明：所提出的改进人工势场的实时路径规划方法，在存在动-静态障碍物干扰的场景下仍能保持稳定规划性能，表现出良好的系统鲁棒性；相比较于传统LOS，所提出的自适应LOS反步控制方法有较强的路径跟踪能力，平均误差和均方根误差分别减少48%和14.9%，具有较好的控制精度。

摘要：针对轨道车辆组装作业中多车型混线生产、工序复杂、工艺路线差异显著及制造资源高度异构带来的分布式异构柔性作业车间调度挑战,提出一种两阶段多智能体深度强化学习方法.将调度流程建模为多阶段马尔可夫决策过程,决策涵盖工件分配、工序排序和机器选择,通过奖励设计引导智能体最小化全局最大完工时间.上层智能体基于分层异构图注意力网络提取产线全局状态,实现工件在不同组装线或工区间的合理分配与负载均衡.下层智能体采用双智能体协作策略,利用基于图神经网络的编码器—解码器结构捕捉工序间前后约束及资源占用等依赖关系,实现局部优化.基于实际作业场景数据,计算验证了该方法在缩短制造周期方面的有效性,并展现出良好的泛化能力.

摘要：基于残差学习的单幅图像细节增强算法常常采用贪心搜索策略，这容易导致系统陷入局部最优解。针对这一问题，本研究提出了一种受蜂群觅食行为启发的单幅图像细节增强算法。该算法将图像块匹配过程建模为蜜蜂在二维空间中寻找高质量蜜源的行为，针对输入图像中的每个图像块派遣多只“工蜂”在参考图像中寻找最佳匹配块。通过计算候选块与原始块在上下文、边缘和纹理结构等多维特征上的差异，评估匹配质量，并结合全局最优蜜源及邻域内优秀个体的引导，实现全局与局部相结合的搜索策略。该算法引入了概率驱动的邻域参考选择机制和边界反射策略，并通过余弦函数动态调整局部与全局权重比例，从而有效提升搜索多样性与稳定性。实验结果表明，经过多轮迭代优化，该算法能够提取出结构精确且鲁棒性的细节特征，所提算法在RealSRSet、BSDS200、T91等多个公开数据集上的表现均优于现有算法。其中，在RealSRSet数据集4倍放大条件下，相较于当前流行的方法QWLS，PSNR提升8.21 dB，SSIM提升0.1569，充分体现了该算法在细节还原能力和视觉质量方面的优势。

摘要：针对现有直觉模糊多属性决策方法存在反直觉行为及数据取值局限性,提出一种基于Lemoine点的直觉模糊SWEI多属性决策方法.首先,借鉴三角形Lemoine 点的几何思想,设计一种新的直觉模糊相似度,并完成其公理化证明;与现有直觉模糊相似度相比,该相似度不仅能够更合理地表征直觉模糊数之间的相似程度,还有效克服了公理性约束缺失与不可计算的缺陷.随后,基于该相似度进一步构造得分函数,以降低决策过程中的计算复杂度.接着,通过直觉模糊得分函数构建模糊得分矩阵,并以熵权法获得备选方案的权重信息,进而利用加权指数信息对备选方案进行排序择优.最后,通过实例仿真分析验证所提方法的有效性,并借助灵敏度分析及对比实验表明该方法具有较强的稳定性与优越性.

摘要：为提高机械臂控制过程中的安全性,针对机械臂系统的误差约束问题提出了一种基于强化学习的自适应 控制方法.为此,将机械臂的动力学系统转化为关于跟踪误差的动态方程.然后利用一类误差转换函数,将受约束的 误差系统转换为新的不受约束系统,并基于此系统设计最优控制器.为了解决最优控制问题,利用强化学习的方法 求解系统的HJB方程,其中评价网络用于逼近系统最优值函数,执行网络用于逼近最优控制器的输出,并利用一类 正定函数来大幅简化评价-执行网络的自适应率.基于李雅普诺夫稳定性理论,证明系统所有误差信号半全局一致 最终有界.最后通过一个2自由度机械臂的仿真案例验证了该方法的有效性.

摘要：随着电动汽车快速增长，充电站数量不足、分布不均及可靠性问题日益突出，成为影响使用和运营效率的关键因素。考虑到充电站选址过程中面临的潜在中断风险，本文构建了电动汽车充电站可靠性选址多目标优化模型，旨在通过最小化系统总成本、最大化用户时间满意度及平均充电站可达率，实现经济性、高效性和可达性的协同优化。利用NSGA-III求解模型，获得系统成本、用户满意度和可达率之间的Pareto最优解集。基于成都市三环内路网及POI数据开展实验，验证所提模型在实际场景中的应用潜力。通过超体积、反世代距离、均匀性与多样性指标评估算法性能，并与NSGA-II对比。同时，对中断概率和紧急情况占比进行灵敏度分析，探讨模型的稳定性与适应性。研究结果表明，所提模型和方法可有效应对充电站选址中的中断风险，增强充电网络韧性，为充电站可靠性选址提供参考。

摘要：针对钢材表面缺陷检测任务中存在的模型参数量大、小目标漏检率高及复杂背景干扰等关键问题，提出一种基于 RT-DETR (Real-Time Detection Transformer) 架构的双分支与上下文引导的协同优化检测方法，命名为 DCG-DETR. 首先，设计双分支特征增强模块 DFEM，通过通道注意力机制与动态感受野卷积的并行融合，显著提升复杂纹理背景下微小缺陷的特征判别力；其次，构建内容-上下文引导聚合特征金字塔模块 CCGAFP，采用内容感知上采样 CARAFE 与全局-局部双分支特征融合，解决多尺度特征错位问题，增强小目标定位精度；进一步引入轻量化特征融合模块 VoV-GSCSPC，通过压缩冗余计算与跨阶段梯度传播优化，在保持精度的同时降低模型复杂度.在 NEU-DET 数据集上的实验表明：改进模型 mAP@50 指标达 81.5%，较基准 RT-DETR-L 提升 3.2%，同时参数量降低 11%、计算量减少 25.9%. 实验结果表明，改进后的 MCG-DETR性能整体优于其他同类主流算法，在进行轻量化的同时提高了检测精度，为工业质检提供了新方案.

摘要：在浮力烟羽环境下，气体扩散方向的高度非稳态特征使得信息趋向算法依赖的扩散方向平稳性假设失效，导致信息熵梯度计算失准，引发粒子错误收敛和搜索效率下降。为此，本研究提出了一种非稳态气味扩散下基于指数权重调节和分层重采样的改进信息趋向溯源算法。首先，在权重归一化过程中引入指数型权重修正系数，通过指数变换有效平衡权重分布差异，减少粒子错误收敛；其次，构建基于残差信息的分层重采样模型，采用分位数分层抽样方法提升粒子集表征能力，提高源位置估计准确度；最后，建立基于接近指数-区块序列的双阈值监测机制，当监测到搜索停滞时触发位置迁移策略，有效解决局部最优困境。仿真实验表明，所提出的权重优化策略和动态重定位机制显著增强了算法在非稳态扩散环境下的鲁棒性和搜索效率。

摘要：在“双碳”目标与工业5.0理念的共同驱动下，面向可持续发展的云制造服务组合策略既契合国家战略，也满足企业的现实需求。本文提出了考虑可持续性的云制造服务组合决策模型，首先，基于三重底线原则和服务生命周期理论构建可持续性评价指标体系，并采用模糊最优最差法确定指标权重。其次，结合任务结构及物流关键因素，计算服务组合的指标聚合值并构建多目标优化模型。然后，提出基于可持续性评价的多目标人工蜂鸟算法（SE-MOAHA）求解模型，并通过综合评价方法确定最优方案。最后，以阿里云制造平台的复杂机械手制造任务为案例，验证了所提决策模型的有效性和优越性；与初始算法MOAHA及经典算法U-NSGA-III的对比结果表明，所提方法在求解质量、效率与稳定性方面均具有优势。

摘要：针对多敏捷成像卫星任务调度问题中求解效率与调度质量难以兼顾的挑战,提出一种基于卫星优先级排序与单星集成任务调度的两阶段智能构造方法.该方法将多星调度分解为两个阶段：卫星调度序列优化与单星任务调度优化.在卫星调度序列优化阶段,综合考虑卫星可观测任务的总收益与平均可见时间窗长度对卫星进行优先级排序,提升关键资源的匹配效率;在单星任务调度优化阶段,设计融合最小插入成本与最小空闲时间准则的集成插入算法,结合调度松弛机制实现任务序列的高效构造与局部优化.实验结果表明,所提方法在不同卫星数量与任务规模下均能以秒级响应生成高收益调度方案,显著优于先进问答式与集中式算法,同时具备良好的可扩展性与实时响应能力,适用于大规模星座环境下的成像任务调度.

摘要：在求解作业车间调度问题的局部搜索算法中，邻域解的构造与评估对算法效率与可扩展性具有直接影响。针对邻域评估代价高、计算冗余性强的问题，提出一种基于松弛时间递推思想的邻域解批量近似评估方法，构建了结构化的批量评估框架，将评估复杂度降至线性级。同时，从理论上给出N7 邻域结构中两类非改善移动的判定条件，以增强邻域结构的约束性。实验结果表明，所提方法在保证估算精度的同时显著提升了搜索效率，并在禁忌搜索中取得了更优的调度性能。

摘要：在实际应用中,标注数据的稀缺与源域、目标域的分布差异导致模型泛化性受限.无监督域适应(Unsupervised Domain Adaptation, UDA)通过缩小域间分布差异,确保模型在新的环境下性能稳定.过去二十年,域适应在分布对齐、特征变换等方面得到广泛研究,但现有综述多聚焦于域不变特征学习视角,鲜有文献从域间类别差异角度系统性总结.鉴于此,本文以类别空间不一致为核心视角,对域不变特征学习和跨域类别匹配两个技术手段展开全面综述.本文首先介绍域适应中分布漂移的基本概念与数学定义,并基于标签集差异划分为闭集、部分集、开集与通用域适应;其次从域不变特征学习和跨域类别匹配两方面对现有方法进行全面综述;继而阐述域适应的多种变体,包括无源、多源、域泛化,并且首次在综述中引入时序域适应/泛化问题;最后总结域适应在自然语言处理、计算机视觉、工业时序与推荐系统等领域的应用,并展望未来发展方向与挑战.

摘要：在多机智能空中博弈等复杂且高对抗性的场景下,同时具备精准微操决策能力与高效战术推理能力,是实现多机紧密协同并夺取制胜优势的关键. 针对现有强化学习方法在多机智能空中博弈过程中面临的策略泛化性差且缺乏高层推理能力的挑战,本文提出了一种融合大语言模型与深度强化学习的分层决策算法(LLM-RL Hierarchical Decision-making Framework, LRHDF). 首先,借鉴人类飞行员的决策机制,构建“大语言模型-强化学习”(大脑-躯干)分层决策架构,有效提高算法的底层微操决策性能与上层认知推理能力；其次,基于大语言模型反思的提示迭代机制,利用环境反馈作为优化信号,驱动提示指令的持续自主进化；最后,受人类团队协同决策机理启发,设计序贯协同决策机制,显式建模多智能体协作模式,提高多智体间协同效率. 在高保真空中博弈平台下的仿真结果与消融结果表明,相较于传统强化学习类算法,所提算法在多类博弈场景下表现出更强的博弈性能与泛化能力, 为多机空中博弈问题的求解提供了一条可行的技术路径.

摘要：针对存在传感器故障与非仿射故障的多智能体系统容错控制问题,本文提出一种层级预定义时间最优容错控制框架.以提升系统可靠性和收敛速度为研究目标,基于层级控制、强化学习和预定义时间稳定性理论,构建虚拟层与实际控制层的协同机制.虚拟层设计分布式最优一致性跟踪控制器,通过自适应状态观测器估计未知非线性动态,结合滑模面与演员-评论家结构求解近似最优控制策略,实现多智能体同步最优控制与能量最小化；实际控制层基于虚拟层生成的最优轨迹,设计自适应模糊预定义时间容错跟踪控制器,利用 Lyapunov 稳定性理论保证跟踪误差在预定义时间内收敛至有界集合,同时逼近传感器故障参数与非仿射故障函数.通过调整所设计控制器中的预定义参数,系统可以在期望的预定义时间内实现自适应跟踪的目标.最后,通过仿真实验验证了所提控制策略的有效性.

摘要：复杂空中博弈场景同时面临两类核心挑战：其一，在线交互采样效率低，且高风险试错行为易导致严重后果；其二，离线数据稀缺且覆盖有限，策略对分布外状态的泛化能力不足。针对两类问题，本文提出了一种基于风险约束与保守值函数学习的离线博弈算法 CQL-Safe。其中，风险被定义为智能体在博弈对抗过程中遭受 损毁或被对手击落的概率及其相关安全威胁指标。本文首先设计了一种融合示教学习与扩散模型的数据集构建方法，有效缓解了离线强化学习数据稀缺问题；进而设计多维风险评估函数量化风险因素，并将其嵌入保守值函数学习框架，抑制分布外动作的过高估计；最后引入了拉格朗日乘子机制动态调节风险约束强度，实现了奖励最大化与安全性保障之间的自适应平衡。所提算法在多类空中博弈场景下具有较高训练效率与显著性能优势，能够在保障智能体安全的同时大幅提升策略的泛化性与有效性。

摘要：针对高空飞行环境模拟试验装置的进气系统在应对发动机过渡态时，表现出强非线性和模型不确定性，受未知扰动及测量噪声影响，难以快速、平稳与精确控制的问题，提出一种融合改进滑模扩张状态观测器和卡尔曼滤波的自抗扰控制方法。先设计一种变幂次趋近律以提高状态收敛速度；然后构造一种非奇异快速收敛滑模面以加速跟踪误差收敛，并推导对应的滑模非线性收敛函数；将所设计的观测器与卡尔曼滤波相融合，通过扩张状态观测器对总扰动进行观测与补偿，同时利用卡尔曼滤波抑制测量噪声，二者通过相互协同实现对扰动与噪声的双重抑制，并基于此设计自抗扰控制器。文中给出了完整的稳定性证明与仿真验证。仿真实验结果表明，基于改进滑模扩张状态观测器的自抗扰控制器在受测量噪声干扰下有比基于传统扩张状态观测器的自抗扰算法更高的跟踪精度与跟踪速度；在融合卡尔曼滤波器后，在保证跟踪性能的同时有效降低进气系统调节阀控制量摆动幅度。

摘要：摘 要:受传感器精度、数据存储及人工标注效率等因素限制，工业场景中常常使用粗粒度的离散标签替代原本的连续的值。然而，离散标签通常会造成信息损失，导致其背后隐含的连续动态过程难以准确建模。此外，离散变量与连续变量在分布特性和信息粒度上存在差异，无法实现统一的预测。针对上述问题，提出一种基于隐连续性恢复的粗粒度离散标签混合时序预测方法（Coarse-grained Discretized Labels–Hidden Continuity Recovery，CDL-HCR）。该方法通过隐连续性恢复策略，利用可观测的离散标签推断不可观测的连续变量，从而实现对原本不可测连续变量的估计。随后，结合自监督学习机制，将恢复得到的隐连续变量与原有连续变量在统一空间中进行特征融合，以提升混合时序数据的预测精度。在线应用阶段，模型可以直接输入实时采集的混合数据进行预测。本文在真实的滚筒烘丝过程数据集上验证了所提方法，结果显示其在混合时序数据预测任务中相比于传统方法具有更高的准确性。

摘要：本文研究了全球导航卫星系统(GNSS)欺骗攻击下对抗性领导者-跟随者的编队跟踪控制问题. 首先, 为获取GNSS欺骗攻击下的真实定位数据, 利用协同定位技术设计了一种基于事件的攻击检测与信号切换机制. 随后, 考虑输出测量噪声对状态估计准确性的影响，提出了一种安全状态估计器, 该估计器仅依赖采样信号，即可在GNSS欺骗攻击及输出测量噪声存在条件下实现对跟随者真实状态的连续估计, 在降低计算负担的同时提高了数据利用率. 然后结合非零和博弈论重构领导者与跟随者之间的动态交互关系, 通过利用单评价神经网络近似值函数以及改进的动态事件触发机制(DETM), 设计了跟随者的逼近最优控制策略, 保证了对对抗性领导者的稳定跟踪, 降低了通信和计算负担. 仿真研究验证了所提方法的有效性.

摘要：针对因知识形态异构、复用效率低导致的再制造工艺决策严重依赖人工的难题，提出了一种显/隐性知识增强驱动大语言模型（Large Language Model, LLM）的智能决策方法。首先，分别提出基于向量嵌入和决策目标公式参数化建模的再制造工艺显/隐性知识抽取方法，构建包含工艺向量库和工艺函数库的再制造工艺知识库。其次，提出一套检索增强生成（Retrieval-Augmented Generation, RAG）策略，驱动LLM从工艺向量库中提炼再制造工艺知识，生成可行再制造工艺方案集；建立函数学习机制，通过LLM调用工艺函数库中的公式计算工艺决策目标值，确定最优再制造工艺方案。最后，以汽车发动机蜗杆再制造为例对所提方法的可行性进行验证。结果表明，本文所提方法不仅能大幅降低对工艺人员经验的依赖，更能准确生成再制造工艺方案并进行决策，显著提升了再制造工艺决策的自动化水平与可靠性。

摘要：针对多维0-1背包问题, 本文提出一种基于马尔科夫网的混合分布估计算法(Multivariate Correlated Distribution Estimation Algorithm, hDEUM), 使用马尔科夫网络(MRF)作为概率分布模型, 采用无向图表示变量之间的关系.在算法中加入基于MdKP的修复机制, 有效修复采样后种群中的不可行解; 另外, 加入局部搜索操作, 以增强算法的局部搜索能力.基于标准测试集的仿真结果, 将变量不相关分布估计算法和多变量相关分布估计算法比较, 验证了所提出算法的有效性和优越性.

摘要：针对常春藤算法这类固定维连续域优化方法难以直接处理具有离散约束和连贯性要求的无人车路径规划问题,本文提出了一种基于改进常春藤优化的高斯引导算法.该算法设计高斯引导机制,提供一种可行的桥接式应用建模方式,通过迭代优化引导点参数引导路径生成,并利用路径离散特性大幅降低计算量.同时,对常春藤算法低值偏好的操作进行修正改进,使路径搜索在全局范围更均衡.其次,提出螺旋衰减策略更新生长速率,使算法更适应路径离散环境.最后设计一种局部陷阱逃脱机制,利用动态时间规整算法检测局部陷阱,重新分散种群以摆脱局部最优,增强全局搜索能力与算法稳定性.在不同规模的仿真环境中进行实验,结果表明本文算法具有较好的求解质量和收敛效率,同时展现出强大的稳定性与平滑性,更符合无人车的行驶需求.

摘要：针对多动态目标的自主水下航行器集群协同围捕决策与控制问题，本文提出了一种融合拍卖机制与多智能体深度强化学习的围捕算法. 该方法将围捕任务分解为目标分配和运动控制两个阶段：首先，基于最优控制理论中的配点法，综合考虑围捕态势、最短时间和最低能耗等优化目标，生成训练数据与竞标值标签. 并利用监督学习训练拍卖神经网络，实现了自主水下航行器的实时目标分配；接着，构建了分配后的个体状态空间，设计了多目标围捕奖励函数，采用多智能体柔性演员-评论家算法，优化了围捕策略. 高效、自适应的拍卖算法确保了动态复杂环境下的快速目标分配，多智能体强化学习则提升了群体的协同控制快速响应能力. 最后，开展了不同场景中的围捕实验. 实验结果表明，所提方法能够显著提高围捕策略的表现效果，在应对2、3和4个动态目标时，平均围捕成功率分别为79.04%、89.78%和90.43%，相较于基线方法，分别提升了48.41%、54.00%和53.93%，即本算法在处理不同规模围捕任务时均具有更好的效果.

摘要：在模糊综合评价问题中引入随机模拟技术能够获得带有概率信息的相对排序结果，对于获取丰富的评价结论具有重要意义。然而，不同类型模糊数的随机模拟方式并不相同，需要针对不同类型模糊数的随机模拟方式分别研究。基于此，本文针对广义梯形模糊数的随机模拟聚合问题展开研究。首先，利用广义梯形模糊数的隶属度函数确定其分布函数，并基于反函数变换法将广义梯形模糊数的非均匀随机抽取问题转换为在其分布函数取值区间的均匀随机抽取问题；其次，通过在指标聚类过程中融入评价者偏好信息确定指标权重系数，并构建广义梯形模糊数的随机模拟密度中间（SS-DM）算子求解随机聚合过程中的评价结果；然后，以在排序中体现被评价对象间的差异为原则，通过引入强弱优胜法则确定优胜度概率矩阵并求解最终的排序结果；最后，通过算例验证本文提出方法的有效性和特色之处。

摘要：针对输入时延下的欠驱动车辆队列轨迹跟踪问题,重点研究车辆队列在弯道跟随过程中的横纵向稳定性情况, 提出了一种基于预设性能与时延补偿的车辆队列自适应滑模控制方法.根据路径曲率和前车状态信息,设计考虑输入时延和曲率变化的扩展间距策略,可有效提升横纵向稳定性与安全性能.通过预设性能函数将欠驱动跟踪模型进行转化,使得车辆队列的跟踪误差约束在固定范围内,并结合自适应补偿机制,提出了一种包含输入时延与位置跟踪误差的车辆队列自适应滑模控制方法.该方法确保控制系统具有较快的收敛速度和更高的稳态精度,通过Lyapunov稳定性理论证明跟随车辆固定时间稳定及队列网格稳定.最后,通过仿真实验验证所提方法的有效性与可行性.

摘要：乘性数据包络分析（DEA）模型是效率测量的有效工具,其依赖于分段对数线性技术,能灵活捕捉生产函数的关键生产特征（凸性、线性和凹性）.然而,现有一些研究尚未考虑数据的不确定性,并未允许不确定数据的分布未知.因此,本文利用鲁棒优化方法,对决策单元输入和输出数据中的不确定性进行建模,以确保性能评估的稳定性和可靠性.基于所构建的具有乘性特征的预算不确定集,本文提出两个鲁棒乘性DEA模型,并通过对偶将其重新表述为等效的线性规划问题.为了解决效率得分无法达到1的问题,一个新的鲁棒乘性DEA模型被提出,并提供其约束违反的概率界限.本文测量中国31个省市的电力系统的运营效率,结果表明,在不确定环境下,所开发的鲁棒乘性DEA模型在效率得分方面具有较好的性能表现.

摘要：卷积神经网络与Transformer相结合的混合架构为进一步提升超分辨率重构效果提供了新思路而备受关注.针对现有并行结构网络特征提取与融合多为相互独立结构，忽略了异构建模路径间的层级交互与信息引导，难以兼顾底层空间细节与高层语义信息协同建模的问题，提出了基于异构特征递进融合的超分辨率重构网络.该网络逐层交替进行异构特征提取与融合，充分利用各层次信息，设计的轻量自适应特征融合模块，利用可学习的动态权重实现异构特征自适应选择式融合.本文进一步设计了多分辨率协同上下文聚合模块，构建大、中、小不同分辨率特征的多路径分支网络，通过跨分辨率信息交互，捕获上下文信息.其中，提出的渐进式三重感知残差块通过“局部-全局-通道”策略增强特征感知能力与灵活性，跨分辨率反向投影融合模块构建可学习的差分-投影架构，实现跨分辨率特征图的动态信息互补与闭环交互.实验结果表明，同当前先进的同类方法比，该方法在多个数据集上的取得最佳重构效果.

摘要：针对复杂任务环境下异构多智能体的多目标优化调度中存在的动态不确定性等问题,本文提出了一种自适应深度图神经网络（Adaptive Dynamic Graph Neural Network, AD-GNN）与仿生算法融合的任务分配方法,首先通过构建自适应深度图神经网络,依据任务图复杂度动态调整网络结构,实现对异构多智能体与任务节点间复杂关系的高效建模；其次引入仿生优化机制,模拟自然进化与群体协作过程,增强系统在动态干扰下的鲁棒性与全局寻优能力,从而形成具备环境自适应的智能决策框架.最后仿真实验结果表明,在动态环境下,本文所提出的方法在任务完成时间、系统能耗、动态任务覆盖率上均表现优异,能够有效应对动态不确定环境下的异构智能体任务分配问题,显著提升系统在实时决策、协同效率与环境适应性方面的综合性能.

摘要：多模态多目标优化(MMOP)作为多目标优化领域的一大挑战,要求算法不仅在目标空间获得高质量的帕累托解,还要在决策空间捕捉多个结构明显不同但等效的解.在这种双重需求下,目标空间强收敛性易掩盖决策空间多样性,导致解集结构单一化;与此同时,种群间交互的强弱失衡又分别引发种群同质化或协同失效等问题.MMOP已成为制约复杂系统优化性能的关键瓶颈.为此,本文提出一种基于增强弱交互与Lennard-Jones(LJ)势能引导机制的双种群协同进化算法.该算法首先构建一种非对称信息交换机制,在交配与子代生成阶段由收敛性种群向多样性种群建立精英引导路径,有效兼顾多样性保持与进化效率.其次,环境选择策略由并行改为串行,强化种群异质性,减少对额外多样性策略的依赖,提升稳定性与鲁棒性.为提升种群在不同演化阶段的收敛性与多样性,设计了一种基于LJ势能模型的自适应候选解选择策略,重新量化其交互权重,该策略有效实现了探索与开发的动态平衡.在多个典型MMOP测试函数上的实验结果表明,所提算法在解集多样性、帕累托逼近质量和优化效率方面均优于主流方法,展现出良好的泛化能力与工程应用潜力.

摘要：随着全球化和数字化转型而不断演变发展，矩阵组织人力资源调度问题成为组织在战略目标指导下，应对环境复杂性挑战的重要方式。然而，矩阵组织架构复杂，层级关系交织繁杂，且人员流动呈现多元化的特征，对组织人力资源调度带来巨大挑战。为实现矩阵组织人力资源的科学化与合理化，本文主要开展矩阵组织人力资源调度多目标优化模型与算法研究。首先，引入复杂网络理论，以流动网络的形式对矩阵组织结构编制和成员流动情况进行系统性表示，构建了矩阵组织人力资源流动网络多目标优化模型。其次，针对传统多目标优化算法在处理复杂问题时收敛效率不足、Pareto前沿分布均匀性欠佳问题，本研究提出了一种基于算子自适应选择的改进型第二代非支配排序遗传算法（AOS-NSGA-II），通过深度强化学习中深度Q网络（DQN）方法为每一代种群动态选取合适的交叉算子。最后，通过将AOS-NSGA-II算法与其他经典多目标优化算法进行对比，验证该算法具有优秀的求解性能，可为矩阵组织人力资源调度问题提供科学的决策依据。

摘要：为确保跨介质飞行过程的平稳性, 设计一种纵列式双旋翼跨介质无人机的切换控制方法. 该跨介质无人机在空中和水下采用两种不同的执行机构, 并且空中存在欠驱动特性, 给跨介质无人机出入水的平稳控制带来了巨大的挑战. 通过牛顿-欧拉方法, 给出了一种新型纵列式双旋翼跨介质无人机在不同介质中的动力学模型. 考虑在不同飞行阶段执行机构的切换, 基于自适应超螺旋滑模方法, 提出了一种新型的跨介质无人机姿态和高度的切换控制策略, 并设计合适的切换规则以确定控制器的切换时机. 利用李雅普诺夫稳定性理论,证明了闭环系统的渐近稳定性. 最后, 通过纵列式双旋翼跨介质无人机垂直出入水的仿真对所提控制方法进行了测试, 仿真结果验证了所设计控制器的有效性和鲁棒性.

摘要：针对多变量时滞阻尼累加灰色模型(TLDAGM(1,N))建模机理不明确、非线性特征挖掘不充分以及存在转换误差等问题, 本文提出一种多变量阻尼累加非线性时滞离散灰色模型. 首先, 引入线性和非线性校正项拓展模型灰信息结构, 不仅增强了对数据非线性特征的挖掘能力, 又实现了与经典GM(1,1)模型的兼容性; 其次, 通过数值积分有效避免了原模型中将时间驱动项视为灰常量以及对导数项的近似处理所引起的建模误差; 最后, 结合离散灰色建模的思想, 有效消除了微分方程到差分方程的转换误差. 选取近年来上海市高新技术产业产值数据进行实证分析, 并利用量子粒子群优化算法寻求模型的最优参数. 结果表明, 新模型的拟合和预测精度均优于TLDAGM(1,N)模型及其他几种多变量灰色模型, 且展现出良好的稳定性.

摘要：本文研究了系统状态不完全可测且存在外界干扰情况下Markov跳变离散时间硅单晶生长系统的有限时间$H_{\infty}$控制问题. 充分考虑硅单晶生长过程由于干扰、建模误差、测量噪声诱导的随机因素, 建立基于Markov跳变离散时间硅单晶生长系统模型. 结合实际硅单晶生长过程测量输出信息, 构造状态观测器和 控制器. 根据Markov跳变理论和有限时间$H_{\infty}$控制理论得到闭环离散时间硅单晶生长系统有限时间有界且满足相应$H_{\infty}$性能的充分条件, 运用线性矩阵不等式(LMI)技术给出控制器和观测器增益的求解方法. 最后, 通过实际硅单晶生长系统模型参数验证本文控制方案的有效性.

摘要：在人体关节角度预测中,单传感器获取信息太过局限且易受环境干扰影响.而基于多传感器的关节角度预测研究中,由于输入数据维度升高,传统的融合方式存在特征利用率不足的缺陷,将导致预测精度下降.为准确获取运动功能障碍患者佩戴外骨骼康复过程中的运动状态,本文提出基于多模态数据融合的康复机器人关节角度预测方法.首先,设计了多通道高分辨率网络结构使其适用于人体三维姿态特征提取任务,同时利用卷积神经网络提取足底压力特征.然后,基于长短期记忆网络获取特征在时域上的关联性.接着,构建了带注意力机制的多模态特征融合网络用于人体关节角度预测.考虑主被动康复训练场景,设计并搭建多源数据采集与处理功能的下肢康复外骨骼机器人平台.在低、中、高三组速度下的实验结果表明,所提算法在自建数据集上的评价指标RMSE为0.039,较传统步态预测方法提升38%以上.评价指标R2为0.948,较传统步态预测方法提升17%以上.

摘要：近年来,图卷积网络在人体骨架行为识别领域展现卓越性能.针对现有基于图卷积的方法存在节点复杂相关性建模的局限,以及模态间互补信息利用不足的问题.为此,本文提出一种多语义动态图卷积网络(MSD-GCN).该网络为关节-骨骼融合双流架构,并行处理关节与骨骼模态数据.双流网络由多个多语义动态图卷积算子(MSD-GC)、多尺度时间卷积算子(MS-TC)和关节-骨骼跨模态对比学习模块(JB-CMCL)组成.具体而言,MSD-GC算子通过语义感知分层图(SH-Graph)重构高语义粒度分区,并行执行跨语义空间建模模块(CSSM)捕获全局关节相关性,以及局部几何建模模块(LGM)捕捉细微运动特征,实现多尺度动态特征提取.JB-CMCL则通过跨模态特征对齐和混淆样本辨别机制,引导双流网络中关节与骨骼模态的特征融合与增强,提升模型细粒度识别能力.在NTU RGB+D、 NTU RGB+D 120和Northwestern-UCLA 数据集进行广泛的实验.结果表明,所提出的组件与整体网络具有极强的性能,能够较好地识别混淆动作.与最先进的方法相比,该模型具有极强的竞争力.

摘要：针对动态非结构化环境中移动机器人感知不确定性与策略泛化能力不足的挑战，本文提出一种基于非对称强化学习的鲁棒自主导航策略优化框架（Robust Asymmetric Navigation, RANav）。该方法融合隐式环境估计、域随机化与非对称强化学习机制，提升机器人对动态环境的建模与决策能力。首先，构建多模态融合的隐式环境估计网络，以精确提取动态障碍物特征并提升场景表征能力；其次，引入基于行为域随机化机制，提升策略的Sim-to-Real迁移能力；最后，采用非对称近端策略优化（PPO）算法，利用特权信息优化Critic网络以提升策略学习效率。在多组仿真与真实场景实验中，RANav在导航成功率、避障鲁棒性与路径效率方面均显著优于现有方法，充分验证其在复杂非结构环境中的鲁棒泛化能力与实际部署潜力。

摘要：机械臂中柔性关节特性以及电机端模型参数未知等使得控制器设计较为复杂. 传统自适应控制方法通常要求满足持续激励条件(PE)以准确估计模型未知参数, 但该条件在实际应用中难以满足. 为此, 提出基于有限激励(FE)的预设时间自适应控制方法. 通过设计多个低通滤波器对系统信号进行多重滤波操作提升系统的激励性, 放宽了对PE条件的依赖. 结合反步法和动态面控制(DSC), 设计了预设时间收敛的自适应控制策略. 所提方法通过引入时变增益, 确保系统的跟踪误差和参数估计误差在预设时间内收敛到任意小的集合内. 仿真和实验结果表明, 该方法在有限激励条件下能够显著提高柔性关节机械臂的控制性能和鲁棒性.

摘要：针对复杂网络中社区边界模糊、结构不均衡以及局部信息缺失等因素对社区检测准确性与鲁棒性带来的挑战, 本文提出一种基于弱边识别与有向传播机制的社区检测算法 (Community Detection algorithm based on Weak edge identification and Directed propagation mechanism, CDWD). 该算法首先识别并剔除基于最少共同邻居准则的弱边, 使潜在社区边界得以显现, 每个连通子图由此形成初始社区结构; 接着, 进一步构建有向影响图, 通过局部相似性强化社区内部的结构联系, 提升信息传递的方向性与一致性; 最后, 依据节点与候选社区之间的拓扑关联强度, 动态判定其最优归属, 确保社区划分的完整性与合理性. 实验结果表明, CDWD 在多个真实网络、合成网络及由聚类数据集构建的图结构上均优于主流基线算法. 同时, 算法参数方便设置, 便于实际应用.

摘要：物流配送效率及其成本优化是制造业供应链管理的核心挑战之一, 相关问题常建模为车辆路径规划问 题. 易碎家电等货物在物流运输中无法堆叠, 需在车厢中平铺, 针对这一实际约束, 考虑在传统车辆路径规划模 型基础上增加货物的二维装载约束, 形成带有二维装箱约束的车辆路径问题 (Capacitated Vehicle Routing Problem with Two-Dimensional Loading Constraints, 2L-CVRP). 该问题包含路径规划与二维装箱两个子问题, 存在强约束、 多极组合优化的特性. 传统精确算法及启发式方法在其大规模问题求解上存在耗时长、效率低的局限, 难以应对 客户位置、需求即时变化的动态需求. 针对上述快速求解挑战, 本文设计了一种基于强化学习及变邻域搜索协同 的知识驱动强化学习求解算法, 优化 2L-CVRP 的车辆行驶距离. 首先, 以车辆行驶距离为奖励设计基于注意力机 制与指针网络的 Actor-Critic 强化学习框架. 在此框架下采用多种启发式算法协同处理装箱约束, 改进不可行解, 生成车辆初始路径. 在此基础上, 设计了一种高效的问题知识驱动的变邻域搜索策略, 改进端到端网络得到的初 始路径序列. 仿真实验方面, 本文基于经典 2L-CVRP 测试集验证所提算法的有效性. 仿真实验表明, 相比经典启 发式方法, 所提算法在小规模实例上车辆行驶距离减少 21.52%, 并更新了 50% 的大规模实例最优解. 同时, 本文 所提算法的求解速度显著优于对比算法, 大规模测例中求解效率优势更加明显, 验证了所提算法求解 2L-CVRP 的高效性.

摘要：基于深度学习的复杂场景下小目标火灾检测方法主要面临两方面挑战. 其一, 在复杂场景中采集小目标火灾视频图像成本高昂且难度颇大, 进而导致模型的泛化能力和鲁棒性受到限制. 其二, 复杂场景下小目标火灾检测容易受到火灾尺度、场景类型、光照条件等复杂因素影响, 进而导致检测精度不高. 针对上述问题, 本文提出了一种基于S-PGA-YOLOv12的复杂场景下小目标火灾检测模型. 首先, 本文方法融合了用于突出小目标关键信息的PPA模块、用于平衡速度与精度的Gold模块、用于通过自适应学习不同尺度特征图的空间融合权重的小目标检测头(Detect-ASFF)模块. 其次, 针对复杂场景下小目标火灾图像采集成本高昂、难度颇大等问题, 本文提出了一种基于模拟仿真(Simulation technology)的复杂场景下小目标火灾数据集构建方法. 最后, 本文基于模拟仿真构建的复杂场景小目标火灾数据集, 对提出的S-PGA-YOLOv12模型进行训练与验证, 通过消融实验、对比实验、以及鲁棒性和泛化性分析验证本文模型的有效性. 在本文构建的三个数据集上的进行大量实验,表明了所提出方法的有效性和优越性.

摘要：针对单一传感器SLAM技术在退化环境下定位精度低、地图漂移和可靠性差等问题，本文提出一种基于R3LIVE框架的多传感器融合的SLAM算法RMF-SLAM（Refined Multi-modal Fusion SLAM）。首先，设计一种随机过程增强的运动学模型，将IMU测量作为输出建模，该方法即使在IMU测量运动饱和的情况下，也能对激烈运动进行准确定位和可靠映射；其次，构建一种基于Hessian矩阵特征值退化判别的LiDAR和视觉退化感知模块，该模块通过实时评估系统状态和传感器可靠性来动态调整不同传感器信息权重比例和筛选高价值视觉观测帧，在视觉和LiDAR均极度退化时，系统沉睡当前地图，防止定位失败，当传感器再次正常工作时重新激活沉睡地图；最后，提出一种采用全局描述符对地图进行相似性检测的方法，将相应的睡眠地图集成到当前活跃地图中，从而在系统运行完成后形成高度精确的全局地图。通过在公开数据集与经典的SLAM算法进行对比，并在私有数据集及真实场景中验证算法能有效抑制退化环境对轨迹估计和地图构建的负面影响，提升算法的精度和可靠性。

摘要：为提升机器人在非结构化堆叠场景中的抓取识别精度与执行稳定性，本文提出一种融合几何先验建模与姿态质量评估机制的六自由度抓取预测算法。首先，构建点云识别网络 Point-LaKan，通过增强输入点云的局部几何特征，设计由局部聚合模块与高维非线性映射模块构成的LAKAN特征提取结构，提升对堆叠抓取区域的结构表征能力。其次，设计方向向量约束下的抓取姿态估计策略，通过最小化初始与目标姿态间的空间差异，提升姿态生成的可执行性与可解释性。最后，构建融合方向约束、碰撞检测与质心评分的抓取姿态筛选机制，实现候选姿态的多因素评估与排序，增强算法在复杂环境下的执行鲁棒性。为验证算法性能，自主构建多类别堆叠物体仿真点云抓取数据集，分别在CoppeliaSim仿真平台与真实机器人系统中开展实验。结果表明，在模型参数量减少 4.69%、推理速度提升 37.19% 的条件下，抓取区域识别准确率提升了 25.26%；真实抓取成功率与任务完成率最高可提升29.40%与18.39%。

摘要：安全库存是核心制造企业主导的库存管理关键环节.然而，现有安全库存模型难以有效应对故障工单数据的间歇性分布特性，导致面对较大需求波动或随机失效等不确定性场景时难以获得合理的库存决策.为此，本文提出了一种融合间歇性配件需求预测的动态安全库存模型.首先，提出一种基于贝叶斯图神经网络的多变量间歇性时间序列预测方法，通过图结构提取序列之间的结构化信息，并引入贝叶斯网络评估配件需求序列自身的不确定性，以实现间歇性时间序列的置信区间预测;其次，基于典型三级仓储架构，建立一个最小化呆滞库存成本和缺货成本的多目标安全库存优化模型，得到基础安全库存值，并与需求预测区间融合，得到动态的安全库存上下限值.最后，采用国内某大型轨道交通制造企业的实际配件需求数据进行验证.实验结果表明，本文模型不仅有效预测了间歇性配件数据的需求走势，更实现库存周转率和覆盖度的同时提升，由此揭示了精准的需求预测是提升安全库存效果的关键.

摘要：在高维多目标优化算法中,维持收敛性和多样性的平衡对算法性能尤为关键.然而,单一的支配关系难以有效维持二者的平衡.为此,提出一种基于适应性支配策略的高维多目标进化算法ADSMOEA.适应性支配策略通过融合两种在收敛性和多样性上互补的支配关系,并根据种群当前的状态选择合适的支配关系,从而维持二者的平衡.同时,为了准确评估种群的收敛状态,设计了一种角度收敛指标,通过引入目标向量夹角信息提高了种群收敛性评价的准确性,为支配关系的选择提供指导.此外,设计了一种适应性的多样性算子以维持种群的多样性.为了验证ADSMOEA的有效性,将所提出的算法与7个先进算法进行了对比实验.实验结果表明,所提出的ADSMOEA算法在解决高维多目标优化问题时具有较强的竞争力.

摘要：控制图的设计中常常假定受控过程均值和方差固定不变. 而实际中它们可能会随着时间变化, 如病人体内血液化学成分的含量. 过程失控后, 过程均值和方差的漂移方向和大小常常未知. 传统控制图无法对以上情形下的过程实现有效监控. 对此, 文章考虑对变异系数平方做一对数正态变换, 设计一种监控过程变异系数的双侧自适应EWMA~(AEWMA)~控制图. 随后，文章讨论参数对所提控制图的影响及与已有控制图间的失控性能比较. 比较结果显示, 所提控制图仅优于部分已有控制图. 为提高所提控制图发现过程失控的能力, 文章将变样本容量融入控制图设计中, 提出一种监控过程变异系数的VSS AEWMA控制图, 并比较与已有控制图间的失控性能表现. 结果表明, 所提VSS AEWMA控制图表现最优.

摘要：本文针对连续制药流程中的多工况、非平稳及变量间强耦合等复杂特性，提出了一种数据驱动异常监测溯源方法。该方法结合狄利克雷过程高斯混合模型（Dirichlet Process Gaussian Mixture Model, DPGMM）、变分自动编码器（Variational Autoencoder，VAE）与协整分析（Cointegration Analysis, CA）等方法的优势，旨在实现对连续制药流程的高效异常监测及溯源。首先，框架以DPGMM为工况识别的核心手段，有效解决了连续制药流程中相似工况难以区分的问题。其次，针对连续制药流程的非平稳特性及闭环控制对其变量间相关关系带来的影响，提出了融合 CA 与 VAE 的过程监测方法，有效减少了误报，提高了异常监测的准确性和可靠性。同时，通过重构数据集与绘制贡献图的方式实现了异常变量的精确定位，克服了变量间的“污染”现象。最后，通过药物连续给料-混合-双螺杆湿法制粒过程的仿真案例研究，验证了本文方法的可行性与有效性。

摘要：锂电池健康状态估计作为现代能源存储技术的核心，广泛应用于电动汽车、移动设备等领域。随着使用时间的增长其性能衰减问题逐渐显现，这不仅会影响电池的存储能力，还可能引发安全隐患，因此，准确估计锂电池的健康状态显得尤为重要。经验模型是锂电池退化理论中常用的解决方法。经验模型中的双指数模型可演化推导出幂指数驱动的灰色GM(1,1,e^{lambda t})模型。在GM(1,1,e^{lambda t})模型的基础上建立状态空间模型，融合扩展卡尔曼滤波模型形成灰色扩展卡尔曼滤波模型。将所提出的灰色扩展卡尔曼滤波模型用于锂电池健康状态非线性退化估计问题。 本研究内容采用牛津大学公开的单体电池数据进行了验证，在单个电池的基础上，我们将所提出的模型用于估算 20 辆电动汽车的锂电池健康状态，以进一步验证所提出的模型在实际场景中的适用性。

摘要：微小故障的早期识别对生产安全与产品品质至关重要，但其信号微弱、易受噪声干扰、难以人工检测，导致传统诊断方法难以有效应对。针对这一难题，本文提出了一种基于多源特征融合的工业过程微小故障智能诊断方法。该方法首先采用格拉姆角场（Gramian Angular Field, GAF）技术在每一时刻将多维传感器数据组合成一维向量并生成对应的 GASF 图像，以充分挖掘数据的空间结构特征，再借助图卷积网络（Graph Convolutional Network, GCN）对其进行深层次空间特征提取。同时，利用门控循环单元（Gated Recurrent Unit, GRU）对原始时序信号进行特征提取，获取其时间演化规律。随后，通过多头注意力机制对空间和时序两路特征进行加权融合，进一步强化关键故障信息的表达能力，抑制冗余噪声。最终，融合特征被输入至分类器，实现微小故障类型的精准识别。本文通过直拉（Czochralski, CZ) 法硅单晶生长过程对所提算法的有效性进行了验证。结果表明，所提 GCN-GRU-A 模型在多项关键指标上均优于传统单一特征建模方法，显著提升了微小故障的检测灵敏度和诊断鲁棒性。

摘要：面向智能制造环境中物流与生产深度融合的复杂调度需求，本文提出一种集成自动导引车（AGV）调度与柔性作业车间排程的协同优化方法.构建同时考虑工件加工路径选择、机床分配与AGV运输任务调度的混合整数线性规划模型，涵盖运输时间、AGV数量限制、作业顺序约束与资源可用性等多种实际因素.针对问题求解的复杂性，设计融合遗传算法与改进变邻域搜索策略的混合智能算法（GAIVNS），有效提升求解精度、稳定性与全局寻优能力.通过新能源汽车总装工厂场景下的仿真实验，实验数据证明，所提模型与算法在任务完成时间、设备利用率与调度稳定性方面均显著优于现有方法，具体表现为：所提算法平均相对百分比偏差低至0.7%，显著优于对比算法LAHC（2.9%）和IGA（47.7%）.结果表明，本研究为智能制造系统中的多资源协同调度提供了一种高效、可靠且可行的解决方案，具有良好的工程应用前景与推广价值.

摘要：基于声信号的漏损检测方法在人工巡检中具有重要应用价值,并正逐步发展为一种新兴的远程监测手段.传统基于深度学习的漏损声信号识别方法往往受到信号预处理流程繁琐以及环境噪声干扰的限制,难以在新管网中实现良好的泛化性能,漏损检测的准确率亦有待进一步提升.针对此问题,首先针对管网声信号构建高时间分辨率和高频率分辨率下的线性谱图与对数梅尔谱图,兼顾声信号的高频与低频特征,突出短时动态变化及微弱频率特征,并以并行方式输入到卷积神经网络.最后引入并行机制的时-频注意力卷积块进行特征提取,增强对时间和频率维度的细粒度特征捕捉能力.利用真实管网声信号数据和物理仿真数据对所提方法进行漏损检测性能实验验证,结果表明,所提方法显著提高了对漏损事件的识别率,具有良好的鲁棒性和泛化能力.

摘要：多保真高斯过程回归在应用于复杂工程系统分析时，处理高维输入易因维度灾难导致模型精度下降。现有缓解策略存在优化不稳定、特征表示不佳等局限性。针对这一问题，提出一种集成深度特征多保真高斯过程回归方法。利用集成深度神经网络将高维输入自适应地映射至低维潜在特征空间，提升表示的鲁棒性。采用梯度隔离与两阶段训练策略，将基于低保真数据的特征提取器预训练过程同后续基于固定特征的多保真高斯过程回归模型构建过程解耦，规避深度融合模型端到端优化带来的不稳定性，确保训练过程稳健高效。最后通过高维测试函数的仿真验证了方法的有效性，使用装备射程优化案例研究展示了其解决实际工程问题的应用潜力。

摘要：快速搜索密度峰值的时空聚类算法计算局部密度时，难以区分所在区域的密度差异，易引发类簇中心的选择错误；分配策略缺乏足够的时空约束，易将时间特征差异明显但空间位置相近的非密度峰值错误分配；缺乏独立的噪声识别机制，其检测效能完全依赖样本分配的准确性，样本分配偏差致噪声识别精度显著降低。针对这些挑战，提出一种共享近邻加权和隶属点分配的时空密度峰值聚类(SNMP-STDPC)算法。引入共享近邻加权策略，构建时空距离相似度矩阵，精确反映样本间的密度差异，有效提升了密度峰值选择的可靠性；结合共享近邻增强时空约束，将非密度峰值分为必然隶属点和可能隶属点，确保了样本分配的准确性；提出一种新的噪声识别机制，计算样本的异常分数并使用动态阈值检测噪声，提高了噪声识别的有效性。将SNMP-STDPC算法与当前主流时空聚类方法在模拟数据集和实际地震观测数据上进行比较，实验结果表明，SNMP-STDPC算法显著提升了模拟数据集的聚类效果，并在真实数据集上表现良好。

摘要：煤气化过程具有强非线性、强耦合以及多目标冲突等特点，传统基于机理模型的操作优化方法难以达到高效且稳健的效果。晋华炉作为我国煤气化工艺中应用广泛的典型炉型，其运行优化亟需智能化建模与决策支持。本文提出了一种基于双通道卷积-长短期记忆网络-注意力机制（CNN-LSTM-Attention）预测模型的晋华炉操作优化方法。预测模型使用双通道结构融合工艺特征与历史序列信息，并利用层次化注意力机制提升关键特征的表达能力。在氢气、一氧化碳比例预测任务中，所构建的双通道 CNN-LSTM-Attention 模型分别取得了0.9322和0.9637的判定系数，显示出良好的精度和鲁棒性。在此基础上，结合粒子群优化算法，将预测模型作为代理模型对关键操作变量进行智能寻优。实验结果表明，优化方案较原始工况下氢气比例提高1.22%，一氧化碳比例提高1.51%，总体有效气含量提升1.38%。该研究为晋华炉气化过程的智能建模与工况优化提供了有效支撑，对煤气化典型炉型的高效运行具有重要参考价值。

摘要：无人机在成像侦察领域的应用是提升战场侦察效能的重要手段。本文研究了一种多无人机协同的点与区域目标联合成像侦察任务规划问题，其中区域侦察任务可由多架性能各异的无人机联盟协同侦察。为此，建立以最小化侦察任务执行时间和侦察失败任务数量为优化目标的混合整数规划模型，重点考虑了机载成像设备能力、侦察任务成像质量要求以及时间窗等多重约束，提出了一种领域知识驱动的多无人机协同侦察任务规划方法求解。首先，根据解空间结构重塑问题理解，将原问题分解成多机任务分配和单机任务规划两阶段求解。为加快算法求解，依据问题特征设计基于最优联盟的多机任务分配算法和联盟优先的单机任务调度算法产生高质量的初始解；在迭代优化阶段，从最优性条件出发，设计4种问题领域知识驱动的多机任务调整因子与包含4种特殊邻域结构的改进变邻域下降算法，往最优解方向搜索高质量多机任务分配方案与单机任务调度方案。最后，通过大量仿真实验验证了所提方法在优化任务完成率与侦察任务执行时间上的优势。此外，通过一系列敏感性分析识别了点/区域侦察任务比例、无人机数量与成像传感器能力等三个关键因素对结果的影响。

摘要：在城市物流配送行业中，配送时间需求的变化直接干扰配送方案的制定，影响配送效率，给高效寻找车辆路径方案带来了挑战。针对这一挑战，本文提出了考虑动态配送时间需求的多策略协同车辆路径优化算法，首先，构建了一个动态车辆路径优化模型，根据配送时间需求变化带来的影响设计约束条件，将最短行驶距离、最小等待时间和最少车辆使用数作为优化目标；其次，定性分析配送时间需求的变化类型，定量描述配送时间需求变化强度，设计需求变化连锁影响因子，研究动态配送时间需求综合评价指标；最后，构建差分进化算法进化策略库，根据配送时间需求的变化类型和时间需求综合评价指标，筛选重点优化客户，设计多策略协同车辆路径优化算法。实验结果表明，该方法能够定性分析和定量表征客户配送时间需求的变化，显著降低配送时间需求变化对配送方案的影响，提升车辆路径优化效率。

摘要：近年来，复杂海洋环境下多无人艇（USV）系统的路径跟踪与编队控制受到广泛关注。现有研究虽在LOS导引、人工势场与扰动补偿方面取得一定进展，但仍存在固定视距导致收敛不稳定、斥力突变与局部极小，以及风浪扰动建模简化等问题。针对这些不足，本文提出一种融合自适应LOS、改进人工势场与风浪扰动补偿的双层协同控制策略，实现路径跟踪、动态编队与避障控制的协同优化。运动学层采用横向误差驱动的自适应LOS导引律提升路径平滑性，动力学层融合扰动补偿与改进势场实现鲁棒控制。基于Lyapunov理论，证明系统在复合扰动下满足输入-状态稳定性（ISS）。本文以横向误差进入±0.1m区间作为收敛判据,结果表明，相比于传统 LOS 算法，所提LOS算法实现了全部无人艇的有效收敛，显著提升了系统的编队稳定性与收敛性，验证了控制器的有效性与工程可行性。

摘要：针对多四旋翼无人机系统编队控制问题，本文提出了一种基于事件触发机制的双层串联博弈编队控制算法。该算法将多四旋翼无人机编队任务解构为期望队形构建与虚拟领导者追踪两个子任务，并以此设计多场博弈对局，构建了双层串联博弈框架。首先,在第一层博弈中具备通信能力的四旋翼无人机对通过在两场对局中的博弈交互，求解出可使双方位置与速度达到纳什均衡状态的位置策略与速度策略。其次，每架四旋翼无人机对第一层博弈中与多架四旋翼无人机对局产生的两组策略进行加权处理，生成作为第二层博弈参与变量的两个控制策略。进一步围绕各四旋翼无人机的位置误差与速度误差构建第二层博弈中的对局模型，通过博弈优化过程确定最佳增益系数，进而获取使位置误差与速度误差达到纳什均衡的最优控制策略。此外，引入事件触发机制，通过设计触发条件动态调整控制策略更新频率，降低对四旋翼无人机有限机载资源的消耗。最后，通过仿真实验与实际平台测试验证了本文算法在多四旋翼无人机编队控制中的有效性与可行性。

摘要：同时定位与地图构建（Simultaneous Localization And Mapping, SLAM）是移动机器人自主导航系统的关键技术之一。传统的SLAM算法通常基于静态环境的假设，而机器人的实际应用环境通常为复杂的动态场景，此时传统算法往往会失效。针对动态场景下运动物体的干扰导致多机器人系统定位与建图精度下降的问题，本文提出一种利用动态特征信息的多机器人协同SLAM算法。该算法利用机器人间互相观测和不同机器人对同一动态特征的观测来构建新的跨机器人约束，基于里程计测量、特征观测、机器人间互相观测和动态物体数据关联构建协同因子图优化问题并进行求解。通过多约束耦合优化，提升了多机器人系统状态估计的准确性。最后，通过模拟动态场景实验和机器人实验平台验证了算法在动态场景下的有效性。

摘要：可重入混合流水车间调度问题的能耗优化是可持续制造领域的关键挑战.本文构建了以最小化完工时间和总能耗为双目标的混合整数线性规划模型，进而设计了聚类和熵引导的无监督学习多目标进化算法(CEUL-MOEA).该算法建立了探索–开发双种群协同进化框架，采用双编解码规则和多样化启发式方法初始开发种群和探索种群，其中开发种群采用目标导向破坏重构策略提升局部搜索精度，探索种群引入协同进化交叉策略增强种群多样性.进一步融合无监督学习技术提出聚类和熵引导的邻域搜索策略，有效克服了传统邻域扰动的随意性与盲目性；同时提出右移节能策略，在保持完工时间不变前提下显著降低空闲能耗.最终，基于275组算例的实验结果表明：CEUL-MOEA在收敛速度和解集分布性方面（GD和IGD指标平均降低89%，HV指标平均提高56%）均显著优于主流对比算法.

摘要：针对分级诊疗在线协诊三边匹配问题，本文提出了基于云模型的三边匹配决策方法，以满足医联体背景下分级诊疗在线协诊匹配的服务需求. 首先，利用BERTopic、Stanza和Textlob处理好大夫在线评论信息，获取患者对基层医生客观的匹配属性，并结合属性的偏好信息确定相应权重；其次，本文构建了多粒度概率语言非对称云模型以及相应的概率语言非对称云Bonferroin Mean聚合算子；再次，考虑基层医生和专家间的协同性、医生间的工作量均衡性以及医患匹配的稳定性等因素，构建了相应的三边稳定匹配决策优化模型，并给出了求解算法；最后，结合实际案例、灵敏度分析与比较分析验证了所提方法的可行性和稳定性，为分级诊疗在线医疗的三边匹配决策问题提供理论支撑.

摘要：现代战场环境下的动态传感器-武器-目标分配(Sensor-Weapon-Target Assignment, SWTA)问题具有高动态、强对抗的特点, 传统静态分配方法难以适应战场态势的快速演化, 存在求解效率低、环境适应性差等局限. 本文提出一种基于近端策略优化(Proximal Policy Optimization, PPO)的动态SWTA方法, 融合OODA(观察-判断-决策-行动)循环理论, 构建符合实际作战场景的传感器探测概率模型与武器毁伤概率模型. 通过强化学习框架下的PPO算法, 采用Actor-Critic架构实现智能体与环境的持续交互与策略优化, 在动态决策过程中统筹作战效能与资源消耗. 实验结果表明, 该方法在多种弹药目标比场景下均表现出优越性能, 显著提升了系统整体作战效能与资源利用率. 本文所提方法为动态SWTA问题提供了一种高效、自适应的智能决策框架, 推动了动态决策的智能化进程, 具备较强的实际应用潜力.

摘要：针对传统节能策略难以解决空调水系统中设备间存在的非线性耦合关系而导致系统易陷入局部最优的问题，本文提出一种改进蜉蝣算法（IMA）以实现空调水系统的全局节能优化。该算法以系统总能耗最低为目标，在保证空调末端冷负荷供应充足的前提下，通过优化空调水系统内所有设备的运行参数，显著提升能源利用效率。首先该算法采用改进的Circle混沌映射进行寻优效率更高的种群初始化，其次结合穷举法优化离散决策变量缩短优化时间，最后引入动态惯性权重机制以兼顾算法全局和局部间的平衡，从而有效提高优化效率。实验结果表明IMA使实际商业建筑空调水系统总能耗降低8.1%，节能效果显著，并且该算法在15次迭代内即可完成收敛，大幅缩短了优化时间。由此可见，本文所提出的IMA模型能够有效解决空调水系统节能优化问题，为实际工程应用提供了新的解决方案。

摘要：针对现有不完备多视图聚类算法在恢复缺失数据时未保留原始结构, 无法准确捕获多视图数据中局部结构和高阶信息等问题, 本文提出基于多源信息重构视图的不完备多视图自表示聚类算法. 该算法首先利用多源信息重构反映原始数据结构特征的视图, 随后基于重构的视图, 算法采用一种结合稀疏约束与局部结构捕获的正则化方法, 并引入加权张量Schatten-p范数以动态控制不同奇异值的贡献, 从而有效学习各视图的高质量自表示矩阵. 与9个先进的基线算法在3个真实和4个仿真不完备数据集上的实验结果表明, 本文算法在大多数情况下显著优于基线算法.

摘要：为了在去中心化联邦学习场景中实现隐私保护与半监督训练的高效协同，本文提出了一种面向去中心化的零知识联邦半监督学习算法。具体地，该算法首先设计了一种反映本地数据特征的零知识特征码，通过融合Pedersen承诺与Schnorr证明，该特征码在实现客户端特征共享的同时，可保障本地数据不可恢复性与交换过程的合法性验证。其次，设计了一种高效的去中心化零知识标签传播方法，利用特征码之间的相似度引导伪标签生成，在保护隐私的前提下实现高效的标签信息传播，并通过复杂度分析验证了其计算开销显著低于同态加密方案。最后，在多个数据集上的实验证明，本文算法在不同数据分布与无标签数据配置下均优于现有基准方法，在准确率与鲁棒性方面具有显著提升。同时，通过可变聚类核心数量与网络拓扑结构的实验分析，进一步验证了聚类核心数量对性能的影响，以及算法在不同去中心化设置中的稳健性与实用性。

摘要：多电机协同控制系统的跟踪性能和同步性能是评估工业过程中安全性和可靠性的关键指标, 本研究旨在通过创新性地设计基于预设时间滑模控制方法的改进跟踪算法, 在动态不确定条件下实现多电机系统的高精度跟踪控制与同步误差最小化. 首先, 设计预设时间滑模控制器(Prescribed-time sliding model controller) 使综合误差在预设时间内收敛到零邻域, 同时设计了非线性干扰观测器(Nonlinear disturbance observer)观测系统扰动并前馈给控制器. 为了解决奇异性问题, 使用控制律切换方法使系统稳定后的控制器将不再依赖时间. 最后通过仿真和实验对比验证了该方法能够有效实现多电机系统的协同跟踪一致性.

摘要：在工业物联网数据异质性场景中，现有的联邦学习方案存在通信不稳定及无关模型聚合导致的负面影响问题。本文提出了面向工业物联网的个性化联邦学习“云-边-端”分层架构FEDI，并设计了基于相似度聚类的个性化联邦学习PFedSA算法。在模型更新机制上，该算法利用余弦相似度维护关系矩阵，自适应选取具有高相似参数的个性化云模型进行下载；在模型聚合策略上，动态计算权重并引入正则化，以此聚合更新局部模型。在MNIST、FMNIST和CIFAR10三个数据集上，与FedAvg等8种算法进行对比实验与分析，实验结果表明：（1）准确率方面，PFedSA算法在病态Non-IID等三种经典场景下精度最优(最高可达99.78%)或接近最高精度；（2）通信效率方面，PFedSA算法借助相似度聚类机制加快模型收敛至目标精度，单轮计算时间较FedRep减少；（3）超参数影响方面，PFedSA算法对设备掉线率的鲁棒性更好，对数据异质性的适应性更强，能有效提升模型个性化性能。

摘要：在医疗领域向数据驱动转型的进程中,疾病诊断面临多模态数据融合与不确定决策的难题.对此,提出一种融合邻域粗糙集与模拟退火算法(SA)的自适应阈值优化多模态三支决策模型.首先,定义多模态混合决策信息系统,结合模态感知的属性邻域划分实现多模态数据统一表征.其次,通过信息增益驱动的客观赋权方法刻画属性权重,并结合跨模态加权融合机制构建多模态加权邻域决策粗糙集.最后,融合SA与多层感知机(MLP)构建自适应阈值优化两阶段序贯三支决策模型,动态优化决策阈值,解决单阶段决策中边界域样本滞留问题,形成“数据积累→不确定性消解”的正向循环.在真实临床数据上的实验结果表明,所提出的模型能有效处理多模态医疗数据,显著提升多模态疾病诊断中不确定性决策的准确性,能够为医生提供数据驱动的辅助诊断依据.

摘要：在行人重识别领域, 重排序作为后处理技术对提升准确率至关重要. 当前策略主要以互近邻关系为约束, 但受模型性能限制, 容易引入混淆样本, 导致重排序的效果不佳. 为了解决这一问题, 本文提出了一种属性相似的K-互近邻重排序策略. 在K-互近邻的基础上, 以同源行人图像的属性相似为约束, 构建鲁棒的候选图像集, 增强重排序效果. 鉴于该策略对属性识别性能的依赖性较强, 本文提出了属性相关和部位关联的行人重识别模型. 首先, 该模型将行人属性与局部区域进行耦合, 在提取局部特征的同时, 识别各部位对应的属性. 其次, 提出了属性相关模块, 利用属性间固有的相关性来修正预测错误的属性. 然后, 本文还提出了属性一致损失, 利用不同视角的图像对遮挡属性进行关联互补, 进一步提高了属性识别的准确性. 最后, 将属性识别结果应用于属性相似的K-互近邻重排序策略, 获得更优的重排序结果. 在Market-1501和DukeMTMC-reID两个公开数据集中对提出的方法进行实验, 验证了本文方法对行人重识别性能提升的有效性.

摘要：本研究针对无人机在飞行过程中受时变风场影响导致的能耗与飞行状态变化问题, 提出了一种基于事件触发机制的实时路径重规划策略. 首先, 采用改进的粒子群优化(Improved Particle Swarm Optimization, IPSO) 算法进行路径规划, 并通过评估不同风场下规划路径的相似度量化风场变化对规划路径的影响. 进一步, 应用卡尔曼滤波(Kalman Filter, KF) 算法预测无人机飞行状态, 并根据实际飞行状态与预测状态之间的误差, 评估风场变化对预测准确度的影响. 在此基础上, 设计了一种基于事件触发机制(Event-Triggered Mechanism, ETM) 的路径重规划策略, 使无人机仅在风场变化超过设定阈值时执行路径更新. 仿真实验结果表明, 该策略显著降低了无人机飞行过程中的能耗与计算负担, 同时增强了无人机在复杂风场条件下的适应能力.

摘要：针对飞机蒙皮覆盖检测的场景下,传统人工检测存在的作业效率低下及检测时效性约束严格等瓶颈问题,现有研究多集中于多无人机协同作业的技术方案,其中面向飞机蒙皮盖检测的多无人机协同任务规划（Multi-UAV Cooperative Mission Planning, MCMP）是描述多无人机协同检测的问题模型,当前算法多采用启发式算法,但其求解速度和解的质量无法满足实际要求.为此,将MCMP问题建模为带有容量约束的车辆路径规划问题（Capacitated Vehicle Routing Problem, CVRP）,提出两阶段的深度强化学习（Two-Stage Deep Reinforcement Learning, TSDRL）的求解模型:第一阶段根据节点数量,利用基于注意力机制的策略网络求解最优无人机数量;第二阶段设计一种新的编码器-解码器结构的策略网络,以构建每架无人机的路径.该模型通过策略梯度训练,能够快速求解每架无人机的高质量路径,为了解决三维环境碰撞问题,使用RRT*算法优化路径以满足碰撞约束.仿真结果表明,所提模型在计算效率与求解质量上均优于现有的深度强化学习方法和启发式算法,并且模型具有良好的泛化性,可应用于不同机型.

摘要：在智能制造加速推进的背景下，增材制造（AM）作为关键支撑技术，其排样与调度问题直接影响资源 利用率和制造效率。该问题涉及工件布局、分配与排序等多个环节，具有强耦合、多约束、多目标等特征，求 解难度大、复杂度高。本文系统阐述了AM排样与调度领域的研究进展，从问题定义、模型约束、优化目标及 算法应用等多维度展开分析。研究表明，尽管数学规划、启发式与智能优化等算法已得到应用，但在实际适应 性、系统集成、算法创新及可持续性等方面仍有待提升。未来研究应着力于智能融合、多目标协同及绿色制造， 以推动AM排样与调度向高效、智能、绿色方向发展。

摘要：路径规划是智能建造中建材搬运机器人高效、安全作业的核心挑战,尤其在动态复杂工况下,传统方法常面临路径震荡、避障失败及全局-局部决策失配等问题。针对此问题提出A*-PPO协同优化框架。具体做法如下：(1)改进A*算法采用八邻域扩展与切比雪夫距离,构建栅格化全局拓扑；(2)设计六维观测向量驱动的动态奖励函数,集成路径跟踪奖励、碰撞惩罚及步长约束；(3)建立特征级参数共享机制,通过动态窗口法(DWA)将A*路径特征嵌入近端策略优化(Proximal Policy Optimization, PPO)网络,实现全局代价估计与局部避障决策同步优化。仿真验证：在四类典型工地环境中的仿真表明,本方法较RRT*-APF与传统A*,动态障碍场景下路径成功率提升42.7%(传统方法均失败),规划时间减少55.8%,U型凹面障碍耦合动态干扰时成功避障98次。技术突破：通过渐进式航点验证与双层优化架构,解决了拓扑保持与实时避障的兼容性难题,解决建筑机器人路径震荡与避障延迟问题。

摘要：本文针对矩阵权重网络上一阶混杂多智能体系统的分布式优化问题, 提出了一种新颖的分布式优化控制算法, 对于连续时间子系统采用了采样控制方法. 在所提出的优化控制协议下, 基于矩阵理论、Lyapunov 稳定性理论和不等式技术等方法建立了该混杂系统实现优化一致的代数条件, 并进一步推导出代数图条件. 具体来说, 如果混杂系统的采样周期满足一定条件以及每个智能体的局部代价函数为强凸时, 当拉普拉斯矩阵的零空间跨越一致性子空间或者矩阵权重图中包含正生成树时, 系统可以在全局最优解处达到一致. 最后, 通过数值仿真验证了提出算法的有效性.

摘要：现有基于扩散模型的无训练图像合成方法通常在背景图像指定区域嵌入前景图像特征信息，引导图像合成过程。 然而，这种嵌入方式会干扰扩散模型去噪过程，导致前景与背景不一致、语义对齐不佳等问题。为此，本文提出一种新颖的无训练图像合成方法，包括互补融合特征嵌入和自适应特征重组两个模块。 首先，互补融合特征嵌入引入由U-Net自注意力机制提取的组合图像特征，该特征由前景与背景图像特征构成，能够在保留前景信息的同时，补偿传统嵌入方式所丢失的背景语义信息。 随后，嵌入组合图像与前景图像的融合特征以引导合成过程，并调控嵌入特征的数量以降低合成偏差。同时，为解决特征嵌入带来的图像过渡区域伪影问题，本文引入了自适应特征重组策略。 该策略通过分析相邻特征协方差关系，识别并替换导致不连贯伪影的异常特征，从而提升图像的连贯性。实验表明，所提方法提升了语义对齐、背景与前景一致性，实现了更协调的合成效果，为无训练合成任务提供了解决方案。

摘要：多级连续搅拌釜反应器（Continuous Stirred Tank Reactor, CSTR）系统广泛应用于化工过程，其多变量耦合和复杂的非线性动态特性给系统控制带来了挑战。为此，提出了一种基于深度Koopman算子的建模方法和含三项惩罚函数的模型预测控制（Model Predictive Control, MPC）方法。通过深度Koopman算子将多级CSTR系统的动力学映射到高维线性空间，并在该空间中设计含三项惩罚函数的模型预测控制算法，从而提高多级CSTR系统的控制性能。仿真结果表明，深度Koopman模型在多步预测任务中具有良好的精度，其在浓度和温度状态变量上的相对平均误差均低于0.10%。相比传统基于扩展动态模态分解的Koopman模型预测控制算法，所提方法的均方根误差显著降低，且约束优化问题平均求解时间明显低于非线性模型预测控制算法。通过引入状态增量惩罚项，所提出的三项MPC方法有效抑制了超调量，且响应速度与两项MPC相近。

摘要：进化多任务优化 (Evolutionary Multitask Optimization, EMTO) 作为一种新兴的智能优化范式, 通过跨任务的知识迁移机制, 显著提升了算法的效率和解的质量. 本文对近十年来 EMTO 的研究进展进行了系统性综述, 从技术进展、问题分类及应用三个维度展开. 首先, 深入剖析了多任务进化算法的核心技术, 包括进化框架设计、知识迁移机制以及自适应进化算子的创新; 其次, 建立了多任务优化问题的分类体系, 针对单目标、约束、竞争、多目标及超多任务等典型场景, 详细阐述了其关键特征与求解策略. 此外, 本文还梳理了主流 EMTO 工具平台的功能特点, 并介绍了其在智能优化、路径规划、数学、机器学习、计算机视觉等领域的成功应用案例. 最后, 探讨了该领域的现存挑战, 并对未来研究方向进行了展望, 以期为相关学者提供技术参考与指引.

摘要：高维不平衡数据广泛存在于社会生产的各个领域，其特点是数据维度高以及数据类别的不平衡，这种特性对传统分类算法的性能提出了极大的挑战。不平衡的数据使得分类器偏向于多数类，冗余特征导致分类性能的进一步下降。为了解决以上问题，首先，针对冗余的高维特征，提出了基于多目标优化的特征提取算法，考虑了数据可分性和特征的泛化性能两个目标，同时在目标内考虑了数据的不平衡性。其次，提出了基于双层优化的决策树分类算法，将非叶子节点构建为双层优化的分类器，上层搜索不同的特征组合，下层求解该组合下的类别分界面。最后，在多个公开数据集上将所提算法与其它算法进行对比试验，结果表明所提算法在F-score和G-mean指标上明显优于其它对比算法，证明了算法的有效性。

摘要：随着全球化和定制化需求的不断发展，分布式装配流水车间调度问题(Distributed assembly flowshop scheduling problem, DAFSP)受到广泛关注。为了增加现实性，本文在DAFSP基础上进一步考虑了模糊加工时间和有限缓冲区引发的生产死锁约束，研究了一种新的模糊分布式装配流水车间无死锁调度问题。针对该问题，首先建立了以最小化最大模糊完工时间的计算模型。其次，基于Petri网提出一种死锁检测和修复算法，以避免系统死锁状态。然后，基于死锁避免算法和生成对抗网络(Generative adversarial networks, GANs)，提出一种基于GANs的模糊分布式装配流水车间无死锁调度算法(GANs-based deadlock-free scheduling algorithm, GAN-DSA)，既保证系统活性又实现高效调度。通过32组测试算例，实验验证了所提出算法的有效性。

摘要：针对电机长尾故障诊断中尾部类别特征学习不足和头尾部梯度竞争失衡的问题,提出了一种融合余弦退火热重启衰减学习率策略(CDLR)的时空消息传递神经网络(STMPNN)电机长尾故障诊断模型(STMPNN-CDLR).首先,通过多节点拓扑结构建模多变量时间序列数据样本同一时间窗中不同时间阶段(子时间窗)传感器间的时空依赖关系,并设计动态时空关系加权矩阵刻画传感器特征在时间维度上的演化模式,强化头尾部类别潜在时空交互的特征表示；其次,利用STMPNN的消息传递机制实现跨子时间窗的特征更新,提升模型对局部与全局信息的感知能力；最后,通过CDLR策略周期性地重启和衰减学习率缓解长尾分布导致的梯度竞争失衡问题,增强模型稳定性和对尾部类别的敏感性.在四组不同长尾比率的电机故障诊断试验中,所提方法在不牺牲头部正常类别诊断性能的前提下,对尾部故障类别展现出优异的诊断性能和稳定性,Accuracy高于94.57%,验证了该方法解决电机长尾故障诊断问题的有效性与优越性.

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，本文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，仿真例子验证了本文结果的有效性.通过本文提出的方法，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：针对融合游客个性化偏好、景点实时拥挤度与通勤时间的多目标旅行路线规划问题，提出一种基于大语言模型(LLM)的交互式旅行方案智能生成规划器。首先建立LLM信息处理模块, 实现用户需求的识别、推理及结构化转换。然后，构建基于随机森林算法的景点客流预测模块，整合历史客流、天气、节假日等多维因素实现精确客流预测，继而借助LLM信息处理模块将预测结果映射为多等级拥挤度。最后，构建以并行非支配排序遗传算法(PNSGA-II)为核心的多目标旅行路线规划器，实现旅行路线的智能规划与全局最优解搜索。仿真实验结果表明，相较于其他多目标优化算法，PNSGA-II在多目标路径规划问题中展现出更优的解质量与更高的计算效率；此外，与其他规划器生成的方案相比，本规划器在方案效果与生成效率上也均展现出显著优势。

摘要：针对道路行驶速度随时间变化且软时间窗条件下的同时配集车辆路径优化问题，以配送总成本最小化与客户满意度最大化为目标，考虑车辆载重约束等约束条件，构建时变交通下油车-电车混合车队货物配送路径优化模型。根据模型特点设计了考虑时空距离、基于Pareto非支配排序的多目标混合启发式算法，将遗传算法与变邻域搜索算法结合，增强算法的局部搜索能力。以Solomon中C101类部分客户为例进行算例分析，进行了不同规模客户点对比分析和模拟数据与真实数据对比实验。研究结果表明：与多目标协同优化遗传算法等算法相比，本文算法将总成本降低至7008.47元，降幅分别为4.59%、5.46%、6.80%、10.77%和8.41%，客户满意度提升至0.841。考虑不同情况下对参数进行灵敏度分析，合理的配送重量可将配送总成本节约69.28%，28.14%和38.61%；合理的车辆载重量可将配送成本节约31.2%和62.3%。研究成果不仅深化和拓展油电混合车队车辆路径问题的相关研究，同时本文模型和算法能够明显降低配送成本，提高企业经济效益。

摘要：为解决充电枪装配过程中传统强化学习算法训练样本效率低、策略不稳定和对硬件资源利用不充分的问题,提出融合事后经验回放（Hindsight Experience Replay, HER）和策略延迟更新（Delayed Policy Updates, DPU）的软演员-评论家（Soft Actor-Critic, SAC）算法.首先,建立充电枪装配模型,通过在经验回放池中引入HER,重新定义目标以生成“伪成功”经验.然后,在算法的梯度更新部分加入DPU ,通过多次更新价值网络后再更新策略网络,确保策略更新基于更稳定的价值估计.最后在使用SAC with HER-DPU 算法进行充电枪装配训练时采用双线程训练架构,将数据收集和神经网络训练解耦.实验结果表明,本文所提算法的收敛时间为33.2小时,平均装配步数为75步,相较于SAC算法,收敛时间减少了21.4小时,平均装配步数少17步,有效提高了训练的样本效率、策略稳定性和训练速度.

摘要：在复杂工况下，旋转机械的振动信号通常表现出显著的非平稳性，并伴随较强的噪声干扰，导致传统信号处理方法在故障特征提取方面面临较大挑战。针对上述问题，本文提出一种基于贝叶斯优化与信号重构的旋转机械故障诊断方法。首先，利用贝叶斯优化算法对逐次变分模态分解核心参数进行自适应调整；其次，提出一种基于平均瞬时频率的垂直距离判别方法，用于区分逐次变分模态分解所得固有模态函数的高低频分量；然后，设计一种相关系数加权策略，对不同固有模态函数进行加权重构；最后，从时域、频域和时频域提取多维特征构建特征集，并进行故障分类。通过在多个数据集上实验比较和分析，同时与现有方法进行对比，验证了所提出方法的有效性和优越性。

摘要：多任务进化通过跨域知识正迁移可实现比传统进化算法更佳的收敛性能.然而如何筛选有益知识及设计高效的迁移方式仍是多任务知识迁移亟需攻克的难题.为此,本文提出一种基于跨域知识动态筛选和非负子空间对齐的多任务优化算法.首先,设计跨域知识动态筛选机制,计算源任务解到目标任务种群分布、目标任务解到自身种群分布的马氏距离求取动态筛选阈值实现有益解直接迁移;其次,针对剩余跨域知识差异较大的未迁移解,提出非负子空间对齐映射策略,利用非负矩阵分解提取多任务种群高维特征的低维表示,并最小化子空间差异以减少知识负迁移;然后,基于跨域知识动态筛选和非负子空间对齐的互补机制,给出所提多任务优化算法的完整框架;最后,为验证算法有效性,在多任务基准测试套件和真实铝电解能耗优化问题上进行消融、对比及验证实验.结果表明,与其他5种先进多任务优化算法相比,所提框架具有显著的竞争性优势.

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，本文提出了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。为验证方法有效性，设计了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，本文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，从而验证了该方法的有效性。

摘要：针对带机器故障约束的可重入混合流水车间调度问题 (reentrant hybrid flow shop scheduling with machine failure constraints，RHFS-MFC)，以最小化最大完工时间为优化目标，提出了一种基于门控Transformer模型框架的近端策略优化算法GTrXL-PPO（gated transformer-xl-proximal policy optimization)进行求解。建立了包含机器故障概率分布的数学模型；针对机器故障情况，设计了多种重调度策略；将工件状态和机器的运行状态作为状态输入，调度时为工件分配合适的机器作为动作，并设计了即时奖励和任务完成奖励构成的奖励机制，从而有效指导调度决策实现智能调度。通过在不同场景下进行单机故障与多机故障的仿真测试，验证了所提算法的优越性，展示了在复杂调度环境中的有效性和适应性。

摘要：面向冷链物流绿色化发展目标和载具电动化趋势, 本文考虑拥堵路况、充电成本、电量消耗等多目标实施电动冷藏车跨区域路径优化. 提出一种改进的Q学习方法, 设计启发式奖励机制, 引入余弦退火学习率和指数衰减探索率两种动态策略, 提升算法性能并进行仿真实验与对比分析. 实验数据证明, 改进后的强化学习算法能够根据交通运行状态、电动冷藏车的初始电量以及能耗率等, 有效优化跨区域冷链配送路线. 相较于其他3种Q算法, 在6类差异化测试场景下, 其配送方案显著降低总里程与电量消耗 (p<0.05, Welch"s t-test). 结果表明, 该方法在高速公路、城市道路及充电站投放等环境建模下具备良好的适应性和鲁棒性.

摘要：本文研究了准时制生产条件下的分布式柔性作业车间调度问题.企业需要根据工件的交付时间决定启用工厂的数目,并在各个工厂内部进行调度,其目标是最小化完工时间,能量消耗和总生产成本.本文建立了多目标混合整数线性规划模型来刻画此问题,进而通过强化学习驱动进化的模因算法完成求解.算法首先通过启发式方法培育高质量的初始种群.在进化过程中,强化学习将交配池中的父本视为状态和动作,并以子代的质量评估环境奖励,目的是为每个父本推荐最合适的搭档以生成高质量的后代,降低随机匹配的盲目性.最后,自适应局部搜索机制作用于进化停滞的种群,进一步提升了搜索质量.通过在两类标准测试集进行仿真实验并与5种算法进行比较,验证了算法的有效性.

摘要：大模型作为人工智能领域的一项突破性进展,在新一轮全球科技革命和产业变革中发挥着重要作用.智能优化算法凭借其在降本增效方面的优势,极大地推动了社会经济的稳步发展.两者的有机结合有望为应对复杂交叉的科学研究和工程实践注入新鲜血液.本文是大模型和智能优化算法之间相互赋能的首篇综述.从定义和分类两个方面介绍了大模型和智能优化算法.从大模型赋能智能优化算法和智能优化算法赋能大模型两条路线梳理了最新研究进展,前者围绕代理辅助优化、自动优化建模、自动算法设计与生成、自动算法分析与改进、行业应用开展,后者基于参数优化、提示优化、联合优化进行,从通用基础和专用应用两个视角擘画了两者的发展方向.全文在展望大模型与智能优化算法集成的机遇与挑战中结束.

摘要：为了提高自动驾驶车辆轨迹跟踪控制精度与鲁棒性, 提出了基于车辆误差动力学模型的自动驾驶车辆轨迹跟踪非线性鲁棒控制方法. 在车辆运动学模型和非线性车辆动力学模型的基础上, 构建车辆误差动力学模型?从理论上推导二阶系统的非线性鲁棒控制器设计方法, 并利用李亚普洛夫稳定性理论证明其正确性? 以此为基础, 设计基于车辆误差动力学模型的自动驾驶车辆轨迹跟踪非线性鲁棒控制器, 并通过仿真验证了所提方法的有效性. 结果表明, 非线性鲁棒控制器可有效提高轨迹跟踪控制精度, 削弱系统参数不确定性引起的控制抖动和控制精度不高的问题, 且可有效减弱测量噪声对轨迹跟踪的影响.

摘要：随着地球观测领域相关技术的高速发展，近年来具有先进姿态调整能力的敏捷地球观测卫星已经引起了广泛的关注。敏捷卫星任务调度具有时间依赖性切换时间，在多星、多轨道、多需求的卫星观测场景下，产生了复杂的时间依赖性多敏捷卫星多目标调度问题。针对该问题，首先，基于问题特征和优化目标建立了问题的数学规划模型。其次，提出一种分布式元Q学习协同进化框架，包括预训练和进化搜索两个阶段，预训练阶段通过分布式Q学习提高训练效率，进化搜索阶段通过训练好的分布式Q学习模型实现多种群进化算子的自适应选择。然后，基于所提出的进化框架和问题特征，设计了多样化的进化算子和动态种群划分选择策略，建立了一种分布式元Q学习协同进化算法(Distributed Meta-Q-Learning Co-Evolutionary Algorithm, DMCEA)。最后，实验验证了DMCEA求解问题的有效性。

摘要：针对分布式流水车间中加工时间不确定性与序列相关准备时间耦合的鲁棒调度问题,提出一种强化学习驱动的迭代局部搜索算法(QILS).首先,构建以最大完工时间为目标的期望-风险鲁棒调度模型,平衡调度方案的稳定性与最优性.其次,设计面向不确定环境的NEHUPT启发式方法,基于场景分析生成工件的调度优先级,结合微调策略提升初始解的质量;另外,构建Q-learning与迭代局部搜索算法的协同优化框架,利用强化学习以及动态衰减方法驱动扰动策略的动态选择,平衡算法的搜索和开发能力;最后,提出一种基于鲁棒贡献度的局部搜索方法,进一步提升解的质量.通过系统性的仿真实验及与多种先进代表性算法的对比分析,实验结果表明,所提出的算法在求解分布式鲁棒车间调度问题方面具有显著优势.

摘要：矿井通风网络优化调节是矿井通风系统安全、稳定、经济运行的重要保障。通风网络结构和状态参数随机动态变化给矿井通风网络优化求解和决策带来了极大的挑战。本文充分考虑矿井通风系统的随机不确定性,提出了一种基于深度强化学习的矿井通风网络鲁棒优化调控方法。首先,对矿井通风网络风量优化问题进行数学描述,将该风量优化问题建模为马尔可夫决策过程模型,无需对系统不确定性进行建模和预测；然后,采用一种改进分布式近端策略优化算法对连续风量优化问题进行动态优化和决策,能够直接得到不同需风量的优化调控方案。实验结果表明,本文所提方法能够有效应对通风系统的多重不确定性,降低矿井通风系统的风机能耗。

摘要：贝叶斯网络（Bayesian Network,BN）是一种概率图模型,用来表示不确定的因果关系.由于解空间的数量随着变量数量增长呈超指数增长,使贝叶斯网络结构学习（Bayesian Network Structure Learning,BNSL）成为NP难问题.遗传算法可以高效的在空间中搜索更多可能的结构组合,在BNSL问题中取得了诸多成果,但仍存在过早收敛,结构准确率不高等问题.本文提出一种基于种群多样性和互信息混合引导的贝叶斯网络结构学习算法来解决以上问题.在去环阶段,使用翻转-删除-修复混合操作代替删除边以保留更多样的基因型.在选择算子,根据当前种群多样性动态调整种群年龄阈值,淘汰衰老个体,维持合理的种群年龄结构.在交叉策略中引入生物学的基因型频率概念,保护低频结构的同时利用互信息限制搜索空间大小并引导搜索.本文在10个标准BN数据集上对DM-GABN进行了实验评估,并与包含最先进方法在内的10种BNSL方法进行对比.实验结果显示,所提出的方法学习的BN结构准确率更高,算法收敛速度更快.

摘要：近年来交通运输业呈现出迅猛发展的态势。电动汽车由于可以减少环境污染并使得交通系统更加智能，得到了快速发展。然而由于电动汽车充电桩分布不均匀，导致出现了电动汽车里程焦虑问题。车-车能量互济装置（V2V）的研究成为了消除电动汽车里程焦虑的关键技术之一。V2V技术不仅可实现两辆电动汽车之间的电能传输，缓解电池续航不足与充电桩分布不均的问题，还能显著提升充电灵活性。本文对现有的车-车能量互济装置的拓扑结构和控制策略进行了全面讨论，首先分析了隔离型、非隔离型和无线传输型三类主要拓扑结构的工作原理和应用场景；进而探讨了对其线性和非线性控制策略的优缺点，并结合不同拓扑给出了优化建议。本文还扩展讨论了V2X技术的发展趋势，包括车-车（V2V）、车-家（V2H）、车-网（V2G）协同控制等多种应用场景在智能电网中的应用前景。最后讨论了V2V充电技术的商业化发展现状，商业化解决方案和面临的挑战。