摘要：人形机器人是机器人领域的研究热点, 其类人结构展现出优异的人类环境适应性, 能够实现复杂场景的高效作业, 可以在工业、服务、救援、医疗等场景中辅助或替代人工作业, 是能够对产业发展产生颠覆性影响的技术. 然而, 人形机器人高集成度系统设计和高动态性运动的需求, 对驱动控制技术提出了全新的挑战. 鉴于此, 首先结合具体案例分别介绍电机与液压两种驱动形式的人形机器人的发展历程, 总结各自的特点; 然后从驱动器和驱动控制算法上梳理驱动技术的研究现状, 着重介绍电机驱动器、液压驱动器及其对应的控制算法; 接着阐述人形机器人主流的运动控制方法, 详细介绍基于简化模型、基于稳定判据和基于学习策略的3种运动控制方法; 最后从人形机器人的电机驱动高功率化、“骨骼血管”一体化、电动静液作动器模块化等3个方面总结人形机器人发展面临的挑战及发展展望.

摘要：为进一步提高含分数阶的灰色多变量预测模型的拟合预测精度, 提出一种新的非等阶离散非线性灰色多变量预测模型(DLFDGM). 首先, 所提出模型通过两项核心设计实现突破: 为系统特征序列和各影响因素序列分别配置独立的分数阶累加阶数, 使得模型能够根据驱动项各自的数据波动性和记忆性特征自适应优化处理; 引入幂函数形式的非线性项$\beta k^{\delta}$, 以刻画驱动因素对预测结果影响的边际效应递减或规模加速等非线性动力学规律. 然后, 对所提出模型的建模机理、参数估计、递推时间响应式等进行研究, 并讨论模型参数几种特殊取值下的退化性质. 最后, 将所提出模型应用于江苏省港口货物吞吐量的预测问题. 实验结果显示: 所提出模型拟合精度为1.05%, 预测精度为1.91%, 拟合和预测的精度均显著优于对比模型.

摘要：针对多自由度机械臂的轨迹跟踪问题, 提出一种基于增强型近端策略优化的PID (Enhanced PPO-PID)控制算法. 首先, 构建基于共享特征提取层的统一网络架构, 在提升策略与价值函数协同优化能力的同时, 显著减少模型参数量, 提高收敛速度和学习效率; 然后, 提出一种基于性能回报动态调节训练迭代次数的机制, 从而实现训练初期快速收敛与后期策略稳定间的平衡; 接着, 引入价值函数裁剪, 通过限制单次更新幅度, 有效平滑学习曲线, 增强高方差环境下的训练鲁棒性; 最后, 在PandaReach-v3机械臂仿真平台上, 通过对比实验验证所提出方法在轨迹跟踪性能和鲁棒性方面的优越性.

摘要：针对由一般线性系统驱动的移动目标, 研究二阶多智能体系统固定时间旋转一致性问题. 在复杂环境中, 考虑部分智能体因感知范围受限或通信限制而无法直接获取移动目标的位置和速度信息, 设计一种基于时变坐标变换的分布式观测器. 首先, 所提出观测器只利用智能体间的局部交互信息, 使得所有智能体均能够在固定时间内精确估计移动目标的位置; 然后, 在此基础上, 设计局部固定时间输出反馈控制器, 通过引入目标跟踪、旋转控制、位置一致性以及速度补偿项, 实现系统在无速度信息条件下的固定时间旋转一致性; 接着, 结合双边极限齐次性理论与李雅普诺夫稳定性理论, 验证系统的固定时间稳定性, 理论分析表明, 所提出控制器能够确保所有智能体在固定时间内实现旋转一致性; 最后, 通过仿真实验验证了所提出控制器的有效性.

摘要：针对常规多旋翼飞行器存在位姿耦合及动力系统冗余等问题, 将双旋翼旋翼数目精简的结构优势与倾转旋翼位姿解耦优势相结合, 提出一种二自由度机臂可倾转双旋翼飞行器(TBTA). 首先, 对其进行基于四元数的动力学建模和运动学建模, 并在此基础上研究解耦控制分配方法. 然后, 针对其变姿过程中强耦合、非线性和参数摄动以及扰动问题, 设计位姿非奇异终端滑模自抗扰控制器(NTSMC-ADRC). 通过仿真验证NTSMC-ADRC控制器良好的鲁棒性和抗扰性. 最后, 通过变姿和斜面应用飞行实验验证其在斜坡、树木和高空建筑等非水平面类型场景下起降的应用价值.

摘要：针对四旋翼无人机系统陀螺效应因子和风阻系数未知, 且在实际轨迹跟踪过程中易受阵风干扰的问题, 提出一种具有参数自适应和干扰估计的反步控制算法. 首先, 对四旋翼无人机的数学模型进行分析, 将其转化为带有阵风干扰的严格反馈形式, 并利用已知参数和状态变量误差分别设计陀螺效应因子和风阻系数的自适应学习律; 然后, 利用自适应律实时得到的参数值, 结合位姿跟踪误差及其导数分别设计位姿环的干扰估计器, 用于在控制输入中补偿阵风扰动; 接着, 利用未知参数的自适应值和阵风扰动估计值设计出反步控制算法, 并基于Lyapunov稳定性理论, 对无人机的位置环和姿态环的渐近稳定性进行严格证明. 研究结果表明, 所提出算法在部分参数未知和阵风干扰情况下能够使得无人机精确跟踪期望轨迹, 增强无人机的抗干扰性. 最后, 通过仿真实验进一步验证了所提出方法的有效性.

摘要：精准预测路网交通流是保障智能交通系统高效运行的基础. 针对现有方法存在难以有效建模交通流数据中复杂非线性时空动态依赖关系的问题, 提出一种基于增强时空Transformer (ESTformer)的交通流预测方法. 所提出方法设计多尺度时间Transformer和增强空间Transformer分别建模交通流序列数据间的时间依赖关系和路网不同节点间的空间依赖关系: 多尺度时间Transformer构建短期门控卷积网络来捕获交通流数据中的短期时间依赖关系, 并引入时间多头自注意力机制以捕获长期动态时间依赖关系; 增强空间Transformer通过对偶变换来增强键向量的特征表达能力, 利用时变掩码矩阵动态更新键向量, 提高模型的同时捕获节点特征和边特征的能力. 在4个真实交通流数据集上的测试结果表明, 与基线方法相比, 所提出基于ESTformer的交通流预测方法具有更优越的预测性能. 相比于13种基线方法在不同数据集上表现最佳者, 所提出方法在12个时间步上的平均绝对误差(MAE)和均方根误差(RMSE)分别改进了1.14% $\sim $ 3.88%, 0.36% $\sim $ 1.78%.

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, 提出一种显/隐性知识增强驱动大语言模型(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(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; 然后, 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出方法的可行性进行验证. 结果表明, 所提出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, 可显著提升再制造工艺决策的自动化水平与可靠性.

摘要：挖掘用户生成内容中的有效信息并为用户提供个性化产品排序是数智时代电商运营管理的新方向. 现有研究在分析文本评论情感时存在偏差进而影响排序效果; 此外, 现有推荐模型未考虑用户偏好不确定性对于排序结果的影响. 为弥补上述不足, 提出一种用户生成内容环境下结合深度学习与贝叶斯偏好分解的排序模型. 首先, 为减少未标注评论的情感分类偏差, 提出基于预训练大语言模型的情感分类方法, 利用BERTopic主题模型挖掘用户关注的产品准则和关键词, 将标注数据用于LoRA微调Chinese-RoBERTa情感分类预训练模型; 然后, 利用蒙特卡洛模拟将准则偏好转换为贝叶斯先验信息, 构建不同类型的似然函数建模确定和不确定的产品偏好信息, 并结合贝叶斯准则和偏好分解方法计算产品排序的分布概率, 进而为用户进行排序推荐; 最后, 通过京东平台的医疗手环排序案例验证所提出模型的有效性.

摘要：为提升优化算法在复杂函数优化场景中的性能表现, 提出一种改进的豺优化算法(FETDOA). 所提出算法以豺优化算法(DOA)为基础, 通过Fuch混沌映射提升初始种群均匀性和搜索覆盖, 切线飞行策略在猎物吸引方向正交子空间引入可控扰动以确保收敛, 增强局部探索能力, 缓解早熟收敛和局部停滞, 改进经验交换策略(EES)强化个体信息共享, 提高协同搜索效率, 实现快速高精度收敛. 为验证所提出算法的性能, 将其与8种优秀算法展开对比, 并结合Wilcoxon秩和检验进行统计显著性分析. 实验结果显示, 在多数测试函数上, FETDOA的平均值以及标准差均显著优于对比算法. 最后, 通过3个工程案例展示了FETDOA在工程应用中卓越的能力. 综上, FETDOA在复杂函数优化中具备更强的收敛精度和稳定性, 为工程优化等实际问题提供了高效的求解方案.

摘要：灰色关联分析是多因素系统分析的重要方法, 其基于序列折线的几何形状量化因素间的关联性. 现有方法多假设序列等间隔分布, 而后在欧氏空间构建关联度的代数表达式, 其理论完备性尚待论证; 并且, 忽略了序列的分布间隔、观测误差以及折线的高阶几何特征, 导致精度低和适用性受限. 为此, 揭示关联度代数表示的泛函分析基础, 在函数空间中探索其泛函表示及高阶多变量拓展. 首先, 引入样条光滑法构建本征函数空间; 然后, 推导关联度的有界非线性泛函表示; 最后, 设计关联度的高阶泛函拓展, 并以多变量序列为例给出关联分析算法. 以某型号坦克炮身管烧蚀磨损数据为基础, 运用所提出方法聚类评估身管剩余性能, 结果表明该方法在适用范围、可解释性和准确性等方面均优于对比模型, 可为武器装备健康管理提供支持.

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3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, 所提出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. 仿真结果验证了所提出方法的可行性和有效性.

摘要：针对当前城市电动汽车充电站选址忽视成本与服务水平的权衡关系、覆盖率未被作为刚性约束等问题, 提出一种双目标优化与覆盖率约束融合的选址模型, 并设计改进鲸鱼优化算法(IWOA)求解帕累托最优解集. 首先, 将覆盖率设为刚性约束, 建立以最大化服务水平与最小化全周期总成本为核心的双目标规划模型, 该模型采用基于余弦的距离满意度函数和M/M/s排队模型量化服务水平, 通过资本回收因子整合快/慢充电偏好及高峰时段修正进行成本评估; 其次, 在算法设计上引入自适应权重控制、混合搜索策略及局部搜索增强, 提升算法的全局搜索能力与收敛效率; 最后, 基于西安市实际数据选取80个需求点、64个候选站点, 通过算例分析对比IWOA与其他算法的性能, 并构建成本-服务水平-覆盖率三维决策框架展示约束条件对优化目标的影响. 结果表明, 所提出方法在覆盖率约束0.8时实现最优权衡, 服务覆盖率提升至93.6 ± 1.7%, 全周期成本降低至1 224 ± 73万元, 用户平均排队等待时间缩短至3.3 ± 0.4 min.

摘要：针对不平衡多模态多目标优化的等效Pareto最优解集难以找全的问题, 提出一种排斥机制驱动的多阶段多目标演化算法. 所提出算法将整个演化过程划分为3个阶段, 并在不同阶段采用不同的环境选择方法, 以实现在不同的演化阶段搜索不同等效Pareto最优解集的优化任务: 第1阶段的环境选择方法仅考虑个体在目标空间中的收敛性, 这使得种群能够快速收敛至最易找到的等效Pareto最优解集; 第2阶段的环境选择方法采用基于排斥机制的搜索策略, 该策略通过对靠近已找到的等效Pareto最优解集的个体进行自适应惩罚, 这有利于避免种群对重复区域进行搜索和降低算法陷入单一等效Pareto最优解集的风险; 第3阶段的环境选择方法通过同时兼顾个体在目标空间与决策空间中的收敛性和多样性的方式对前两个阶段获得的等效Pareto最优解集进行微调, 以进一步提高算法的优化性. 实验结果表明: 所提出算法在相同函数评价次数条件下能够找到全部等效Pareto最优解集, 且与其他7个同类算法相比, 其在目标空间和决策空间上的综合性能方面具有一定的优势.

摘要：无人飞行器智能空战对于未来战争具有颠覆性意义, 其中关于机动目标跟踪的智能决策与控制研究近年来取得了巨大进展, 但是在应对战斗机过失速机动迅速改变飞行位置和状态的跟踪方面, 仍然存在跟踪精度低甚至丢失目标的问题, 难以实现导弹制导系统精确打击的应用. 为有效解决该问题, 提出一种基于目标运动智能决策的制导系统设计方法. 所提出方法考虑几种典型过失速机动动作的完整过程, 将其分解为小迎角飞行、快速俯仰抬头、绕速度矢量旋转、快速俯仰低头4种基本运动模式, 以最小化运动建模误差为目标, 通过长短期记忆神经网络预测目标处于4种运动模式的概率分布, 并进一步采用与运动模式特征相适应的控制策略来提高跟踪精度. 仿真实验结果表明, 所提出的方法在保证不丢失过失速机动目标的同时, 能够有效提升目标跟踪的鲁棒性和精确性.

摘要：针对变电站仪表外观缺陷检测中存在表盘破损语义表征不足及露水、水汽等伪纹理导致的复杂背景干扰, 以及远距离拍摄造成的小尺度缺陷定位不稳定等问题, 在YOLO11n基础上提出蒸馏型轻量化多尺度特征增强与回归优化型YOLO模型(DLMFR-YOLO). 首先, 构建双向多尺度特征融合传播网络, 在颈部实现多尺度特征的双向交互与细节补偿, 强化仰角视角和小目标缺陷的语义与结构表征; 其次, 设计星注意力特征提取模块, 利用星操作与上下文锚点注意力在空间与通道维度突出表盘裂纹、外壳破损等关键区域, 有效抑制复杂背景及露水、水汽伪纹理的干扰; 再次, 引入WIoUv3作为边界框回归损失, 通过动态质量加权机制提升小目标场景下边界回归的稳定性与精度; 在此基础上, 采用StarNet轻量化主干网络与轻量级共享卷积检测头对模型结构进行轻量化改造, 压缩参数规模与计算量; 最后, 构建基于bridging cross-task protocol inconsistency knowledge distillation (BCKD)的逻辑蒸馏框架, 以轻量化前后的模型分别作为教师与学生网络, 弥补轻量化带来的精度损失. 实验结果表明, 在自建变电站仪表外观缺陷数据集上, 与YOLO11n相比, DLMFR-YOLO的mAP@0.5提升3.2%, 参数量下降31.4%, FLOPs降低15.9%, 在显著降低模型复杂度的同时提升了检测精度, 体现出良好的工程应用与部署优势.

摘要：为解决故障先验信息未知场景下旋转导向钻井工具系统的故障诊断难题, 提出一种融合概率Transformer与粒子滤波的智能故障诊断方法. 首先, 针对传统粒子滤波在故障先验缺失条件下粒子采样能力受限且易产生粒子退化的不足, 通过引入一个包含系统状态和传感器故障的增广向量构造非线性奇异系统, 借助训练完备的概率Transformer生成条件概率分布进行奇异系统的粒子采样, 并充分利用测量信息优化粒子滤波的重要性采样分布以缓解粒子退化现象, 实现系统状态与故障的联合估计; 然后, 对估计结果的统计特性进行分析, 设计近似服从$\chi^{2}$分布的残差评价函数, 采用移动平均策略改进故障检测算法, 有效降低故障的漏报率; 最后, 通过仿真实验和旋转导向钻井工具系统实验分析, 验证所提出故障诊断方法的有效性. 实验结果表明, 所提出方法能够提升诊断精度, 降低算力成本.

摘要：随着无人机技术在城市安防、交通监管和应急救援等领域的快速发展, 无人机图像的目标检测与识别技术为多行业应用提供了可靠的技术支持. 低空视角的目标检测任务面临小目标密集、尺度变化大、背景复杂等挑战. 针对上述问题, 提出一种改进的YOLO11无人机图像目标检测算法. 首先, 设计CSP-MS模块通过分层融合和异构卷积结构实现多尺度特征的表达; 其次, 设计特征增强多尺度特征聚合金字塔模块, 通过空洞卷积与跨层融合机制提高模型对复杂场景的感知能力; 最后, 引入轻量级动态任务对齐检测头, 降低模型参数量的同时提升对小尺寸目标的检测精度. 模型在VisDrone数据集上mAP0.5和mAP0.5 : 0.95指标分别提升10.2%和6.7%, 在CODrone数据集上分别提升5.4%和3.7%, 实验结果表明, 改进模型在小目标、复杂背景和多尺度目标场景中均具有显著性能优势, 体现出较强的泛化能力和实用价值.

摘要：随着集成电路(IC)工艺节点的不断缩小, 光刻版图中的热点问题对于芯片性能和可靠性的影响日益显著. 鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对于检测精度和模型泛化能力的要求, 提出一种基于深度学习的kNViT ($ k $-nearest vision Transformer)模型, 用于光刻热点的精确检测. 所提出模型采用对比归一化模块(CNM)和$k $-最近邻注意力模块(kNAM)来提升特征表示和识别精度. 同时, 利用光刻版图扩散模型(PLDM)生成图像, 增强数据多样性. 此外, 提出电路特征感知损失函数(CALF), 优化光刻版图扩散模型在预测噪声时的表现. 通过数据增强策略, 旋转和对比度调整, 进一步提升模型的泛化能力. 实验结果表明: kNViT模型在多个光刻版图数据集上展现出高准确率的热点检测性能; 在ICCAD 2012数据集上, 平均召回率达到99.7%, 平均准确率为98%, 平均精确率达到90.9%, F1分数为95%. 研究表明, kNViT模型可作为辅助检测工具, 有效提高检测准确性和效率, 具有工业设计应用潜力.

摘要：连续重整(CCR)装置是石化行业的重要装置之一, 针对该装置在原料性质不确定下的操作优化问题, 提出一种改进的多目标贝叶斯优化方法. 首先, 采用多目标贝叶斯优化(MOBO)框架, 通过高斯过程代理模型高效逼近Pareto前沿; 然后, 为提升解集多样性, 引入迭代距离阈值机制, 有效缓解传统方法中的解集聚问题; 接着, 针对原料不确定性, 提出一种数据驱动的不确定性区间构建方法, 将历史统计信息与实时测定值相结合, 更准确地刻画原料波动特性, 在此基础上, 通过层级图法从Pareto解集中筛选候选操作点, 并在模拟的多种原料场景下评估其鲁棒性, 最终获得兼顾优化性能与运行稳健性的操作方案; 最后, 基于27集总CCR机理模型的仿真结果表明, 所提出方法能够以较少评估次数获得分布更优的Pareto前沿, 为工业装置在原料波动下的操作优化提供了有效解决方案.

摘要：深度信念网络(DBN)是一种深度学习模型, 解决了传统神经网络因梯度消失导致的深层训练难题, 目前, 已被广泛应用. 然而, 与其他机器学习模型一样, DBN泛化能力同样难以调控, 这对应用范围及效果提出了严峻的挑战. 鉴于此, 提出一种深度信念网络泛化误差边界量化方法(DBN-QG), 旨在解决DBN泛化误差上界不可控的问题, 提升泛化能力. 首先, 构建一个DBN模型, 分析训练误差与测试误差在数据序列上的关联特性, 给出泛化误差的数学描述; 然后, 通过分析模型的Rademacher复杂度、稀疏度等特性, 提出并证明泛化误差边界上限可量化约束性定理; 最后, 根据泛化误差上界约束, 给出DBN模型在训练阶段的最优参数配置, 并将最优参数配置的DBN-QG用于预测胶州湾近海岸水环境${\rm CO}_2 $浓度. 实验结果表明: 所提出DBN-QG模型在预测精度和泛化性能方面均优于其他预测模型; 同时, DBN泛化误差的边界量化方法不仅能够提高其在${\rm CO}_2 $预测方面的可解释性, 还为机器学习模型的量化分析提供了较为一般化的理论基础.

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, 提出一种融合改进人工势场法(APF)与自适应视线导引法(LOS)的自主导航方法. 首先, 建立UWSim平台下的水下机器人“感知-规划-控制”仿真系统; 其次, 提出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APF, 有效解决传统算法易陷入局部最优的问题, 实现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, 实现控制器参数根据航行状态的自适应调整, 提升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, 所提出改进APF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, 所提出自适应LOS反步控制方法具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：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, 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：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, 构建基于时间连续常微分方程架构的策略网络, 并引入融合欧拉离散化方法, 使策略由静态映射转变为可微分的动态系统, 从而提升智能体对非均匀时间序列的建模能力, 增强其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. 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, 所提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：针对强化学习路径规划中控制性能与安全性的权衡问题, 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, 在满足安全约束的前提下, 将基于先验动力学与安全集构建的 CBF 约束实现为可微分的优化层, 使安全约束以显式凸优化的形式嵌入策略网络, 并通过端到端反向传播实现梯度更新; 最后, 在仿真环境中对所提出方法进行验证. 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, 能够显著提升移动机器人的安全性与运行效率.

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：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：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,降低需求预测的可靠性.本文方法从挖掘连续非零需求的季节性波动规律入手,提出了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三个维度对可预测性进行量化;其次,建立趋势—季节解耦的长期—短期自适应预测模型,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,结果表明,本文方法不仅可准确预测间歇性需求的发生与强度变化,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：多变量时间序列在采集、传输与存储过程中, 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. 在随机缺失与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, 本文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对比, 本文所提方法在 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：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：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、数据噪声显著.传统深度时序模型为刻画这类相关性往往引入较高计算开销，同时在多步预测中出现预测偏差随步长增大的现象，难以兼顾预测精度与计算效率.为此，本文提出一种基于因子感知机制的倒置Transformer时序预测模型（FA-iTransformer）.该模型通过重构多变量时序的嵌入方式，采用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，增强对变量动态特征的表征，有助于提取趋势变化与突变扰动等不同时间尺度信息；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，通过“聚合-交互-分发”三阶段信息传递，在因子空间提取共享模式并保留变量特异性，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；最后，结合非自回归时序投影模块，实现长时序多步并行预测，减少多步滚动预测中的偏差传播.基于某钢铁厂高炉煤气数据集的实验结果表明，所提方法在预测精度与计算效率上均优于现有的主流时序预测模型，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：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：本文针对一类连续时间混沌系统提出了一种基于模糊归零神经网络 (Fuzzy Zeroing Neural Network,FZNN) 的有限时间同步方法.首先, 将混沌系统表示为具有未知参数的非线性系统形式. 其次, 定义主次混沌系统的同步误差, 在有界噪声情况下, 通过引入模糊控制因子, 给出了具有噪声抑制能力的模糊归零神经网络控制器模型,使得基于该控制器下的混沌系统同步不再受到未知初始参数输入的影响. 随后, 理论分析证明了模糊控制因子结合非线性神经元激活函数可以构建一个有限时间收敛归零神经网络控制器模型, 该控制器可以在有界噪声的情况下使得主次混沌系统达到精确同步, 同步所需要的时间可以任意设定, 且对系统初值及外部噪声具有较强的鲁棒性. 然后, 给出两个混沌系统同步的例子验证所提方案的有效性.最后, 将基于模糊神经网络 (FZNN) 的混沌同步方案应用于图像加密和解密中, 验证了该方法在实际应用中的可行性.

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：面向城市固废焚烧过程绿色、高效运行瓶颈问题,文中提出了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,构建了基于多模块神经网络的运行指标评价模型,实现了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,提出了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了方法的有效性和可行性.

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：深度信念网络(Deep Belief Network, DBN)是一种深度学习模型, 解决了传统神经网络因梯度消失导致的深层训练难题, 目前已被广泛应用. 然而, 与其他机器学习模型一样, DBN泛化能力同样难以调控, 这对应用范围及效果提出了严峻挑战. 本文提出了一种深度信念网络泛化误差边界量化方法(DBN with Quantitative Generalization, DBN-QG), 旨在解决DBN泛化误差上界不可控的问题, 提升泛化能力. 首先, 构建一个DBN模型, 分析训练误差与测试误差在数据序列上的关联特性, 给出泛化误差的数学描述. 其次, 通过分析模型的Rademacher复杂度、稀疏度等特性, 提出泛化误差边界上限可量化约束性定理, 给出证明. 最后, 根据泛化误差上界约束, 给出DBN模型在训练阶段的最优参数配置, 并将最优参数配置的DBN-QG用于预测胶州湾近海岸水环境CO2浓度. 实验结果显示, 所提出的DBN-QG模型在预测精度和泛化性能方面均优于其他预测模型. 同时, DBN泛化误差的边界量化方法不仅提高了其在CO2预测方面的可解释性, 同时为机器学习模型的量化分析提供了较为一般化的理论基础.

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：连续重整（CCR）装置是石化行业的重要装置之一，针对该装置在原料性质不确定下的操作优化问题，本研究提出一种改进的多目标贝叶斯优化方法。该方法首先采用多目标贝叶斯优化（MOBO）框架，通过高斯过程代理模型高效逼近Pareto前沿。为提升解集多样性，创新引入迭代距离阈值机制，有效缓解传统方法中的解集聚问题。针对原料不确定性，提出一种数据驱动的不确定性区间构建方法，将历史统计信息与实时测定值相结合，更准确地刻画原料波动特性。在此基础上，通过层级图法从Pareto解集中筛选候选操作点，并在模拟的多种原料场景下评估其鲁棒性，最终获得兼顾优化性能与运行稳健性的操作方案。基于27集总CCR机理模型的仿真结果表明，所提方法能以较少评估次数获得分布更优的Pareto前沿，为工业装置在原料波动下的操作优化提供了有效解决方案。

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：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.本文以零售商利润最大化为目标,分别构建了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.进一步地,为应对需求波动的不确定性,基于多面体不确定集构建了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：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：针对变电站仪表外观缺陷检测中存在表盘破损语义表征不足及露水、水汽等伪纹理导致的复杂背景干扰，以及远距离拍摄造成的小尺度缺陷定位不稳定等问题，本文在YOLO11n基础上提出DLMFR-YOLO模型.首先，构建双向多尺度特征融合传播网络(Bidirectional Multi-scale Feature Amalgamation Propagation Network, BiMFAPNet)，在颈部实现多尺度特征的双向交互与细节补偿，强化仰角视角和小目标缺陷的语义与结构表征；其次，设计星注意力特征提取模块(Star Attention Feature Extraction Module, SAFE)，利用星操作与上下文锚点注意力在空间与通道维度突出表盘裂纹、外壳破损等关键区域，有效抑制复杂背景及露水、水汽伪纹理的干扰；再次，引入WIoUv3作为边界框回归损失，通过动态质量加权机制提升小目标场景下边界回归的稳定性与精度；在此基础上，采用StarNet轻量化主干网络与轻量级共享卷积检测头(Lightweight Shared Convolutional Detection Head, LSCD)对模型结构进行轻量化改造，压缩参数规模与计算量；最后，构建基于Bridging Cross-task Protocol Inconsistency Knowledge Distillation(BCKD)的逻辑蒸馏框架，以轻量化前后的模型分别作为教师与学生网络，弥补轻量化带来的精度损失.实验结果表明，在自建变电站仪表外观缺陷数据集上，与YOLO11n相比，DLMFR-YOLO的mAP@0.5提升3.2%，参数量下降31.4%，FLOPs降低15.9%，在显著降低模型复杂度的同时保持甚至提升了检测精度，体现出良好的工程应用与部署优势.

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：为解决故障先验信息未知场景下旋转导向钻井工具系统的故障诊断难题, 本文提出了一种融合概率Transformer与粒子滤波的智能故障诊断方法. 首先, 针对传统粒子滤波在故障先验缺失条件下粒子采样能力受限且易产生粒子退化的不足, 通过引入一个包含系统状态和传感器故障的增广向量构造非线性奇异系统, 借助训练完备的概率Transformer生成条件概率分布进行奇异系统的粒子采样, 并且充分利用测量信息优化粒子滤波的重要性采样分布以缓解粒子退化现象, 实现了系统状态与故障的联合估计. 其次, 对估计结果的统计特性进行分析, 设计了近似服从$\chi^{2}$ 分布的残差评价函数, 采用移动平均策略改进故障检测算法, 有效降低故障的漏报率. 最后, 通过仿真验证与旋转导向钻井工具系统实验分析, 验证了所提故障诊断方法的有效性, 结果表明所提方法能够提升诊断精度、降低算力成本.

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：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。针对这些问题，本文提出一种多源知识自适应融合预测的动态多目标进化算法（DMOEA），称为MSFP-DMOEA。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，并利用多模态知识库（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、合并与淘汰机制，实现历史知识的动态维护。在多个基准测试问题上的实验结果表明，MSFP-DMOEA在收敛性、多样性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：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：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，本文提出了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，引入了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了总体能耗。

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：针对常规多旋翼飞行器存在着位姿耦合及动力系统冗余等问题. 本文将双旋翼旋翼数目精简的结构优势与倾转旋翼位姿解耦优势相结合, 提出一种二自由度机臂可倾转双旋翼飞行器(Tiltable Bicopter with Two-degrees-of-freedom Arms, TBTA). 首先对其进行了基于四元数的动力学建模与运动学建模，并在此基础上研究了解耦控制分配方法. 针对其变姿过程中强耦合、非线性和参数摄动与扰动问题, 设计了位姿非奇异终端滑模自抗扰控制器(NTSMC-ADRC). 通过仿真验证了NTSMC-ADRC控制器良好的鲁棒性和抗扰性. 最后通过变姿与斜面应用飞行实验验证其在斜坡、树木和高空建筑等非水平面类型场景下起降的应用价值.

摘要：可再生能源(Renewable energy sources, 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，本研究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，设计了基于信息熵的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，建立了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，提出了多模态NSGA-III(Multi modal NSGAIII,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。仿真结果表明，所提框架可降低系统碳排放16.2%，减少运行成本10.87%，为高比例RES接入下的低碳经济可靠调度提供了有效解决方案。

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：针对多自由度机械臂的轨迹跟踪问题, 本文提出一种基于增强型近端策略优化的 PID(Enhanced PPO-PID) 控制算法. 首先, 该方法构建了基于共享特征提取层的统一网络架构, 在提升策略与价值函数协同优化能力的同时, 显著减少模型参数量, 提高了收敛速度与学习效率；其次, 提出一种基于性能回报动态调节训练迭代次数的机制, 从而实现训练初期快速收敛与后期策略稳定之间的平衡；再次, 引入价值函数裁剪, 通过限制单次更新幅度, 有效平滑学习曲线, 增强了高方差环境下的训练鲁棒性；最后, 在 PandaReach-v3 机械臂仿真平台上, 通过对比实验验证了所提方法在轨迹跟踪性能和鲁棒性方面的优越性.

摘要：当前灰色分数阶多变量模型多是系统项和驱动项取相同分数阶数,忽视了驱动项分数阶数变化对模型精度的影响.为了进一步提高含分数阶的灰色多变量预测模型的拟合预测精度,通过引入非等阶分数阶和非线性函数,提出一个新的非等阶离散非线性灰色多变量预测模型. 对该模型的建模机理、参数估计、递推时间响应式等进行研究,并讨论模型参数几种特殊取值下该模型的性质.最后将该模型应用于江苏省港口货物吞吐量的预测问题中,拟合精度1.05%,预测精度1.91%.结果表明：所提模型拟合和预测的精度均显著优于对比模型,验证了所提模型的适用性和有效性.

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：针对四旋翼无人机系统陀螺效应因子与风阻系数未知, 且在实际轨迹跟踪过程中易受阵风干扰的问题, 提出了一种具有参数自适应和干扰估计的反步控制算法. 首先, 对四旋翼无人机的数学模型进行分析, 将其转化为带有阵风干扰的严格反馈形式, 并利用已知参数和状态变量误差分别设计陀螺效应因子和风阻系数的自适应学习律; 其次, 利用自适应律实时得到的参数值, 结合位姿跟踪误差及其导数分别设计位姿环的干扰估计器, 用于在控制输入中补偿阵风扰动; 然后, 利用未知参数的自适应值和阵风扰动估计值设计出反步控制算法, 并基于Lyapunov稳定性理论, 对无人机的位置环和姿态环的渐近稳定性进行了严格证明. 研究结果表明, 所提算法在部分参数未知和阵风干扰情况下能够使无人机精确跟踪期望轨迹, 增强了无人机的抗干扰性. 最后, 通过仿真实验进一步验证了所提方法的有效性.

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），构建了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与排序智能体。其次，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与排序规则。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，构建了多树小生境遗传编程辅助的多智能体深度强化学习框架。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与对比分析，结果验证了所提方法在求解DWSPFC-RU上的有效性与鲁棒性。

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：针对传统基于图像的视觉伺服（IBVS）在实际应用中存在的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，本文提出了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，实现了伺服增益的非线性自适应调节；并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了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，所提方法的收敛时间缩短约7.09%–16.7%，相机轨迹长度降低约27.48%–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该方法在真实场景下的收敛效率提升，以及所提无标定框架的鲁棒性与有效性。

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：无人飞行器智能空战对未来战争具有颠覆性意义，其中关于机动目标跟踪的智能决策与控制研究近年来取得了巨大进展，但在应对战斗机过失速机动迅速改变飞行位置与状态的跟踪方面，仍然存在跟踪精度低甚至丢失目标的问题，难以实现导弹制导系统精确打击的应用。为有效解决该问题，提出一种基于目标运动智能决策的制导系统设计方法。该方法考虑几种典型过失速机动动作的完整过程，将其分解为小迎角飞行、快速俯仰抬头、绕速度矢量旋转、快速俯仰低头四种基本运动模式，以最小化运动建模误差为目标，通过LSTM神经网络预测目标处于四种运动模式的概率分布，并进一步采用与运动模式特征相适应的控制策略来提高跟踪精度。仿真实验结果表明，所提方法在保证不丢失过失速机动目标的同时能够有效提升目标跟踪的鲁棒性和精确性。

摘要：为提升优化算法在复杂函数优化场景中的性能表现，本文提出一种改进的豺优化算法(FETDOA)。该算法以豺优化算法(DOA)为基础，通过Fuch混沌映射提升初始种群均匀性与搜索覆盖，切线飞行策略在猎物吸引方向正交子空间加可控扰动以保收敛、强局部探索，缓解早熟收敛与局部停滞，改进经验交换策略（EES）强化个体信息共享、提高协同搜索效率，实现快速高精度收敛。为验证其性能，将FETDOA与八种优秀算法展开对比，并结合Wilcoxon秩和检验进行统计显著性分析。实验结果显示，在多数测试函数上，FETDOA的平均值及标准差均显著优于对比算法。最后通过3个工程案例，展示了FETDOA在工程应用中卓越的能力。综上，FETDOA在复杂函数优化中具备更强的收敛精度与稳定性，为工程优化等实际问题提供了高效的求解方案。

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，首先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：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，本文从提升值函数估计准确性的角度出发，构造了一种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：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：不平衡回归是指连续目标变量分布不平衡且焦注于稀有值预测的方法. 与不平衡分类相比, 不平衡回归的一个额外挑战是如何界定稀有值并与普通值加以区分, 这是准确预测低密度区域稀有值的基础. 针对这一挑战, 本文首先提出了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. 然后, 基于KK-means, 本文提出了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从识别出的稀有区间中提取信息, 并在自助采样过程中动态调整样本权重, 增强模型对稀有区域的关注, 从而在训练过程中能够更好地学习稀有值样本的特征; 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. 实验结果表明, RareBoost在ANLL、RMSE与$R^{2} $等关键指标上优于传统方法. 因此, RareBoost为解决不平衡回归任务提供了一个有效的工具, 并在该领域展示了强大的竞争力.

摘要：随着集成电路(Integrated Circuit，IC)工艺节点的不断缩小，光刻版图中的热点问题对芯片性能和可靠性的影响日益显著。鉴于传统基于深度学习的光刻热点检测方法难以满足先进集成电路制造对检测精度及模型泛化能力的要求，本文提出了一种基于深度学习的k-Nearest Vision Transformer（kNViT）模型，用于光刻热点的精确检测。本模型采用对比归一化模块（ContraNorm Module, CNM）和k-最近邻注意力模块（kNNAttention Module, kNAM）来提升特征表示和识别精度。同时，利用光刻版图扩散模型（Photolithography Layout Diffusion Model, PLDM）生成图像，增强了数据多样性。此外，提出了电路特征感知损失函数（Circuit-Aware Loss Function, CALF），优化光刻版图扩散模型在预测噪声时的表现。通过数据增强策略，旋转和对比度调整，进一步提升模型的泛化能力。实验结果表明，kNViT模型在多个光刻版图数据集上展现出高准确率的热点检测性能。在ICCAD 2012数据集上，平均召回率达99.7%，平均准确率98%，平均精确率90.9%，F1分数95%。研究表明，kNViT模型在光刻版图热点检测任务中表现出色，可作为辅助检测工具，有效提高检测准确性和效率，具有工业设计应用潜力。

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.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,第一阶段聚焦地铁货运中转站布局与资源分配优化,第二阶段基于现有线路设计地铁与货车协同配送路径.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模型和算法的有效性.结果表明,相比传统配送方案,该模式可使配送距离显著缩短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：针对由一般线性系统驱动的移动目标，研究二阶多智能体系统固定时间旋转一致性问题。在复杂环境中，考虑部分智能体因感知范围受限或通信限制而无法直接获取移动目标的位置与速度信息，基于此，设计一种基于时变坐标变换的分布式观测器，该观测器只利用智能体间的局部交互信息，使所有智能体均能在固定时间内精确估计移动目标的位置。在此基础上，设计局部固定时间输出反馈控制器，通过引入目标跟踪、旋转控制、位置一致性及速度补偿项，实现系统在无速度信息条件下的固定时间旋转一致性。随后，结合双边极限齐次性理论与李雅普诺夫稳定性理论，证明系统的固定时间稳定性。理论分析证明，所提控制器能确保所有智能体在固定时间内实现旋转一致性。最后，仿真实验验证了所提控制器的有效性。

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了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,并构建了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,有效约束了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,本研究的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控制器的有效性与可行性.

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. 本文系统综述了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，深入阐述了每类方法的基本原理、发展脉络与性能特点. 文章进一步围绕故障检测、隔离与估计三个核心环节，全面回顾了集员估计在故障诊断中的研究进展，对比分析了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，本文系统梳理了该方法在各领域的典型应用成果，并总结了当前面临的关键挑战. 最后，文章指出了未来值得深入研究的若干方向.

摘要：人形机器人是机器人领域的研究热点，其类人结构展现出了优异的人类环境适应性，能够实现复杂场景的高效作业，可以在工业、服务、救援、医疗等场景中辅助或替代人工作业，是能够对产业发展产生颠覆性影响的技术。然而，人形机器人高集成度系统设计和高动态性运动的需求，对驱动控制技术带来了全新的挑战。本文首先结合具体案例分别介绍了电机与液压两种驱动形式的人形机器人的发展历程，总结了各自的特点；其次，从驱动器和驱动控制算法上梳理了驱动技术的研究现状，着重介绍了电机驱动器、液压驱动器及其对应的控制算法；然后，阐述了人形机器人主流的运动控制方法，详细介绍了基于简化模型、基于稳定判据和基于学习策略的三种运动控制方法；最后，从人形机器人的电机驱动高功率化、“骨骼血管”一体化、电动静液作动器模块化等三个方面总结了人形机器人发展面临的挑战及发展展望。

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：挖掘用户生成内容中的有效信息并为用户提供个性化产品排序是数智时代电商运营管理的新方向. 现有研究在分析文本评论情感时存在偏差进而影响排序效果; 此外, 现有推荐模型未考虑用户偏好不确定性对排序结果的影响. 为弥补上述不足, 提出一种用户生成内容环境下结合深度学习与贝叶斯偏好分解的排序模型. 首先, 为减少未标注评论的情感分类偏差, 提出基于预训练大语言模型的情感分类方法, 利用BERTopic主题模型挖掘在线评论中用户关注的产品准则与关键词, 将标注数据用于LoRA微调Chinese-RoBERTa情感分类预训练模型. 其次, 利用蒙特卡洛模拟将准则偏好转换为贝叶斯先验信息, 构建不同类型的似然函数建模确定和不确定的产品偏好信息, 结合贝叶斯准则与偏好分解方法计算产品排序的分布概率, 进而为用户进行排序推荐. 最后, 通过京东平台的医疗手环排序案例验证模型的有效性. 该模型为数智时代的偏好学习与产品排序推荐提供了新视角.

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. 针对这一问题, 本文提出了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, 并结合 K-shell 算法和 Shapley 值测度节点综合影响力, 然后在此基础上结合风险匹配度计算决策者的权重. 其次, 构建了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, 本文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：针对当前城市电动汽车充电站选址问题中，传统方法忽视成本与服务水平的权衡关系、覆盖率未被作为刚性约束，以及复杂路网下需求时空异质性导致的全局优化困难等问题，本文提出了一种双目标优化与覆盖率约束融合的新型选址模型，并设计了改进鲸鱼优化算法（IWOA）求解帕累托最优解集。首先，将覆盖率定位为刚性约束，建立了以最大化服务水平与最小化全周期总成本为核心的双目标规划模型，该模型采用基于余弦的距离满意度函数和M/M/s排队模型量化服务水平，通过资本回收因子整合快/慢充电偏好及高峰时段修正进行成本评估，并在需求点唯一覆盖、排队系统稳态等约束下实现协同优化；其次，在算法设计上引入自适应权重控制机制、混合搜索策略及局部搜索增强，显著提升算法的全局搜索能力与收敛效率；最后，基于西安市POI数据和实际路网数据选取80个需求点、64个候选站点，通过算例分析对比了IWOA与PSO、GA等算法的性能，并构建成本-服务水平-覆盖率三维决策框架直观展示约束条件对优化目标的影响。研究结果表明，该方法在覆盖率约束0.8时实现最优权衡，服务覆盖率提升至93.6±1.7%，全周期成本降低至1224±73万元，用户平均等待时间缩短至3.3±0.4分钟。本研究能够为解决充电基础设施布局滞后问题提供系统性决策框架，对提升城市电动交通网络效能具有重要实践价值。

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：针对不平衡多模态多目标优化的等效Pareto最优解集难以找全的问题, 提出一种排斥机制驱动的多阶段 多目标演化算法. 该算法将整个演化过程划分为三个阶段并在不同阶段采用不同的环境选择方法, 以此实现在 不同的演化阶段搜索不同等效Pareto最优解集的优化任务. 具体地, 第一阶段的环境选择方法仅考虑个体在目标 空间中的收敛性, 这使得种群能够快速收敛到最易找到的等效Pareto最优解集; 第二阶段的环境选择方法采用基 于排斥机制的搜索策略, 该策略通过对靠近已找到的等效Pareto最优解集的个体进行自适应惩罚, 这有利于避免 种群对重复区域进行搜索和降低算法陷入单一等效Pareto最优解集的风险; 第三阶段的环境选择方法通过同时 兼顾个体在目标空间和决策空间中的收敛性与多样性的方式对前两个阶段获得的等效Pareto最优解集进行微 调, 以进一步提高算法的优化性能. 实验研究结果表明, 提出的算法在相同函数评价次数条件下能够找到全部等 效Pareto最优解集, 且与其它7个同类算法相比, 其在目标空间和决策空间上的综合性能具有一定的优势.

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：精准预测路网交通流是保障智能交通系统高效运行的基础。针对现有方法存在难以有效建模交通流数据中复杂非线性时空动态依赖关系的问题，提出一种基于增强时空Transformer（ESTformer）的交通流预测方法。该方法设计多尺度时间Transformer和增强空间Transformer分别建模交通流量序列数据之间的时间依赖关系和不同节点之间的空间依赖关系。多尺度时间Transformer构建短期门控卷积网络捕获交通流数据中的短期时间依赖关系，并引入时间多头自注意力机制捕获长期动态时间依赖关系。增强空间Transformer通过对偶变换增强键向量的特征表达能力，利用时变掩码矩阵动态更新键向量，提高了模型同时捕获节点特征和边特征的能力。在4个真实交通流数据集上的测试结果表明，与基线方法相比，所提基于ESTformer的交通流预测方法具有更优越的预测性能。相比于13种基线方法在不同数据集上表现最佳者，所提方法在12个时间步上的平均绝对误差(MAE)和均方根误差(RMSE)分别改进了1.14\%-3.88\%，0.36\%-1.78\%。

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，本文结合量子化自编码器和轻量化的ResNeSt网络，提出了一种面向复杂工业场景的人体姿态快速估计方法。特别地，本文提出了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：灰色关联分析是多因素系统分析的重要方法, 其基于序列折线的几何形状量化因素间的关联性. 现有方法多假设序列等间隔分布而后在欧氏空间构建关联度的代数表达式, 其理论完备性尚待论证; 且忽略了序列的分布间隔、观测误差以及折线的高阶几何特征, 导致精度低和适用性受限. 为此, 本文揭示关联度代数表示的泛函分析基础, 在函数空间中探索其泛函表示及高阶多变量拓展. 首先, 引入样条光滑法构建本征函数空间; 其次, 推导关联度的有界非线性泛函表示; 最后, 设计关联度的高阶泛函拓展, 并以多变量序列为例给出关联分析算法. 以某型号坦克炮身管烧蚀磨损数据为基础, 运用所提方法聚类评估身管剩余性能, 结果表明该方法在适用范围、可解释性和准确性等方面均优于对比模型, 为武器装备健康管理提供支持.

摘要：随着无人机技术在城市安防、交通监管和应急救援等领域的快速发展,无人机图像的目标检测与识别技术为多行业应用提供了可靠的技术支持.低空视角的目标检测任务面临小目标密集、尺度变化大、背景复杂等挑战.针对上述问题,本文提出一种改进的YOLO11无人机图像目标检测算法.首先,设计CSP-MS模块通过分层融合和异构卷积结构实现多尺度特征的表达;其次,设计特征增强多尺度特征聚合金字塔模块,通过空洞卷积与跨层融合机制提高模型对复杂场景的感知能力;最后引入轻量级动态任务对齐检测头,降低模型参数量的同时提升对小尺寸目标的检测精度.模型在VisDrone数据集上mAP0.5和mAP0.5:0.95指标分别提升10.2%和6.7%,在CODrone数据集上分别提升5.4%和3.7%,实验结果表明,改进模型在小目标、复杂背景和多尺度目标场景中均具有显著性能优势,体现出较强的泛化能力和实用价值.

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：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：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：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：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：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：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。