<?xml version="1.0" encoding="utf-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005">
<channel xmlns:cfi="http://www.microsoft.com/schemas/rss/core/2005/internal" cfi:lastdownloaderror="None">
<title cf:type="text"><![CDATA[《控制与决策》编辑部 -->机器学习驱动的智能优化调度理论]]></title>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[进化多任务优化综述: 技术进展、问题分类及应用]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0564]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[进化多任务优化 (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能够显著提升算法的效率和解的质量. 鉴于此, 对近10年 EMTO 的研究进展进行系统性综述, 从技术进展、问题分类及应用3个维度展开. 首先, 深入剖析进化多任务算法的核心技术, 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, 详细阐述其关键特征与求解策略; 此外, 梳理主流 EMTO 工具平台的功能特点, 并介绍其在路径规划、数学、机器学习、计算机视觉等领域的成功应用案例; 最后, 探讨该领域的现存挑战, 并对未来研究方向进行展望, 以期为相关学者提供技术参考与指引.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[李水佳，李延炽，王锐，龚文引，张廷昱，王凌]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0564]]></guid><cfi:id>10</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于马尔科夫网混合分布估计算法的多维0-1背包问题求解]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0909]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[针对多维0-1背包问题,提出一种基于马尔科夫网的混合分布估计算法(hDEUM), 使用马尔科夫网络(MRF)作为概率模型, 采用无向图表示变量间的依赖关系. 基于多维背包问题的特性设计解的修复机制和局部增强操作, 有效修复采样后新种群的不可行解, 并设计邻域搜索算子以增强算法的局部搜索能力. 最后基于多个标准测试集进行实验, 通过对比经典进化算法与hDEUM的求解效果验证了所提出算法的有效性和性能的优越性.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[王境琦，江振鑫，吴楚格，夏元清]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0909]]></guid><cfi:id>9</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于改进图神经网络算法的异构多智能体动态任务分配]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0887]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[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, 提出一种自适应深度图神经网络(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, 根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; 然后, 引入仿生优化机制, 模拟自然进化和群体协作过程, 增强系统在动态干扰下的鲁棒性和全局寻优能力, 从而形成具备环境自适应的智能决策框架; 最后, 通过仿真实验结果表明: 在动态环境下, 所提出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、协同效率以及环境适应性方面的综合性能.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[马梓元，冯鹏宇，龚华军，王新华]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0887]]></guid><cfi:id>8</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于改进NSGA-II算法的多目标矩阵组织人力资源调度研究]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0885]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[矩阵组织因双向管理提升管理效能而被广泛应用. 该型组织架构复杂、层级关系交织、人员流动呈现多元化的特征, 对人力资源调度带来巨大挑战. 为有效提升矩阵组织人力资源的效能, 充分考虑不同单位超缺编率和晋升率之间的联系和冲突, 展开矩阵组织人力资源调度多目标优化模型与算法的研究. 首先, 以流动网络的形式对结构编制和人员流动情况进行系统性表示, 构建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前沿分布性欠佳的问题, 提出一种基于算子自适应选择的NSGA-II算法, 通过深度$Q $网络方法动态选取合适的算子. 最后, 根据矩阵组织的现实特性, 生成不同规模的测试算例, 通过将该算法与其他经典多目标优化算法进行对比, 验证该算法在所提出模型中的求解性能. 通过所做研究, 可为矩阵组织人力资源调度问题提供科学的决策依据.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[黄静波，姚锋，陈超，邢立宁，伍国华，宋彦杰]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0885]]></guid><cfi:id>7</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[元知识辅助的小生境差分进化算法求解非线性方程组]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0873]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[非线性方程组的多根联解是一项具有挑战性的任务, 尽管差分进化算法已被广泛应用于求解此类复杂问题, 但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, 影响了算法的性能. 鉴于此, 提出一种基于元知识的小生境差分进化算法. 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”, 设计神经网络模型对元知识进行学习与建模, 并将环境特征向量作为模型输入, 精准感知个体当前所处的环境, 进而提升所生成预测的差分向量, 高效引导后续种群进化. 同时提出两种基于元知识的变异策略, 以提升算法搜索效率. 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, 并在找根率和成功率指标上表现优异.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[廖作文，覃慧琳，谷琼，李水佳]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0873]]></guid><cfi:id>6</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[面向工业物联网的相似度聚类个性化联邦学习]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0831]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[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以及无关模型聚合导致的负面影响问题. 鉴于此, 提出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和分析, 实验结果表明: 1)准确率方面, PFedSA算法在病态Non-IID等3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算法对于设备掉线率的鲁棒性更好, 对于数据异质性的适应性更强, 能够有效提升模型个性化性能.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[张心雨，史培中，古春生，张言，景征骏]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0831]]></guid><cfi:id>5</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于跨域知识动态筛选与非负子空间对齐的多任务进化算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0529]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[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, 如何筛选有益知识以及设计高效的迁移方式仍然是多任务知识迁移亟需攻克的难题. 鉴于此, 提出一种基于跨域知识动态筛选与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以实现有益解直接迁移; 然后, 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; 接着, 基于跨域知识动态筛选与非负子空间对齐的互补机制, 给出所提出多任务优化算法的完整框架; 最后, 为验证所提出算法的有效性, 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、对比以及验证实验. 实验结果表明, 与其他5种先进多任务优化算法相比, 所提出框架具有显著的竞争性优势.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[殷涛，姚立忠，董浩铭，罗海军]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0529]]></guid><cfi:id>4</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[基于分布式元强化学习的多敏捷卫星多目标调度算法]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0112]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[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$学习模型实现多种群进化算子的自适应选择; 然后, 基于所提出的进化框架和问题特征, 设计多样化的进化算子和动态种群划分选择策略, 建立一种分布式元$Q $学习协同进化算法(DMCEA); 最后通过实验验证DMCEA求解问题的有效性.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[张广辉，魏晨轩，冯彦翔，李晓玲]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0112]]></guid><cfi:id>3</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[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]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0110]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[贝叶斯网络(BN)是一种概率图模型, 用于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, 使得贝叶斯网络结构学习(BNSL)成为NP难问题. 遗传算法(GA)可以高效地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, 但是仍然存在过早收敛, 结构准确率不高等问题. 鉴于此, 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(DM-GABN). 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; 在选择算子阶段, 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. 在10个标准BN数据集上对DM-GABN进行实验评估, 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, 所提出方法学习的BN结构准确率更高, 算法收敛速度更快.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[方伟，吴昀霖，朱书伟]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0110]]></guid><cfi:id>2</cfi:id><cfi:read>true</cfi:read></item>
<item>
<title xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="text"><![CDATA[矩阵权重网络上混杂多智能体系统的分布式优化]]></title>
<link><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0550]]></link>
<description xmlns:cf="http://www.microsoft.com/schemas/rss/core/2005" cf:type="html"><![CDATA[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. 具体而言, 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所提出算法的有效性.]]></description>
<pubDate>2026/3/24 13:10:19</pubDate>
<category><![CDATA[机器学习驱动的智能优化调度理论]]></category>
<author><![CDATA[熊如新，妙锁霞，巩勇杰，刘俊秀，苏厚胜]]></author>
<guid><![CDATA[http://kzyjc.alljournals.cn/kzyjc/article/abstract/2025-0550]]></guid><cfi:id>1</cfi:id><cfi:read>true</cfi:read></item>
</channel>
</rss>