摘要:多智能体系统通过智能体间的信息交互与协调实现整体目标, 其一致性研究不仅揭示了自组织与分布式控制的特点, 也在计算机科学和人工智能等领域展现出重要的应用价值. 智能体间的相互作用高度依赖网络通信条件, 而数据传输过程中网络攻击的频繁发生对系统的安全稳定运行提出了严峻挑战. 鉴于此, 总结网络攻击下多智能体系统一致性安全与隐私保护的研究进展. 首先, 简要介绍攻击者对信息传输的保密性、完整性以及可用性产生的影响, 揭示系统在窃听攻击、虚假数据注入攻击和DoS攻击这3类典型的攻击模式下的脆弱性; 然后, 针对不同网络攻击类型的特点, 从防御者的角度对多智能体一致性研究中的安全控制与隐私保护问题进行讨论, 并进一步梳理应对攻击常用的检测与防御保护机制; 此外, 综合讨论不同攻击在分布式控制相关研究分支的发展现状; 最后针对多智能体系统一致性安全与隐私保护研究中存在的技术难题与挑战进行分析, 并对未来研究方向进行展望.

摘要:在无人机目标跟踪任务中, 实时规划一条安全、有效且具有高度目标可见性的轨迹, 是实现目标稳定跟踪的关键. 为保证无人机在复杂未知环境下实现目标稳定跟踪, 提出一种无人机主动观测轨迹规划方法. 首先, 使用预测模型获得一系列离散的未来目标轨迹点; 其次, 根据当前环境地图信息, 在每个目标轨迹点周围生成可视区域和初始视点, 并设计一系列代价函数对视点进行优化; 最后, 结合每个目标轨迹点的最优视点位置约束对无人机跟踪轨迹进行优化. 仿真结果表明, 所提出方法能够在各种复杂环境中完成目标实时稳定跟踪任务, 较好地解决了现有方法存在的目标被遮挡问题.

摘要:在多无人机多目标的森林火灾救援侦察场景下, 针对任务规划问题复杂度高、任务规划速度与任务执行效率难以平衡的问题, 提出一种面向多目标侦察的多无人机分层任务规划方法. 该方法对任务规划问题进行适当解耦以降低复杂度, 将任务规划分为航迹规划、任务目标分配和任务序列规划3部分. 首先, 提出基于状态空间采样规划和Dubins曲线的航迹规划算法, 考虑无人机动力学约束, 为后续步骤构造任务节点连通图, 生成可行航迹集; 然后, 在任务目标分配阶段进行谱空间转换, 基于目标群划分的非线性特性, 通过谱聚类实现快速目标分配; 最后, 提出结合分支定界法和模拟退火算法的混合优化算法实现任务序列规划, 结合可行航迹集生成任务执行航迹. 所提出方法针对任务规划问题设计解耦算法, 能够快速地规划出较好结果. 与其他任务规划方法进行仿真对比实验, 实验结果表明所提出方法任务规划结果航迹长度更短、规划耗时和任务耗时更少, 且航迹满足动力学和禁飞区约束.

摘要:针对经典蚁群算法在无人机三维航迹规划过程中全局搜索能力不足、易陷入局部最优等问题, 提出一种多重搜索策略引导的蚁群优化算法. 首先, 结合改进的人工势场法, 创建引导区增强初始化信息素分布策略, 为蚁群的整个寻优过程提供区域性参考, 提升蚁群全局搜索能力; 其次, 依靠多重邻域惯性搜索策略和新的信息素计算方法, 实现蚁群寻优步长的动态扩展, 减少路径转折点数量及路径节点数量, 增强最优路径的均衡性和平滑性; 然后, 通过启发函数优化策略在蚁群寻优各个阶段实现动态调整启发信息调整因子, 改善算法自学习能力, 提升适应性和收敛效率. 实验中通过测试函数横向对比和复杂三维任务场景纵向应用, 多重搜索策略引导的蚁群优化算法在新的目标函数中相较于经典蚁群算法无人机航迹规划能力获得了提升.

摘要:无人机作为一种新兴的数据采集工具, 正在治安巡逻、森林防火和设施检查等监控巡检领域迅速普及. 针对此类问题, 提出一个混合整数规划模型, 通过将监控资源的分配类比为库存管理问题, 量化因过度频繁地监控而产生的成本, 以优化资源分配. 所提出模型考虑无人机的续航限制以及监控需求拆分机制, 综合优化巡检点的分配、无人机的服务路径以及每条路径的巡检周期, 以最小化系统的总运营成本. 为求解该模型, 提出一种基于蚁群优化算法(ACO)和自适应变邻域搜索(AVNS)的混合启发式算法. 在算法的每次迭代中, 首先由ACO构建初始解, 然后基于AVNS的6种邻域结构持续优化解的质量. 在23个小规模实例中, 该算法均可获得与求解器质量相当的解. 对于采集自长沙市的121节点大规模实例, 求解器在10 h内无法找到任何可行解, 而所提出算法在较短时间内可得出质量较高的解决方案, 并通过消融实验验证了所提出算法的有效性和良好的求解稳定性.

摘要:针对传统反无人机集群方法仅聚焦于检测或打击的单阶段研究, 以及目标检测漏检、打击点覆盖不足的问题, 提出检测-聚类两阶段反无人机集群打击策略. 检测阶段输出的高置信度时空坐标为聚类分析提供可靠输入, 聚类阶段生成聚类中心作为关键打击点, 形成精准检测-聚类打击的闭环协同机制. 首先, 检测阶段改进YOLOv8算法, 针对无人机集群小目标、密集分布特性, 在检测头部分引入多尺度卷积注意力设计, 融合Backbone网络提取的多尺度特征以提高检测精度, 验证集测试检测精度mAP50达95.77%, mAP50-95达59.66%, 较原始模型分别提升1.2%和2.4%; 其次, 聚类阶段提出改进的快速模糊$ C $均值(AFCM)聚类算法, 利用中心筛选以及动态隶属度削减策略将收敛效率较传统FCM提升55%; 最后, 在自建多场景无人机集群数据集测试, 帧率30 fps时, 检测-聚类全流程耗时低于2 ms, 验证了所提出的两阶段反无人机集群策略以及算法的有效性.

摘要:无人机智能空战是改变未来战争形式的颠覆性技术, 而深度强化学习是实现空战智能决策的重要技术范式. 虽然相关研究近年来取得了巨大进展, 但基于虚拟仿真交互设计的强化学习空战决策模型仍然存在学习效率低、泛化性能差的问题, 难以有效地实现在现实差异条件下的虚实迁移应用. 为增强空战智能决策模型从虚拟仿真环境到真实物理空间的适用性, 提出一种基于域随机化增强EfficientZero算法的近距空战机动智能决策模型设计方法. 该方法通过高效利用自我博弈产生的环境交互数据来习得智能决策能力, 并进一步采用域随机化技术提高模型的鲁棒性能. 仿真实验结果表明, 基于EfficientZero算法得到的智能决策模型可以高效地利用空战对抗样本数据, 避免自我博弈中常见的策略循环问题; 同时, 域随机化增强技术显著提升了强化学习空战智能决策模型的泛化性能, 有效增强了现实差异条件下决策模型的鲁棒性.

摘要:针对多访问同时取送货车辆-无人机协同路径优化问题(MV-VDCRP-PD), 考虑无人机单次飞行可访问多个客户、客户时间窗、同时送取货以及车辆速度受路网影响等约束, 以最小化配送成本为目标, 建立MV-VDCRP-PD数学模型. 为有效求解该问题, 提出一种基于遗传算法与自适应大邻域搜索算法的模因算法(MA). 在MA中, 一个个体编码为包含一个客户序列和一个客户访问模式序列; 定义惩罚函数以判定个体是否违反问题约束, 提出修正方法以保证解的可行性; 为实现算法在解空间的大范围搜索, 设计基于客户点的交叉算子以生成新个体; 同时, 基于问题特征设计4种破坏算子和4种修复算子以寻找更高质量个体; 此外, 采用种群更新策略保证种群的质量和可行解的占比. 最后, 在不同规模算例上进行仿真和对比实验以验证所提出MA的有效性.

摘要:针对一类具有状态约束和不可测状态的非线性系统, 提出一种基于观测器的自适应神经网络有限时间命令滤波控制方案. 首先, 构造积分障碍李雅普诺夫函数来确保系统的状态变量满足时变约束条件. 其次, 考虑到大多数非线性系统的状态是不可测的, 设计一个自适应神经网络状态观测器对不可测状态进行估计. 然后, 在控制器设计过程中采用有限时间命令滤波控制方法, 避免了“微分爆炸”现象, 并进一步引入误差补偿机制消除了滤波误差. 此外, 为了解决输入死区问题, 将死区模型描述为线性输入和有界扰动的形式. 所提方法保证了系统状态不会超出约束边界, 闭环系统中所有信号在有限时间内是有界的, 且跟踪误差在有限时间内收敛到原点附近邻域内. 最后, 通过两个例子验证了所提方法的有效性.

摘要:针对遭受混合异步拒绝服务(DoS)攻击与执行器故障共存的工业信息物理系统(ICPS), 在双端自适应离散事件触发通信机制(ADETCS)的驱动下, 研究具有多目标约束的ICPS多模态综合安全控制方法. 首先, 设计双端ADETCS用于对传感侧和执行侧的传输数据进行双重筛选, 其触发参数将依据系统的动态行为而自适应变化, 进而基于改进的麻雀搜索优化模糊C均值(ISSA-FCM)聚类算法对不同的控制模态进行离线划分和在线识别; 其次, 在传感侧, 基于数模联动的方法应对不同能量等级的DoS攻击, 在执行侧, 基于贝叶斯优化的长短期记忆网络(Bayes-LSTM)预测补偿由DoS攻击而丢失的数据, 同时采用主动容错应对执行器故障; 再次, 通过引入$ \alpha {\text{-}} $稳定性和$ {H_\infty } $等多目标约束条件, 基于构造的Lyapunov-Krascovskii泛函, 推证出多目标下ICPS的鲁棒观测器和综合安全控制器的求解方法, 并研究与触发参数对应的不同控制模态下多模态控制器的在线切换融合方法; 最后, 通过仿真实验验证所提方法的有效性和实用性, 实现ICPS网络服务质量与控制系统性能之间的双向自适应.

摘要:离线强化学习(ORL)通过预先收集好的数据集解决动态决策问题, 为强化学习在现实中的应用提供了极大的可能性. 现有ORL多聚焦于对抗分布外动作, 从而导致习得策略是次优的可能性增大. 鉴于此, 研究导致次优的认知误差问题, 提出一种基于温和泛化的不确定性离线强化学习方法(UAMG). 首先, 设计一种由习得策略和扰动模型组成的温和泛化策略, 以对未见过的动作具有一定的适应性; 其次, 在习得策略的更新网络中引入退火行为克隆作为惩罚, 逐渐提高习得策略的泛化能力; 此外, 将不确定性引入Q值函数的估计中, 利用温和泛化策略构造不确定性量化器, 实现对不确定性的有效量化, 进而减小认知误差. 理论分析表明, UAMG能够有效降低习得策略的次优性. D4RL基准上的实验表明: 相较于对比方法, UAMG在认知误差的抑制方面表现优异且在多数任务上获得最高的回报.

摘要:针对一类离散线性时变的合作-竞争多智能体系统, 研究其在能量受限的拒绝服务(DoS)攻击下的二分一致性控制问题. 考虑信号于控制器至执行器传输时, 遭受敌方蓄意发起能够阻断信息通信的受约束DoS攻击, 引入能量收集技术理念, 刻画攻击者发起攻击所需能量的约束, 并构建随机发起攻击的模型. 通过设计基于观测器的二分一致性控制器, 确保遭受能量受限DoS攻击的合作-竞争多智能体系统在给定的有限时域内实现预定的${\cal{H}}_\infty$二分一致性. 利用李雅普诺夫稳定性理论建立保证期望的${\cal{H}}_\infty$二分一致性的充分条件, 通过优化技术设计二分一致性控制器方案, 并得到控制器和观测器增益. 最后, 通过一个仿真示例验证所提出的安全二分一致性控制方案的有效性.

摘要:为了提升系统对周期性信号的跟踪性能, 提出一种复系数重复控制器. 该复系数重复控制器由一个复系数滤波器、一个时滞正反馈回路和一个积分控制器组成, 与广泛使用的低通滤波器不同, 复系数滤波器可以在不改变截止频率的情况下减小控制信号在周期信号谐波频率处的相位滞后. 因此, 复系数重复控制系统可以在不放大系统测量噪声的情况下提升系统的跟踪性能. 针对转速控制系统的仿真实验验证了所提出方法的有效性和优越性.

摘要:讨论切换1次齐次协同时变系统的状态界估计问题. 齐次协同系统是一种特定的非线性正系统. 在分析时变系统时, 没有使用比较原理. 首先, 提出当存在扰动时, 此切换非线性正时变系统轨迹渐近收敛至平衡点的一个邻域的准则, 并给出每个子系统的衰减率; 然后, 将这些准则推广至切换线性正时变系统; 最后, 给出一个数值例子来验证结论.

摘要:在“双碳”战略目标引领下, 随着国家节能减排政策的持续深化与绿色消费理念的广泛普及, 消费者的绿色低碳偏好愈发明显. 为响应市场对绿色产品的消费偏好, 制造业正加速推进绿色转型. 聚焦具有绿色转型意愿的制造企业(绿色产能需求方), 考虑其两种实现绿色转型的方式 —— 自主研发或通过产能分享平台实现绿色生产, 以低碳商誉水平为状态变量构建两种方式在不同情形下的微分博弈模型. 其中, 在绿色产能需求方选择通过产能分享平台实现绿色生产时, 考虑分散决策和集中决策两种情形, 并进一步设计成本分担协调机制. 研究表明: 不同情形下, 产品的低碳商誉水平均会随着时间而达到稳定状态; 绿色产能需求方自行研发绿色生产并不总是优于通过产能分享平台实现绿色生产, 这与两种不同生产方式的成本相关, 相对生产成本更低的生产方式表现更佳; 成本分担协调机制可以有效改善绿色产品的低碳商誉水平及供应链整体利润, 从而实现帕累托改善.

摘要:共享单车的时空分布和使用模式对其系统的部署和运营至关重要. 为此, 从动力、停靠方式出发, 对不同种类共享单车的出行特征和访问规律进行深入研究, 揭示出行距离、回转半径、等待时间等空间、时间特征的分布规律, 并在此基础上对共享单车出行范围、使用突发性进行分析. 此外, 采用Levenberg-Marquardt算法发现特定位置共享单车流量与出行距离、频率之间的高斯函数和指数函数关系. 最后, 提出衡量聚散程度变化的流量维纳指数, 量化共享单车的潮汐现象.

摘要:针对资源受限移动无线传感网络下的目标跟踪问题, 考虑到运动建模和接收信号强度(RSS)量化的不确定性, 提出一种基于RSS环境自适应事件驱动的鲁棒无迹卡尔曼融合滤波方法. 首先, 设计环境自适应事件驱动机制, 使移动目标能适应周围锚点分布动态调度接近期望数量的锚点, 同时动态触发锚点数据传输, 以降低无线传感网络节点的计算、电能和通信负担; 然后, 引入随机均匀分布的噪声协方差刻画运动建模和RSS量化的不确定性, 并结合多重Sigma点均匀随机采样加权平均, 构建鲁棒平方根无迹卡尔曼融合滤波算法, 以减少不确定性对目标跟踪性能的不利影响; 最后, 通过数值仿真结果表明, 所提方法在保证触发接近期望数量锚点的同时能够有效提升目标跟踪的稳定性、鲁棒性和精确性.

摘要:行人轨迹预测在智能交通、自动驾驶与视频监控等应用领域下有着广泛的应用, 对行人间复杂的交互关系进行全面建模是提升轨迹预测准确率的关键问题. 已有的基于神经网络的建模方式存在忽略行人间的持续影响, 以及静态的图卷积算法无法适应动态变化图结构的问题. 为此, 提出一种基于社会时间图的轨迹预测模型STGCR. 该模型通过量化不同时空行人对目标行人的异步交互关系, 融合行人间的动态信息, 并将其应用于图卷积算法中. 此外 STGCR 引入了一种时空加权注意力机制, 显式计算行人间的空间与时间特征的关系. 实验结果表明, 与STAR模型相比, 在预测未来8个时间步时, 所提出的模型在公开数据集ETH和UCY上, 平均位移误差和最终位移误差分别降低39.6%与30.8%.

摘要:针对多源域自适应故障诊断方法中多域对齐不足和多源信息协同不充分问题, 提出一种端到端的基于多粒度对齐和证据推理规则的多源无监督域自适应故障诊断方法(MAERAN). 首先, 设计多粒度对齐模块实现由浅入深的多级分布对齐. 具体地, 使用浅层域鉴别器对共享域浅层特征实施域对齐以降低浅层特征分布偏差; 构建多视图子网络提取每对源域和目标域的深层特征并实施域对抗策略以实现特征分布对齐; 通过两阶段域对齐挖掘域不变特征, 可有效减少跨域分布差异; 同时, 设置细粒度类对齐以增强类别区分性. 然后, 提出基于证据推理规则的多源信息协同决策模块对多源诊断信息进行自适应加权融合, 以提升模型的泛化能力和诊断性能. 最后, 通过在两个轴承数据集上的实验验证了MAERAN方法在多源迁移任务中的有效性和优越性.

摘要:为提升城市轨道交通网络在运行干扰下的服务质量和能源利用效率, 提出一种兼顾换乘衔接和节能目标的列车运行调整与速度曲线选择实时优化方法. 首先, 通过引入与列车调整和速度曲线选择相关的决策变量, 构建以最小化列车时刻表偏差、乘客总等待时间以及列车运行能耗为目标的混合整数非线性规划模型. 其次, 基于滚动时域优化实现列车时刻表和速度曲线的动态调整, 并设计基于客流估计的高效分解算法求解每个决策阶段的优化问题. 该算法将复杂的网络问题分解为一系列支持并行求解的小规模线路子问题, 可有效克服非凸非线性的求解挑战, 并显著提高计算效率. 最后, 基于北京地铁网络开展多种干扰和客流需求场景下的仿真实验, 验证所提模型和算法在大规模实际应用中的可行性和有效性. 实验结果表明: 与基于启发式规则的列车运行调整方法相比, 所提方法在不同干扰和需求场景下使列车时刻表偏差、乘客等待时间和运行能耗分别降低14.18%、6.85%和2.35%, 能够有效保障城市轨道交通网络在干扰事件下的运营效率和服务水平. 此外, 所提出的分解算法可在3 s内获得最优间隙小于5%的解, 满足列车运行调整的实时性要求. 研究成果可为列车运行干扰场景下的调整方案选择提供决策支持.

摘要:现实场景中, 超多目标优化问题(MaOPs)往往受到约束条件、冗余信息或高度非线性的影响, 导致其Pareto前沿呈现出不规则形态. 针对此类问题, 进化算法在求解时面临两大挑战: 解的选择压力显著减弱; Pareto最优解分布不均匀. 鉴于此, 提出一种自适应参考向量增强泛化Pareto支配的超多目标进化算法(ARP-MaOEA). 该算法通过泛化Pareto支配机制确保种群向真实的PF收敛, 同时利用参考向量增强个体选择以保持种群的多样性. 为了提升算法对不同形态PF的适应性和鲁棒性, 提出一种自适应参考向量策略, 该策略能够根据种群进化信息自动剔除无效的参考向量, 并基于非支配解动态添加新的参考向量. 在具有不同PF形态的MaOPs上进行一系列仿真实验以验证ARP-MaOEA算法的有效, 实验结果表明, ARP-MaOEA在处理不规则MaOPs时的表现优于其他对比算法, 展现了其在解决此类问题上的优势.

摘要:针对传统优化算法在综合能源系统经济优化调度问题中较难寻出可行解或最优解的问题, 提出一种多策略改进的海洋捕食者算法. 采用Sobol序列初始化种群、模式搜索法更新位置信息以及动态反向学习策略扩大搜索范围, 进一步提升算法的收敛速度和寻优精度. 基于系统功率平衡、能源设备出力限制及储能装置约束条件, 以经济成本最小为目标建立考虑氢燃料发电机和热电联产等设备多能耦合的含氢综合能源系统优化调度模型. 结合河北某地区的实际数据开展算例仿真分析, 结果表明, 所提出的算法相较于其余4种群智能优化算法, 在不同场景下均具有更好的优化调度能力, 能够有效协调源-荷-储多元耦合关系, 降低系统运行的综合成本.

摘要:现有的边重要性评估方法忽视指挥信息系统节点间关系的紧密程度、信息的传播效率以及军事行动对指控链的高度依赖性等关键因素, 导致评估结果准确性和实用性受限. 鉴于此, 首先基于军事任务约束构建系统结构模型, 细化节点、连边的分类与交互规则, 融合OODA循环闭合逻辑定义指控信息价值链, 突破传统拓扑分析对功能逻辑的忽视; 其次通过局部结构紧密度、全局信息传播效能与任务执行效率的多维融合, 设计耦合结构、功能与任务的综合边重要性指标(CEI), 构建动态加权聚合模型, 并结合案例说明模型在关键边识别精度上具有相对优势; 接着提出网络效率保持率和任务-结构鲁棒性指数双维度评估策略, 通过仿真实验对比不同边重要性指标在3种系统结构下的鲁棒性和稳定性. 结果表明, CEI在3种结构中均展现出优势, 能有效区分功能关键边与结构冗余边, 验证了CEI作为综合性指标的有效性和稳定性, 为系统结构优化和韧性设计提供量化依据.

摘要:针对现有社团检测算法在局部密度计算中忽略邻居多样性结构, 以及在种子选择阶段难以同时兼顾全局结构与局部特征的问题, 提出一种密度峰值种子扩散的局部社团检测算法(DPCD). 首先, DPCD通过区分节点的独立邻居与共享邻居, 并结合邻居间的结构相似性信息, 构建一种新的局部密度定义方式, 更准确地刻画节点在局部结构中的聚集程度; 同时, 结合节点相对距离与网络平均度阈值, 筛选出具有代表性与空间分布合理性的种子节点, 从而在全局与局部尺度上均具有良好的适应性. 最后, 通过基于邻居局部密度的标签更新策略, 进一步优化节点的社团归属. DPCD在全面考虑网络整体分布特性及社团内部连接特征的基础上, 可显著提高检测性能.在多种真实和人工网络中的大量实验表明, DPCD均优于其他算法.

摘要:提出一种基于Petri网的时序不确定知识的推理方法. 首先, 设计时序知识Petri网, 为每个随机变量设计相应的符号Petri网, 对其中的证据变量设计相应的观察库所, 根据条件概率关系设计条件库所连接相应的符号Petri网; 其次, 利用时序知识Petri网和可达图算法, 获得后验概率分布的计算方法; 最后, 基于得到的计算方法与递归进行结合, 能够根据由$k$到$k+1$时间步的动态贝叶斯网络设计所得的时序知识Petri网计算时间步为$t(t \rhbr \geqslant 1)$时目标状态的后验概率分布, 并使用电池电位滤波推理的例子演示该方法.

摘要:数据的复杂性和高维度是导致传统分类模型精度和效率降低的重要因素. 为此, 以扩散界面理论为基础, 结合幂均值拉普拉斯和Ginzburg-Landau能量泛函, 构建多层图数据分类模型, 并设计快速预条件凸差分求解算法. 首先, 通过MIS评分等方式构建多层数据形式, 利用幂均值拉普拉斯进行聚合, 建立多层图GL能量泛函; 然后, 结合凸差分和预条件方法将原非凸泛函极值问题转换为求解一系列线性系统, 同时引入NFFT快速近似矩阵向量乘积降低计算复杂度; 最后, 分别在真实多层数据、合成数据、图像数据上与一些经典方法进行对比, 验证所提出模型和算法的有效性. 数值实验结果表明, 所提方法对复杂高维大规模数据分类具有明显优势, 能够在保证分类精度的同时提高计算效率.