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

摘要：针对空地跨域无人系统在低空协同立体监测任务中的协同控制需求, 提出一种融合预测机制的自适应神经网络协同控制方法. 首先, 针对三自由度欠驱动无人车(UGV)与六自由度全驱动无人机(UAV)分别建立动力学模型, 并将二者以组合动力学模型的形式进行描述, 从而为后续空地协同决策与控制提供协调一致的建模基础; 然后, 设计基于卡尔曼滤波的状态预测模块, 利用无人车的实时状态信息对其未来位置进行动态预测, 并将预测结果作为无人机的低空跟踪与监测控制目标; 接着, 基于Backstepping方法逐步构造协同控制律, 引入径向基函数神经网络(RBF-NN)逼近系统中的非线性不确定性及外部扰动, 并通过李雅普诺夫稳定性理论证明系统状态满足半全局一致最终有界(SGUUB)收敛; 最后, 通过仿真结果验证了所提出方法对无人车轨迹预测与无人机稳定跟踪的有效性.

摘要：研究了全球导航卫星系统(GNSS)欺骗攻击下对抗性领导者-跟随者的编队跟踪控制问题. 首先, 为获取GNSS欺骗攻击下的真实定位数据, 利用协同定位技术设计一种基于事件的攻击检测与信号切换机制; 随后, 考虑输出测量噪声对状态估计准确性的影响, 提出一种安全状态估计器, 该估计器仅依赖采样信号, 即可在GNSS欺骗攻击及输出测量噪声存在条件下实现对跟随者真实状态的连续估计, 在降低计算负担的同时提高数据利用率; 然后, 结合非零和博弈论重构领导者与跟随者之间的动态交互关系, 通过利用单评价神经网络近似值函数以及改进的动态事件触发机制(DETM), 设计跟随者的逼近最优控制策略, 保证了对对抗性领导者的稳定跟踪, 降低了通信和计算负担. 仿真研究验证了所提方法的有效性.

摘要：针对复杂环境下多无人机协同路径规划问题中传统搜索算法效率低、启发式算法寻优性能差等问题, 提出基于多策略改进鲸鱼算法(MSWOA)的多无人机协同路径规划方法. 该算法采用Sine-Cubic混合混沌映射提升初始种群质量, 引入非线性收敛因子自适应调节全局探索与局部开发强度, 并结合自适应螺旋系数提高后期收敛精度, 通过双分布扰动自适应差分变异策略提高收敛速度, 最后引入思维创新策略避免算法陷入局部最优. 在CEC2017测试集的29个测试函数上进行对比寻优实验, 测试结果表明MSWOA具有更好的寻优性能, 并进一步应用于三维复杂地形下的多无人机协同路径规划问题, 验证了其寻优精度和稳定性.

摘要：针对无人机集群协同控制中的高维非凸优化难题, 提出一种分布式时空解耦模型预测控制(DSTMPC)框架. 首先, 将复杂的时空轨迹优化问题解耦为空间几何规划和时间调度两个序贯而协同的子问题: 空间层采用基于迭代线性化和自适应信赖域(ILAC)的序贯凸化方法处理避障、避碰等非凸约束, 并融合控制障碍函数(CBF)确保实时安全; 时间层则将轨迹执行转化为高效凸优化问题, 通过分布式一致性协议实现集群同步. 然后, 基于开环解耦系统, 设计一种基于冲突状态观测器的时空协同反馈机制, 优化时间层至空间层的闭环优化回路. 仿真结果表明, 所提出框架在不同复杂度场景下均能够实现良好的控制性能: 编队误差稳态收敛至0.37 m以内, 障碍物最小间距保持在0.2 m以上, 验证了所提出方法的有效性和可扩展性, 为大规模集群的高效协同控制提供了一种可行方案.

摘要：无人机编队飞行过程会受到外界阵风、内部参数摄动、未建模动态等多源干扰以及执行器故障的影响, 此外, 在队形动态调整阶段, 编队误差大幅变化可能会导致碰撞等安全问题. 鉴于此, 针对无人机编队系统受到的多源干扰、执行器故障影响以及编队误差收敛过程中的动态约束问题, 提出一种基于预设性能和广义比例积分观测器的无人机主动抗干扰编队控制方法. 通过引入基于双曲余切函数的新型预设性能算法, 在无需编队系统初始状态信息的情况下, 能够保证编队误差在预设的包络线内收敛, 满足编队误差的动态约束. 通过广义比例积分观测器的引入, 能够实现编队系统中高阶时变干扰的估计与补偿, 拓宽干扰处理种类, 提升编队系统控制精度.

摘要：为确保跨介质飞行过程的平稳性, 设计一种纵列式双旋翼跨介质无人机的切换控制方法. 该跨介质无人机在空中和水下采用两种不同的执行机构, 且空中存在欠驱动特性, 给跨介质无人机出入水的平稳控制带来了巨大挑战. 首先, 通过牛顿-欧拉方法, 给出一种新型纵列式双旋翼跨介质无人机在不同介质中的动力学模型; 然后， 考虑在不同飞行阶段执行机构的切换, 基于自适应超螺旋滑模方法, 提出一种新型的跨介质无人机姿态和高度的切换控制策略, 并设计合适的切换规则以确定控制器的切换时机; 接着, 利用李雅普诺夫稳定性理论, 验证闭环系统的渐近稳定性; 最后, 通过纵列式双旋翼跨介质无人机垂直出入水的仿真对所提出控制方法进行测试, 仿真结果验证了所设计控制器的有效性和鲁棒性.

摘要：针对输入时延下的欠驱动车辆队列轨迹跟踪问题, 重点研究车辆队列在弯道跟随过程中的横纵向稳定性情况, 提出一种基于预设性能与时延补偿的车辆队列自适应滑模控制方法. 根据路径曲率和前车状态信息, 设计考虑输入时延和曲率变化的扩展间距策略, 可有效提升横纵向稳定性与安全性能. 通过预设性能函数将欠驱动跟踪模型进行转化, 使得车辆队列的跟踪误差约束在固定范围内, 并结合自适应补偿机制, 提出一种包含输入时延与位置跟踪误差的车辆队列自适应滑模控制方法. 所提出方法为确保控制系统具有较快的收敛速度和更高的稳态精度, 通过Lyapunov稳定性理论证明跟随车辆固定时间稳定及队列网格稳定. 最后, 通过仿真实验验证所提出方法的有效性与可行性.

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

摘要：在多区域互联电力系统中, 负荷波动易引发有功功率失衡, 需要通过调度指令(如机组投入/退出调频队列)动态调整发电机组出力. 此时, 不同发电组合的运行模式切换可由多模态切换系统刻画. 由于调度指令通常经由通信网络传输, 该过程易遭受欺骗攻击, 导致频率越限甚至机组误动作. 为解决这一问题, 提出欺骗攻击下的事件驱动量化负荷频率控制策略. 首先, 采用稀疏矩阵重构方法对子发电区域模型进行降维, 在保证分布式系统能控性和能观性的基础上, 建立多区域切换电力系统模型; 然后, 考虑欺骗攻击与发电模式切换的协同影响设计事件驱动传输机制, 同时, 证明存在既无攻击也无切换发生的连续时间段, 并利用该时段重构状态变量; 接着, 通过引入辅助序列构造迭代量化规则, 确保量化器始终不饱和; 最后, 从最优攻击视角出发, 给出保证多区域切换互联电网负荷频率控制系统(LFCS)指数稳定和实用稳定的充分条件. 仿真结果表明, 所提出方案能够在欺骗攻击下维持LFCS可靠运行.

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

摘要：乘性数据包络分析(DEA)模型是效率测量的有效工具, 其依赖于分段对数线性技术, 能够灵活捕捉生产函数的关键生产特征(凸性、线性和凹性). 然而, 现有一些研究鲜有考虑数据的不确定性, 并未允许不确定数据的分布未知. 鉴于此, 利用鲁棒优化方法, 对决策单元输入和输出数据中的不确定性进行建模, 以确保性能评估的稳定性和可靠性. 首先, 基于所构建具有乘性特征的预算不确定集, 提出两个鲁棒乘性DEA模型, 并通过对偶将其重新表述为等效的线性规划问题; 然后, 为解决效率得分无法达到1的问题, 提出一种新的鲁棒乘性DEA模型, 并提供其约束违反的概率界限; 最后, 通过所测量中国31个省市的电力系统的运营效率结果表明, 在不确定环境下, 所开发鲁棒乘性DEA模型在效率得分方面具有较好的性能表现.

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

摘要：三维目标检测对于提升智能系统在复杂室内环境中的感知与理解能力具有重要意义. 然而, 现有基于单模态点云的检测方法普遍存在语义信息不足、泛化能力受限等问题, 难以有效应对室内场景中新类别目标的检测需求. 针对上述问题, 提出一种图像-点云-文本多模态融合的室内三维目标检测方法. 该方法首先引入密集深度图引导的图像-点云早期融合策略, 通过深度约束将图像语义特征精确映射至三维空间, 有效增强点云的语义表达能力并缓解遮挡带来的空间错位问题; 然后, 设计混合查询引导的室内Transformer检测器, 采用几何查询与可学习查询相结合的双分支查询机制, 在兼顾局部目标精细建模的同时强化场景级上下文建模能力; 最后, 提出动态解耦3D-IoU损失增强策略, 通过解耦空间梯度并根据目标尺度动态调整权重, 提高新物体候选框的定位质量与发现能力. 在SUN-RGBD数据集上的实验结果表明, 所提出方法在多项评价指标上均优于现有先进方法, 验证了其在室内开放域三维目标检测任务中的有效性与鲁棒性.

摘要：复杂空中博弈场景同时面临两类核心挑战: 1)在线交互采样效率低, 且高风险试错行为易导致严重后果; 2)离线数据稀缺且覆盖有限, 策略对分布外状态的泛化能力不足. 针对这两类问题, 提出一种基于风险约束和保守值函数学习的离线博弈算法CQL-Safe, 其中风险被定义为智能体在博弈对抗过程中遭受损毁或被对手击落的概率及其相关安全威胁指标. 首先, 设计一种融合示教学习与扩散模型的数据集构建方法, 能够有效缓解离线强化学习数据稀缺问题; 然后, 设计多维风险评估函数量化风险因素, 并将其嵌入保守值函数学习框架, 抑制分布外动作的过高估计; 最后, 引入拉格朗日乘子机制动态调节风险约束强度, 以实现奖励最大化与安全性保障间的自适应平衡. 所提出算法在多类空中博弈场景下具有较高的训练效率和显著的性能优势, 能够在保障智能体安全的同时大幅提升策略的泛化性和有效性.

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

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

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

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

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

摘要：针对现有电动汽车实时能耗预测模型环境感知能力不足、动态校准机制缺失等问题, 提出一种融合环境感知与强化学习的能耗预测模型. 首先, 为增强模型对于复杂工况的感知和理解, 设计基于对比学习与耦合强化学习协同训练的路况感知算法, 并引入多尺度图像特征融合机制, 有效提取与车辆能效高度相关的环境特征, 从而提升对于非平稳工况的感知精度; 然后, 构建马尔可夫实时能效估计模型并将其映射至强化学习框架中, 引入基于折扣未来能耗的时序一致性正则项(其中$Q $函数仅用于能耗响应评估), 实现模型的自校准式优化, 从而在动态场景下显著增强预测的鲁棒性和自适应性(模型不产生控制输出); 同时, 结合场景感知的优先经验回放机制, 强化模型对坡度突变、急加减速等关键工况的识别和学习, 进一步提高复杂环境下的特征提取和模型泛化能力; 最后, 通过场景感知的优先采样策略优化训练样本分布, 提升强化学习的收敛速度和训练效率. 实验结果表明, 所提出方法在所测试的两款车型以及多种仿真工况下均表现出优越的鲁棒性和稳定性, 其MAE低于0.2%, RMSE低于0.3%, $R^2 $超过99.5%. 与现有Transformer、Informer、Mamba以及LSTM模型相比, 平均误差分别降低约40% $\sim $ 70%, 收敛速度提升约30%, 在复杂工况下能耗预测精度显著提高.

摘要：粒子群优化算法因其参数设置简单、收敛速度快等优点, 被广泛应用于复杂优化问题的求解. 然而, 经典粒子群算法存在早熟收敛倾向和后期收敛速度减慢等局限性. 鉴于此, 提出一种协同自进化的粒子群优化算法. 首先, 所提出算法采用一种新的双群协同进化策略用于提高求解收敛速度, 同时, 为了平衡算法全局搜索与局部开发的寻优能力, 提出一个自进化框架, 通过概率性带偏向的方向学习策略结合衰减性的混动扰动策略, 有效提升求解算法的整体性能; 然后, 对算法边界理论进行改进, 提升算法在大多数优化问题上的适应性; 接着, 将所提出改进算法在CEC-2017测试函数集上进行测试, 验证该算法在低、中、高维复杂问题上的快速收敛能力和寻优性能; 最后, 将所提出改进算法应用于多阈值图像分割的阈值求解问题. 实验结果表明, 所提出改进算法能够有效提升图像的分割精度和效率, 验证了所提出算法在解决现实优化问题的有效性.

摘要：油井工况预测对于提升油井生产效率、降低故障损失至关重要, 但目前油井工况预测仅能预测工况类型, 无法输出所预测的工况示功图, 导致现场应用受限. 针对该问题, 提出一种基于多分支特征融合自编码器的油井工况短期预测模型. 首先, 为解决示功图序列样本间图形变化趋势微弱, 易受噪声和相似工况图形的影响, 导致特征提取效果不佳的问题, 在编码器中设计3个方向的可变形卷积分支分别关注示功图X、Y和XY方向特征; 然后, 为互补不同分支所提取的方向特征, 设计基于空间注意力的交叉融合结构, 并将不同分支的融合特征进行拼接, 使用通道注意力机制增强特征融合效果; 最后, 将示功图特征序列输入长短期记忆网络预测未来工况的示功图特征, 并基于解码器重构示功图. 通过油田生产现场的油井示功图序列进行仿真验证, 结果表明所提出方法在油井工况预测及示功图重构上均具有良好的性能.

摘要：在航运业数字化转型的背景下, 班轮企业在线上线下双渠道中差异化的超售行为改变了各渠道的舱位供需匹配关系, 从而导致双渠道成本结构呈现异质性, 进而增加了双渠道舱位分配的复杂性. 对此, 基于托运人对运价的不同敏感性(分为运价敏感型与运价不敏感型), 构建双渠道舱位分配和舱位定价联合优化模型. 进一步, 将空箱调运纳入决策框架, 构建两阶段非线性规划模型, 以同步优化舱位分配量、舱位运价及空箱调运量. 以中远海运的一条从远东至南非的航线作为案例进行算例和敏感性分析, 结果表明, 与忽略空箱调运的模式相比, 考虑空箱调运可使班轮企业的期望总收益提升32%. 此外, 在现货市场托运人履约率、合同市场托运人置信水平、现货市场随机需求波动等参数变动情况下, 考虑空箱调运的模式表现出更优的收益稳定性. 通过对托运人类型的精细化分类, 为航运数字化背景下的班轮企业运营管理提供了理论支持与决策参考.

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：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：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：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：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：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：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：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：模型预测控制(MPC)的性能高度依赖精确的系统模型与精心设计的代价函数,这限制了其在复杂非线性系统中的应用. 为克服该局限性,本文提出一种融合扩散模型与生成式对抗模仿学习(DGAIL)的智能MPC策略. 该方法利用扩散模型的分布建模能力,从专家示范中更准确地学习隐式奖励函数,从而有效减少对研究者经验与人工奖励设计的过度依赖,并兼具无模型学习与基于模型优化的优势. 进一步引入一种基于粒子群优化(PSO)的在线更新策略,以高效求解非线性MPC的约束优化问题. 在多个基准仿真环境中的实验结果表明,所提方法在控制性能与安全性方面均优于现有模仿学习与强化学习算法,验证了其有效性与泛化能力.

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：针对无人机集群协同控制中的高维非凸优化难题，本文提出一种分布式时空解耦模型预测控制（DSTMPC）框架，将复杂的时空轨迹优化问题解耦为空间几何规划与时间调度两个序贯而协同的子问题：空间层采用基于迭代线性化与自适应信赖域（ILAC）的序贯凸化方法处理避障、避碰等非凸约束，并融合控制障碍函数（CBF）确保实时安全；时间层则将轨迹执行转化为高效凸优化问题，通过分布式一致性协议实现集群同步。基于开环解耦系统，设计了一种基于冲突状态观测器的时空协同反馈机制，优化了时间层至空间层的闭环优化回路。仿真结果表明，本框架在不同复杂度场景下均实现了良好的控制性能：编队误差稳态收敛至0.37m以内，障碍物最小间距保持在0.2m以上，验证了所提方法的有效性和可扩展性，为大规模集群的高效协同控制提供了一种可行方案。

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：针对空地跨域无人系统在低空协同立体监测任务中的协同控制需求, 本文提出一种融合预测机制的自适应神经网络协同控制方法. 首先, 针对三自由度欠驱动无人车(UGV)与六自由度全驱动无人机(UAV)分别建立动力学模型, 并将二者以组合动力学模型的形式进行描述, 从而为后续空地协同决策与控制提供协调一致的建模基础. 随后, 设计基于卡尔曼滤波的状态预测模块, 利用无人车的实时状态信息对其未来位置进行动态预测, 并将预测结果作为无人机的低空跟踪与监测控制目标. 进一步, 基于Backstepping方法逐步构造协同控制律, 引入径向基函数神经网络(RBF-NN)逼近系统中的非线性不确定性及外部扰动, 并通过李雅普诺夫稳定性理论证明系统状态满足半全局一致最终有界(SGUUB)收敛. 仿真结果验证了所提方法对无人车轨迹预测与无人机稳定跟踪的有效性.

摘要：针对车队在变曲率匝道等复杂道路场景下行驶易出现队形不稳、控制迟滞及安全性下降的问题,本文提出一种基于分阶段奖励优化的双延迟深度确定性策略梯度算法(Stage Reward Shaping Twin Delayed DDPG,SRTD3),该算法结合车联网信息与多智能体强化学习框架,通过在进入、保持和驶出三个曲率阶段分别设计安全、 平滑与效率导向的奖励函数,实现车队在变曲率道路下的稳定协同控制.在算法结构上采用集中训练与分布执行架构,融合参数共享与优先经验回放机制,并在Critic网络中引入残差正则项以抑制价值波动.基于CARLA仿真平台的实验结果表明,与现有的五种算法相比,SR-TD3算法在收敛速度、稳定性及跟车精度方面均有显著提升.其中,在道路曲率过渡阶段车速均方根误差较五种算法分别降低了41.21%、 86.49%、 67.53%、 80.92%和83.33%;在整个变曲率匝道上,车距控制较前五者分别提升了27.30%、 54.52%、 61.57%、 77.51%和76.37%,同时奖励曲线收敛更快、波动更小,表现出更高的控制稳定性与学习效率.仿真结果表明,SR-TD3算法能够在变曲率道路场景下实现更优的协同控制性能.

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：针对无人机自组网在复杂任务场景下拓扑控制存在的优化目标单一、多目标优先级模糊及传统算法快 速寻优能力不足等问题，本文提出基于超启发式算法的多目标拓扑优化控制方案。首先，建立涵盖网络连通度、总吞吐量、端到端平均时延及通信总能耗的多目标联合优化模型，为网络拓扑全局性能评估提供多目标协同标准；然后，采用博弈论纳什均衡结合的主客观融合权重标定法，协调主观经验与客观数据，增强方案对不同场景的指标赋权准确性；最后，设计融合灰狼优化与改进模拟退火的超启发式算法，依托灰狼算法全局搜索定位优质解区域，结合改进模拟退火动态退温策略接受次优解，实现少迭代下的全局最优与寻优精度提升。仿真验证表明，该方案可适配不同任务场景，且较其他先进启发式算法，其收敛速度与全局寻优能力均展现显著优势。

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：无人机编队飞行过程，会受到外界阵风、内部参数摄动、未建模动态等多源干扰以及执行器故障的影响；此外，在队形动态调整阶段，编队误差大幅变化可能会导致碰撞等安全问题。本文针对无人机编队系统受到的多源干扰、执行器故障影响以及编队误差收敛过程中的动态约束问题，提出了一种基于预设性能和广义比例积分干扰观测器的无人机主动抗干扰编队控制方法。通过引入基于双曲余切函数的新型预设性能算法，在无需编队系统初始状态信息的情况下，保证了编队误差在预设的包络线内收敛，满足了编队误差的动态约束；通过广义比例积分干扰观测器的引入，实现了编队系统中高阶时变干扰的估计与补偿，拓宽了干扰处理种类、提升了编队系统控制精度.

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：在图像和文本等多模态数据可用条件下,利用单一深度网络进行融合决策,存在可解释性和可靠性挑战.针对挑战,提出一种图像和文本数据驱动的两阶段区间决策方法,包括准则预测和准则融合两个阶段.在准则预测阶段,依据各准则上的图像特征提取需求确定深度网络集合,设计基于有放回采样的深度网络性能统计比较方法确定网络排序,进而构建网络接续组合的选择方法确定可靠的最佳组合,产生基于图像的区间数预测值.在准则融合阶段,通过文本训练集学习准则权重,进而构建基于文本验证集的优化模型学习自适应权重函数,最后利用准则权重和自适应权重函数融合各准则上的图像生成预测值,产生可解释的总体预测值.以安徽合肥某三甲医院超声部的乳腺彩超图像和文本数据为基础,将提出方法用于乳腺病灶辅助诊断,验证了方法的有效性.

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：针对复杂环境下多无人机协同路径规划问题中传统搜索算法效率低、启发式算法寻优性能差等问题，提出基于多策略改进鲸鱼算法(Multi-strategy improved whale optimization algorithm，MSWOA)的多无人机协同路径规划方法。该算法采用Sine-Cubic混合混沌映射提升初始种群质量；引入非线性收敛因子自适应调节全局探索与局部开发强度并结合自适应螺旋系数提高后期收敛精度，通过双分布扰动自适应差分变异策略提高收敛速度，最后引入思维创新策略避免算法陷入局部最优。在CEC2017测试集的29个测试函数上进行对比寻优实验，测试结果表明MSWOA具有更好的寻优性能，并进一步应用于三维复杂地形下的多无人机协同路径规划问题，验证了其寻优精度和稳定性。

摘要：在多区域互联电力系统中, 负荷波动易引发有功功率失衡, 需要通过调度指令（如机组投入/退出调频队列）动态调整发电机组出力. 此时, 不同发电组合的运行模式切换可由多模态切换系统刻画. 由于调度指令通常经由通信网络传输, 该过程易遭受欺骗攻击, 导致频率越限甚至机组误动作. 为解决这一问题, 本文提出欺骗攻击下的事件驱动量化负荷频率控制策略. 首先, 采用稀疏矩阵重构方法对子发电区域模型进行降维, 在保证分布式系统能控性与能观性的基础上, 建立多区域切换电力系统模型. 其次, 考虑欺骗攻击与发电模式切换的协同影响设计事件驱动传输机制. 同时, 证明存在既无攻击也无切换发生的连续时间段, 并利用该时段重构状态变量. 通过引入辅助序列构造迭代量化规则, 确保量化器始终不饱和. 最后, 从最优攻击视角出发, 给出保证多区域切换互联电网负荷频率控制系统（LFCS）指数稳定与实用稳定的充分条件. 仿真结果表明, 所提方案能在欺骗攻击下维持LFCS可靠运行.

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：磁悬浮传输系统在半导体、精密电子等对精度与洁净度要求高的制造产线逐渐普及，其动子调度问题是制约产线效率的核心问题。本文以最小化最大完工时间、总能耗和负载均衡为目标，建立了磁悬浮传输系统多目标动子调度的混合整数规划模型。提出一种LLM驱动的演化算子自动设计框架——LLM-EvoOp。该框架采用“思想?代码”二元表征与演化机制：在算子演化阶段，LLM基于问题描述与演化提示，通过交叉与变异型提示驱动，自动生成并迭代优化适用于调度问题结构特征的高性能遗传算子；在实例求解阶段，将演化所得算子嵌入标准NSGA?II流程，实现高效的调度求解。仿真实验表明，LLM-EvoOp是求解此类问题的高效算法。

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：多工况工业过程中工况改变导致的原预测模型失准，且旧工况历史数据往往不可访问，仅凭少量新工况数据难以直接建立准确的软测量模型。为此，提出了一种基于宽度学习系统的缩约核均值嵌入软测量模型复用算法，其包含训练阶段和应用阶段。在训练阶段，针对历史工况，建立基于宽度学习系统的软测量模型；设计基于核均值嵌入的缩约集，将历史工况数据映射到再生核希尔伯特空间中，保护历史工况数据隐私的同时获取其分布特征；利用模型及其对应缩约集构建模型库。在应用阶段，构建基于最大均值差异的距离度量准则，匹配模型库中最优模型实现模型复用，并动态更新模型参数以适应新工况。基于硫回收过程和炼钢过程两个工业实例，验证了所提方法的有效性与优越性。

摘要：本文针对无人船多区域自主探索缺乏前瞻性、探索面积大、受海流影响的问题，提出一种基于滚动时域和拓扑学优化(RHTO)的自主探索方法。首先，利用滚动时域的思想将整个探索任务分解，通过当前已知信息估算全局最佳探索路径，并只执行部分路径；其次，通过边界检测和循环采样快速构建连通当前可达区域的基础路径网，配合拓扑学优化算法快速收敛得到最短路径网；最后通过评价函数计算每条路径的航行成本，使用遗传算法规划最佳探索顺序和探索路径，生成覆盖路径点作为视点引导无人船探索，最终回到起点。仿真实验结果表明采用RHTO方法相比常见的几种自主探索算法，无人船在海上多区域探索结束后，路径总长度、路径外角和以及克服洋流能耗三项指标最小，鲁棒性更好。

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：为了提高物流配送效率, 研究一种考虑工作量均衡的车辆-无人机协同路径问题. 为了求解该问题, 首先以运营成本与车辆-无人机编队工作量均衡建立双目标混合整数线性规划模型. 其次, 提出基于模型与图强化学习驱动的多目标优化方法. 第一, 提出基于混合策略的种群初始化方法和多个局部搜索算子以有效探索解空间; 第二, 提出增强强化学习的帕累托局部搜索算法并将其作为多目标问题的局部搜索算法以进一步提高多目标方法的搜索能力. 增强点包括基于图卷积神经网络的特征提取机制和基于长短期记忆网络的策略优化方法. 特征提取机制通过捕捉车辆-无人机路径方案的空间关系, 为智能体决策增加状态表征信息; 策略优化方法通过构建交互环境模型并推演其多步虚拟轨迹提高智能体的训练样本效率. 最后, 通过参数分析和对比实验证实所提模型和算法的有效性以及算法在优化所提双目标上优于精确求解器 CPLEX 和针对此类问题的多个先进算法.

摘要：多变量时间序列分类在工业状态识别与决策支持中发挥关键作用, 但异步采样与随机缺失形成的不规则数据严重削弱了其分类精度. 基于插补的方法易引入噪声和伪影, 而直接建模又易使关键信息被稀释或扭曲. 本文提出了一种基于增强型多尺度图Transformer 的“序列-图像-图”统一建模方法. 首先，增强型多通道图像转换 将不规则序列编码为无需插补的RGB 图像, 直接利用数值动态、缺失模式与采样信息. 其次, 动态扇形图构建将图像块映射为图节点, 在局部扇形邻域内自适应建立邻接边, 以覆盖跨时间和跨变量依赖并减少冗余. 最后，自适应多尺度相对图卷积, 在邻居聚合中引入多尺度差分特征, 并结合注意力加权突出关键邻居, 从而缓解图卷积过平滑. 实验在钢铁企业高炉煤气数据及四个公开不规则基准上验证了方法在多种不规则模式下的有效性.

摘要：针对现有电动汽车实时能耗预测模型在环境感知能力、动态校准机制方面的局限，本文提出一种融合环境感知与强化学习的能耗预测模型。首先，为增强模型对复杂工况的感知能力，构建基于对比学习和耦合强化学习协同训练的路况感知算法，引入多尺度图像特征融合机制，有效提取与汽车能效强相关的环境特征，提升感知精度。其次，建立马尔科夫实时能效估计模型，并将其映射到强化学习框架，通过数据驱动更新Q函数与累积奖励，实现预测模型的主动进化与自适应优化。同时，结合场景感知的优先经验回放机制，强化对坡度突变、急加减速等关键工况的关注，进一步提升模型在复杂环境下的学习效率与泛化能力。最后，通过场景感知的优先采样机制提高训练样本质量，提高强化学习的收敛性与训练效率。。实验结果表明，该方法在多种运行工况和车型条件下均表现出优越的鲁棒性和稳定性，其MAE低于0.2%、RMSE低于0.3%、R2超过99.5%，显著优于现有的Transformer、Informer、Mamba及LSTM模型。

摘要：粒子群优化算法因其参数设置简单、收敛速度快等优点，被广泛应用于复杂优化问题的求解。然而，经典粒子群算法存在早熟收敛倾向与后期收敛速度减慢等局限性。本文提出了一种协同自进化的粒子群优化算法。算法采用一种新的双群协同进化策略用于提高求解收敛速度，同时为了平衡算法全局搜索和局部开发的寻优能力，本文提出了一个自进化框架，通过概率性带偏向的方向学习策略结合衰减性的混动扰动策略，有效提升了求解算法的整体性能。此外，本研究对算法边界理论进行了改进，提升了算法在大多数优化问题上的适应性。改进的算法在CEC-2017测试函数集上进行测试，验证了该算法在低、中高维复杂问题上的快速收敛能力和寻优性能。最后，将改进算法应用于多阈值图像分割的阈值求解问题，实验结果表明，改进算法有效提升了图像的分割精度和效率，验证了算法在解决现实优化问题的有效性。

摘要：针对求解约束多目标优化无法平衡目标优化和约束满足的同时兼顾种群多样性和收敛性的问题，提出嵌入自适应 约束处理机制的多目标狼群算法。首先，通过自适应 约束处理机制将种群进化过程划分为学习阶段和探索阶段，学习阶段利用少量可行解和信息优良的不可行解引导种群快速收敛，探索阶段对收敛种群施加强约束，并利用非支配可行解扩散检索约束帕累托前沿，以平衡收敛性、多样性和约束满足。其次，设计精英引导策略，促进解在搜索空间中的均匀分布，提高全局搜索能力。最后，引入差分进化更新机制，通过二元锦标法筛选优势个体并实施差分变异，在保持多样性的同时加速进化。在20个约束多目标测试函数及焊接梁工程问题上的对比实验表明，MOWPA-AE不仅在约束满足与目标优化的综合性能上表现优异，也具备在实际工程优化问题中应用的可行性与推广价值。

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：全断面隧道掘进机（Tunnel Boring Machine, TBM）主轴承的运行状态直接关系到整机掘进安全与效 率, 其故障辨识至关重要. 然而, 工程中主动维护策略的实施致使状态监测数据呈现极端类别不均衡特性，故障 样本比例往往低于 1%, 难以提取稀疏故障特征, 漏检风险极高. 为此, 本文提出一种深度强化学习故障辨识模型 (DRLimb). 该方法首先将故障辨识过程建模为马尔可夫决策过程，通过双网络架构（在线 Q 网络与目标 Q 网络） 及软更新机制确保训练稳定性. 继而, 设计了非对称奖励函数, 通过为故障类样本分配更高的奖惩权重, 迫使智能 体聚焦于稀疏但关键的故障模式. 理论分析证明，将多数类奖励系数设置为类别不均衡比率，可实现类间梯度贡 献的均衡化. 在多个极端不均衡比率的 TBM 主轴承数据集上的实验表明,DRLimb 的 G-mean 值与 F1-Score 均稳 定超过 93.2%，显著优于主流不均衡学习诊断模型与基线模型.

摘要：在航运业数字化转型的背景下，班轮企业在线上线下双渠道中差异化的超售行为改变了各渠道的舱位供需匹配关系，从而导致双渠道成本结构呈现异质性，进而增加了双渠道舱位分配的复杂性。针对这一难题，本文基于托运人对运价的不同敏感性（分为运价敏感型与运价不敏感型），构建了双渠道舱位分配和舱位定价联合优化模型。进一步，将空箱调运纳入决策框架，构建了两阶段非线性规划模型，以同步优化舱位分配量、舱位运价及空箱调运量。以中远海运的一条从远东至南非的航线作为案例进行算例和敏感性分析。结果表明，与忽略空箱调运的模式相比，考虑空箱调运可使班轮企业的期望总收益提升32%。此外，在现货市场托运人履约率、合同市场托运人置信水平、现货市场随机需求波动等参数变动情况下，考虑空箱调运的模式表现出更优的收益稳定性。本文通过对托运人类型的精细化分类，为航运数字化背景下的班轮企业运营管理提供了理论支持与决策参考。

摘要：三维目标检测对于提升智能系统在复杂室内环境中的感知与理解能力具有重要意义。然而，现有基于单模态点云的检测方法普遍存在语义信息不足、泛化能力受限等问题，难以有效应对室内场景中新类别目标的检测需求。针对上述问题，本文提出一种图像–点云–文本多模态融合的室内三维目标检测方法。该方法首先引入密集深度图引导的图像–点云早期融合策略，通过深度约束将图像语义特征精确映射至三维空间，有效增强点云的语义表达能力并缓解遮挡带来的空间错位问题；其次，设计混合查询引导的室内Transformer检测器，采用几何查询与可学习查询相结合的双分支查询机制，在兼顾局部目标精细建模的同时强化场景级上下文建模能力；最后，提出动态解耦3D-IoU损失增强策略，通过解耦空间梯度并根据目标尺度动态调整权重，提高新物体候选框的定位质量与发现能力。在SUN-RGBD数据集上的实验结果表明，本文方法在多项评价指标上均优于现有先进方法，验证了其在室内开放域三维目标检测任务中的有效性与鲁棒性。

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

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

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

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

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

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

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

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

摘要：化工过程的周期操作可利用反应过程固有的非线性特性突破稳态操作性能瓶颈。然而，操作参数的合适选取和对非线性特性分析能力的不足使其在应用中受到制约。为此，近年来学者们提出了一种非线性频率响应方法，旨在通过系统输出直流分量快速判定周期操作能否提升化学反应效益。然而，由于该方法对第一原理模型的依赖和对高阶非线性特性分析能力的不足，通常只能实现定性分析。为弥补现有方法在系统定量分析和优化设计中的不足，本研究提出了一种基于数据驱动和非线性频率分析的新方法。新方法利用反应过程的输入-输出数据，结合筛选出的数值方法，构建数据驱动NFR模型代替第一原理模型，实现化工系统定量分析和优化设计，最大限度地发掘周期操作的性能提升效用。同时，针对方波周期操作下的等温CSTR和CO2-水气液平衡过程，从数值仿真和应用层面分别验证了方法的系统分析和优化设计应用潜力。

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

摘要：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。