摘要：智能网联车辆作为现代交通系统的重要组成部分, 在提升交通效率、保障交通安全及改善环境质量等方面展现出巨大潜力, 已成为智慧交通领域的研究热点. 鉴于此, 对车辆队列模型、队列控制策略以及数据驱动系统架构等领域的最新研究成果进行深入调研与系统梳理, 全面总结基于数据驱动的智能网联车辆队列控制的研究现状与发展趋势. 首先, 总结智能网联车辆队列建模的方法, 比较分析机理建模与数据驱动建模的异同与优势; 其次, 探讨智能网联车辆队列系统的优化控制问题, 重点分析传统控制方法与数据驱动控制策略之间的差异, 特别是多目标优化方法在智能化与网联化交通环境中的应用潜力; 进一步, 阐述数据驱动控制策略的数据来源、系统架构及其实现路径, 并讨论实施过程中的技术挑战与解决方案; 最后, 总结当前智能网联车辆控制系统发展过程中面临的主要问题与挑战, 并对未来研究的方向与重点进行展望, 旨在为推动智能网联车在复杂交通环境中的广泛应用提供理论指导与实践依据.

摘要：知识图谱旨在将现实世界中的对象、概念及其相互关系, 以图的形式进行有效组织. 面对不断演变的真实世界信息, 传统静态知识图谱在数据质量、准确性、复杂性、动态更新维护等方面面临挑战. 近期, 大语言模型在语义理解和文本生成方面取得了卓越进展, 其跨领域、跨模态、跨任务的强泛化能力为知识图谱构建提供了新机遇. 鉴于此, 针对大语言模型在知识图谱构建中的研究进展进行综述. 首先, 介绍知识图谱和大语言模型的基本概念以及两者融合的通用计算框架; 然后, 围绕知识图谱的生命周期, 深入分析和讨论大语言模型在知识抽取、知识融合和知识推理这3大关键环节的进展和挑战; 接着, 从知识问答和检索增强生成系统剖析大语言模型驱动的知识图谱的应用成效; 最后, 总结和展望大语言模型时代知识图谱构建的发展趋势, 多角度探讨亟待研究的问题, 为未来研究提供启示.

摘要：针对干扰环境下机械臂的安全交互控制问题, 提出一种基于控制障碍函数的机械臂全身动态避障与安全柔顺控制方法. 为保证系统鲁棒安全的同时降低保守性以提高跟踪性能, 提出基于非线性干扰观测器的可调输入至状态安全高阶控制障碍函数, 其能够处理高相对度约束, 进而拓宽输入至状态安全控制障碍函数的适用范围. 进一步, 利用所提出的控制障碍函数建立不等式约束, 并在二次规划框架下通过最小限度修改参考控制输入来形成鲁棒安全关键控制器. 该控制器在机械臂连杆的多个位置构建与障碍物之间的虚拟安全屏障, 以实现整个机械臂对静/动态障碍物的规避. 同时, 在机械臂末端建立多个动态空间约束, 以确保机械臂在预设的安全区域内执行交互任务. 此外, 基于Nagumo定理证明安全集合的前向不变性, 并用仿真和实验验证所提出方法的有效性.

摘要：针对七自由度机械臂在机器人辅助全膝关节置换术复杂任务中的路径规划需求, 在传统RRT*算法基础上提出一种基于启发式采样的机械臂路径规划算法. 首先, 采用双向搜索策略快速扩展出一条可行路径, 通过贪婪策略去除初始路径的冗余点简化路径, 记录简化后的路径长度形成初始的超椭球采样区域, 在超椭球采样时概率引入引力增益系数, 进一步提高算法的收敛能力; 然后, 在动态范围区域对随机树进行重选父节点以及重布线的优化步骤, 逐步优化路径长度; 最后, 再次使用贪婪策略去除路径冗余点并使用二次贝塞尔曲线使得路径平滑. 为验证所提出算法的实用性, 使用Matlab平台构建不同的实验环境, 基于TOPSIS熵权法对不同算法进行评估, 在手术截骨环境下通过ROS仿真以及实验样机对比实验, 对比不同算法在截骨环境下的综合能力, 实验结果表明所提出算法能够为多场景中的机械臂提供快速有效的路径规划方案.

摘要：室内热环境在影响居住者的舒适度和生产力方面起着至关重要的作用. 供暖、通风和空调(HVAC)系统是住宅建筑中控制室内热环境的主要手段. 然而, HVAC系统消耗大量能源, 占建筑物总能源消耗的20% $ \sim $ 40%, 导致高昂的运营成本. 因此, 设计能够在保持最佳热环境并降低能源消耗的HVAC控制策略至关重要. 对此, 提出一种基于增强智能(AuI)的框架, 结合人类指导和深度强化学习(DRL)实现HVAC控制优化. 首先, 建立优化问题, 旨在平衡能源消耗和热舒适度, 并最小化两者成本; 其次, 构建人类行为模型, 模拟不同热环境下居住者的反应; 然后, 提出AuI增强深度确定性策略梯度(DDPG)算法, 用于学习适配热舒适度和能源效率的最佳HVAC策略; 最后, 搭建了仿真实验, 用于策略训练和性能评估. 实验结果表明, 相较于无人类指导的对比算法, AuI-DDPG能减少38.7%的HVAC能耗, 同时改善31.1%的居住者热舒适.

摘要：研究执行器故障下多智能体系统的最优编队控制问题, 提出一种基于强化学习的预设时间最优容错编队控制方法. 首先, 借助预设时间调谐函数, 结合评论家-演员算法, 可显著降低算法复杂度; 然后, 在此基础上, 设计一种高效的容错控制机制, 以确保系统在执行器发生故障时仍然能够稳定地实现预期编队控制目标; 接着, 基于强化学习的自适应算法能力, 进一步增强算法对于复杂动态环境的适应性和鲁棒性; 最后, 通过仿真结果验证了所提出方法在故障场景下的有效性和优越性.

摘要：研究Markov跳变执行器故障下, 一类具有输出约束的不确定非线性互联大系统分散自适应跟踪控制器设计问题. 考虑到故障的间歇性、时变性和随机性, 引入一组时变的Markov变量描述子系统中的执行器故障. 首先, 构造一个双曲正切型辅助函数, 仅利用局部信息补偿强度未知的子系统耦合. 然后, 设计自适应机构估计未知故障的边界, 提出一种分散容错控制器; 同时, 运用输出变换策略对子系统输出施加约束, 与基于障碍Lyapunov函数的控制方法相比, 扩大了输出初值的取值范围. 所提出方案能够保证闭环系统中所有信号依概率有界, 且子系统输出不违反约束. 最后, 对由弹簧连接的双倒立摆系统进行仿真研究, 验证所提出控制方案的有效性.

摘要：针对过程数据具有变量非线性耦合、过程尺度多样等特征, 提出一种基于多尺度滑动窗口核熵成分分析(MS-MWKECA)自适应工业过程故障检测方法. 首先, 使用小波变换将过程变量实时地分解成不同的细节尺度和近似尺度, 建立基于熵成分分析(KECA)的局部尺度模型, 并筛选具有显著特征的尺度用于数据重构; 随后, 对重构的数据建立基于滑动窗口KECA的在线检测模型, 并且在滑动窗口更新数据的过程中, 设计一种自适应权重分配的窗口更新融合策略; 最后, 在Tennessee-Eastman (TE)过程和热轧生产过程(HSMP)中进行仿真测试, 通过对比实验验证所提方法的有效性和优越性.

摘要：二分-分量一致是指多智能体系统中具有相似特性智能体的部分分量会随时间推移趋于某个相同的值, 而剩余智能体的对应分量则趋于相反的值, 是一种弱于二分一致的动力学行为. 基于此, 研究切换网络拓扑上非线性多智能体系统的二分-分量一致性问题. 首先, 考虑有向符号图上的非线性多智能体网络系统, 在切换网络拓扑满足结构平衡条件的情况下, 控制协议也相应地进行切换; 然后, 通过设计合适的控制协议, 建立相应的偏差系统, 结合图论、稳定性理论和矩阵理论, 得到该多智能体系统在发生切换拓扑情况下实现二分-分量一致的充分条件; 最后, 通过数值模拟验证理论结果的可行性.

摘要：针对非线性工业信息物理系统遭受双侧虚假数据注入攻击和执行器故障的问题, 在事件触发的基础上, 设计T-S模糊的变比例积分观测器, 研究稳定性控制策略. 设计平滑自适应事件触发机制, 触发参数根据输出误差自适应调整, 以减少不必要的数据传输; 采用T-S模糊模型将非线性系统线性化后, 通过构建新的增广系统, 设计模糊变比例积分观测器, 以估计系统状态、双侧FDI攻击和执行器故障; 设计模糊补偿反馈控制器, 利用观测器的估计结果, 对攻击和故障进行补偿; 集成Lyapunov-Krasovskii泛函、线性凸组合、改进的仿射Bessel-Legendre不等式等理论, 设计观测器矩阵, 协同设计控制器及事件触发矩阵. 以工业四容水箱为仿真对象, 通过Matlab仿真, 验证所提出策略能够确保系统受到攻击和故障时稳定运行, 自适应触发机制能够有效减少数据传输.

摘要：传统的固定采样间隔(FSI)非参数自适应指数加权移动平均(AEWMA)控制图在应对中小漂移时存在局限, 特别是处理漂移类型未知或时变的过程中, 常规方法往往表现不佳, 且大多数研究侧重于单参数漂移. 对此, 基于加权Cucconi统计量, 提出一种变采样间隔(VSI)的非参数自适应指数加权移动平均(VSI-AWEC)控制图, 用于提升对位置-尺度双参数联合漂移的监控能力. 首先, 结合Cucconi统计量原理和变采样间隔机制, 提出该控制图的设计框架; 其次, 通过蒙特卡洛模拟评估其性能, 结果显示, 与固定采样间隔控制图相比, VSI-AWEC控制图在处理位置-尺度双参数联合漂移时, 具有更优的平均报警时间(ATS), 能够在不同漂移情境下提高监测灵敏度; 然后, 分析VSI-AWEC控制图在多种分布下的有效性, 并比较不同参数选择对控制图性能的影响. 实验结果表明, VSI-AWEC控制图在不依赖分布假设的情况下, 能够快速有效地发出警报, 特别是在监测小漂移时, 表现优异.

摘要：由于突破式技术创新的动态性及其成功与否具有随机性, 静态模型无法描述这一过程. 基于此, 构建由两个实施突破式技术创新的制造商和一个实施营销策略的零售商组成的供应链, 分析技术距离对技术投入努力和营销投入努力的影响, 提出制造商技术创新成功前后的动态竞合策略. 研究表明: 在技术创新成功之前, 供应链成员的投入努力与技术创新成功率、边际利润以及技术或营销水平提升率呈正相关, 而在技术创新成功之后, 投入努力则趋于稳定; 技术溢出效应和技术抑制效应对低技术水平制造商影响显著, 对高技术水平制造商没有影响, 而学习效应对两制造商的影响效果相当; 当技术距离比较小, 或者技术创新成功率比较高时, 两制造商采取合作策略更有利, 反之, 当技术距离比较大, 或者技术创新成功率比较低时, 竞争策略更优. 综上, 研究发现技术距离和技术创新的不同阶段会显著影响供应链的最优决策与竞合策略, 为供应链的协同创新发展提供了理论依据.

摘要：针对快速搜索随机树(RRT)算法与常规平滑方法组合在解决复杂环境下无人机(UAV)路径规划问题时计算效率低、随机性高、存在航迹拐点、路径冗长及安全性较差等不足, 提出一种结合改进双向搜索随机树算法(RRT-Connect)和人工势场平滑法(APF)的航迹规划方法. 首先, 两棵随机树分别从起始点和目标点同时进行扩展, 并引入贪婪策略以提高搜索效率; 然后, 采用目标偏置策略来优化随机节点的选择, 同时加入改进的人工势场分量, 以减少搜索方向的随机性, 加快两棵随机树的交汇, 生成一组避开障碍物的可行航迹; 最后, 在初始航迹基础上, 采用基于人工势场的平滑优化方法, 将航迹节点视为带有引力势场的点, 只对相邻两侧的航迹节点施加引力作用, 并在各障碍物处设置斥力势场. 通过引力和斥力相结合的双重作用机制, 实现对航迹节点的调整优化, 从而提升航迹的平滑性和安全性. 仿真实验验证了所提方法在不同场景下的可行性和有效性.

摘要：首先, 针对柔性作业车间节能分批调度问题, 构建一个以最小化最大完工时间和机器加工总能耗为目标的优化模型; 同时, 提出一种规则数字化分批方法, 合理划分批次, 以进一步提升调度效率. 然后, 为高效解决该问题, 提出一种融合强化学习的非支配排序遗传算法II (RLNSGA-II), 该算法通过自适应策略调整交叉率和变异率, 能够有效增强算法的全局搜索能力. 接着, 结合分批问题特性设计3种邻域搜索策略, 可显著提升算法的局部搜索能力. 最后, 通过对比实验验证所设计强化学习参数自适应策略和邻域搜索策略的有效性, 并将RLNSGA-II与其他多目标优化算法进行对比, 验证其在求解EFJSP-BS中的显著优越性.

摘要：回收业务的长期运营属性决定了其决策过程的动态特征. 针对闭环供应链(CLSC)企业对远期收益存在的时间偏好异质性, 即制造商主导且时间偏好一致、零售商跟随且时间偏好不一致情形, 探究异质性时间偏好对CLSC系统回收、定价策略制定及回收模式选择的影响. 首先, 应用随机双曲折现模型, 构建零售商时间偏好不一致的跨期决策动态规划模型; 其次, 结合随机微分对策理论和逆向归纳法, 求解得到不同回收模式下的均衡回收投入、定价策略、可再利用率期望以及效用函数, 并对均衡结果进行比较分析. 研究发现: 相较于时间偏好不一致的成熟型零售商, 幼稚型零售商负责回收能使整个CLSC系统实现较高的效用; 时间偏好一致的制造商负责回收, 无论面对成熟型还是幼稚型零售商, 其回收行为均能促进废旧产品的有效利用, 进而确保整个CLSC系统达到最优状态. 因此, 制造商回收是CLSC系统的最佳回收模式, 且零售商时间偏好的不一致性可增强供应链成员采用制造商回收策略的意愿, 该结论与完全理性的静态模型研究不同.

摘要：针对在复杂空间博弈场景中, 脉冲推力驱动的航天器追逃博弈决策实时性受限和传统奖励函数较难适应远距离和高动态对抗学习环境的问题, 对航天器博弈对抗的智能机动决策和燃料优化展开研究. 首先, 建立轨道博弈动力学和机动约束模型; 然后, 提出一种具有时间约束的航天器单脉冲可达域求解方法, 并结合神经网络对轨道危险区进行量化拟合; 接着, 基于分布式系统架构设计层次强化学习框架, 采用近端策略优化(PPO)算法开展红蓝对抗学习训练; 最后, 对所提出机动策略进行验证. 仿真结果表明, 在二体动力学轨道博弈场景中, 危险区策略可使得平均燃料消耗降低33.81%, 博弈策略相较于传统方法打靶率平均可提升38.41%.

摘要：目前提出的动态多目标进化算法大多仍难以全面应对各种类型的动态多目标优化问题. 鉴于此, 提出一种基于自适应响应选择的动态多目标进化算法(ARS-DMOEA), 其核心思想是自适应选择具有不同响应优势的动态响应策略, 以有效应对各种类型的动态多目标优化问题. 首先, 提出一种自适应响应选择策略, 可以根据不同动态响应策略的历史性能自适应地调整其选择概率; 其次, 设计一种混合动态响应策略, 根据选择概率选择不同策略生成的个体, 从而在新环境中生成高质量的初始种群. 与4种优秀动态多目标进化算法进行对比实验, 结果表明, ARS-DMOEA具有较高的竞争力, 并能有效适应不同类型的动态多目标优化问题.

摘要：近年来, 基于Transformer的方法在三维人体姿态估计任务中表现出色, 然而, 现有方法虽能通过全局自注意力机制有效建模关节间长程依赖关系, 但在肢体快速运动等场景下易产生局部运动轨迹预测偏差, 存在对局部运动特征建模不足问题. 鉴于此, 提出一种结合卷积神经网络(CNN)与混合注意力机制的Transformer架构模型, 通过加入卷积特征提取, 显著增强局部关节运动表征能力. 首先, 设计混合多假设生成模块, 兼顾效率的同时生成更丰富的假设信息, 有效弥补传统全局视角方法在捕捉局部依赖关系上的不足; 然后, 使用自假设精细化模块进一步挖掘数据中的多样化信息, 确保模型能够捕捉到更多细节; 最后, 通过跨假设交互模块充分融合不同假设间的特征信息, 增强模型的鲁棒性和精度. 实验结果表明, 该模型在数据集Human3.6M上的表现相较于基准模型MHFormer提升了7.99%, 表明了所提出组件与整体架构在三维人体姿态估计领域的有效性.

摘要：针对功能磁共振成像(fMRI)中高阶功能连接建模与分类任务中维度膨胀、归一化缺失与跨阶协同弱化的挑战, 提出一种微分几何驱动的结构分层化轻度认知障碍(MCI)识别模型. 该模型融合双阶段对齐协同脑图谱(DAS-Connectome)与结构嵌入提炼层(SERL). DAS-Connectome引入两级结构建模机制: 一是通过流形对数映射实现归一化的几何推广, 构建稳定的高阶神经依赖结构; 二是执行结构映射增强, 将高阶结构与原始低阶张量缩并耦合生成DAS-Connectome, 从而提升结构表达的一致性与判别密度. SERL通过变分信息瓶颈的嵌入机制和预训练ViT(Vision Transformer )对DAS-Connectome进行低维表征提炼, 最终将嵌入特征输入轻量级分类器完成MCI判别. 实验表明, 所提出框架在阿尔茨海默病神经影像学计划库的数据集上相较传统方法分类准确率最高提升16%, 在小样本条件下展现出良好的稳定性与泛化能力.

摘要：利用可见光(RGB)和热红外(TIR)双模态信息间的互补性可以克服单模态跟踪在恶劣环境下的局限性. 目前基于RGB-T的目标跟踪方法不能充分利用模态间信息, 而且额外模态的引入会导致计算量增大. 为此, 提出双模板跨模态交互与前景选择的高效RGB-T目标跟踪网络, 对两个模态的模板图像进行融合构建融合模板图像分支, 利用融合模板图像特征和两个模态模板图像特征作为模态交互的纽带, 克服不同模态图像中心存在的偏差导致两种模态信息利用不充分问题; 利用极性感知线性注意力构建Transformer编码器, 减少ViT(Vision Transformer)中的多头注意力机制带来的复杂计算量, 提高模型的效率; 通过极性感知线性注意力返回的注意力构建前景选择模块, 去除无关背景特征, 提高跟踪精度的同时减少背景特征带来的计算量. 实验结果表明, 所提出网络在LasHeR数据集上跟踪成功率达到57.1%, 精确率达到71.2%, 相较于模板连接搜索区域交互算法(TBSI)分别提升1.1%和1.5%, 跟踪速度相较于TBSI提升3.5%, 在RGB-T目标跟踪任务中取得了较好效果.

摘要：舱位分配与空箱调运联合优化是班轮运输业需要重点关注的问题，针对舱位与空箱调运需求的不确定性，基于历史大数据采用一种结合长短期记忆网络(LSTM)和多层感知机(MLP)的LSTM-MLP预测模型对细分市场的运输需求进行预测. 在此基础上，着眼于差异化服务策略下的多周期舱位分配与空箱调运联合优化问题，建立多周期混合整数联合优化模型，提出一种分支-割平面算法对联合优化模型进行求解. 数值实验结果表明: 基于差异化服务策略的联合优化可有效提升班轮公司收益, 增加客户满意度; 4组实验验证了分支-割平面算法的有效性和精准性; 所提出基于LSTM-MLP预测的联合优化结果比随机需求下的联合优化可提升8% $\sim $ 17%的总收益.

摘要：研究具有未知外部扰动的非线性多智能体系统在非周期性间歇通信条件下的分布式领导-跟随一致性控制问题. 针对存在有界扰动并且满足Lipschitz条件的非线性多智能体系统, 设计分布式扩张状态观测器, 该观测器能够对系统状态和总扰动进行实时估计与动态补偿. 结合非周期性间歇通信的特性, 提出一种具有扰动补偿能力的分布式一致性控制协议, 该协议仅在通信阶段更新控制信号, 在非通信阶段则保持零输入, 从而在保证系统性能的同时, 有效降低系统的通信负担和能量消耗. 利用Lyapunov理论以及矩阵不等式相关知识证明了所提出的控制协议能够确保系统在非周期性间歇通信和未知外部扰动的复杂条件下实现领导跟随有界一致性. 数值仿真实验验证了所提出控制协议的有效性.

摘要：针对执行器故障下多智能体系统的资源分配问题, 研究预定时间收敛的分布式容错优化算法. 为了克服执行器效率损失故障导致的异构控制增益和偏置故障导致的未知扰动对系统动态的影响, 首先提出一种基于输出反馈和变结构控制方法的容错分布式加权梯度算法; 其次, 利用预定时间李雅普诺夫稳定理论和凸优化理论等工具, 进行算法预定时间最优收敛的稳定性分析; 然后, 为了避免不连续变结构控制导致的输入抖振问题, 设计输入连续的容错分布式加权梯度算法, 并分析算法的实用预定时间稳定性; 最后, 通过仿真结果验证了所提出容错优化算法的有效性.

摘要：针对UAV集群在未知环境中的区域覆盖搜索问题, 提出一种基于分层池化地图模型的UAV集群区域覆盖搜索算法. 首先, 构建环境地图对待搜索任务区域进行表征; 其次, 将图像处理领域的池化技术与区域栅格地图结合, 构建分辨率不同的多层次池化地图模型; 然后, 设计包含覆盖率、边界约束和宏观收益等在内的决策目标函数, 提出适用于强对抗环境的UAV集群分布式信息交互机制; 最后, 采用数值仿真对所提方法的有效性进行验证. 仿真结果表明, 所提算法能够在不同信道质量的条件下有效引导UAV集群对未知任务区域展开覆盖搜索, 在给定覆盖搜索场景中, 算法决策时间和覆盖率均优于现有其他方法.

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：无人机对电线的精确感知是电力系统运维、无人机自主避障等领域的核心基础，但在复杂环境中常因光照变化、背景干扰及电线自身特性等因素，给精准识别带来了极大的挑战。在现有研究中，基于单一模态数据的检测方法依赖可见光或红外数据，这类方法受限于复杂背景适应性差的特点，在恶劣条件下表现不佳，存在着明显局限性。而基于多模态数据的检测通过融合可见光与红外数据，虽相比单一模态提升了鲁棒性，但现有方法在复杂环境适应性和任务特异性挖掘上仍存在不足。针对上述问题，本文提出一种可见光与红外数据跨模态交互融合与全局特征校准检测方案：通过跨模态交互引导融合模块（CIGF）实现双模态特征的深度交互与优势互补，通过全局特征重要性校准器（GFSM）完成对枢纽特征的精准校准与关键信息增强，通过多感受野增强解码器（MRED）实现电线目标精细空间结构的高效重建与像素级定位，三大核心模块协同作用，形成了从特征提取、交互融合到全局校准再到精细解码的完整技术链路。在无人机电线检测领域权威数据集VITLD上的实验表明，该算法在IoU、Robj、Recall、Precision及F1-Score等核心指标上全面优于现有算法，尤其在夜间低光照、雾天模糊、雪天遮挡等复杂极端环境中仍保持高精度，突破了传统方法的应用瓶颈。消融实验验证了各模块的有效性及协同作用。本文为解决无人机电线检测问题提供了有效思路，具有重要理论意义与实际应用价值。

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

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

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

摘要：时速600公里高速磁悬浮列车的运行安全至关重要,任何部件的表面缺陷都可能对运行安全造成重大影响.目前电磁铁的表面缺陷检测仍主要依赖人工巡检,而基于深度学习的方法在实际工业环境中面临数据稀缺、精度低及实时性差等多重挑战.本文提出一种两阶段磁悬浮电磁铁缺陷检测方法:第一阶段快速定位并裁剪电磁铁,第二阶段精确定位缺陷.为缓解缺陷样本稀缺问题,采用StarGAN v2生成对抗网络进行数据增强,并引入难负样本挖掘策略以降低误报.第一阶段为满足实时性需求,设计了轻量化网络结构,通过结构裁剪与通道剪枝显著降低模型复杂度,使参数量减少约97%,CPU推理速度提升约370%.第二阶段模型融合了高阶关系建模、多分支动态融合模块与去归一化Transformer等多种结构,增强了跨尺度建模能力.实验结果表明,对比同规模模型,本文二阶段提出的模型在自建电磁铁数据集上的平均mAP50-95高出6.2%,在PCB与GC10-DET两个公开数据集上也取得了最高的F1分数并保持实时性能,显示出良好的工业部署可行性.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

摘要：本文研究了具有动态领导者的异构线性多智能体系统的预设时间编队跟踪控制问题. 为此, 本文设计了一类基于传感反馈的预设时间分布式观测器, 用于跟随者协同估计领导者的状态信息, 在此基础上, 提出了一个预设时间控制器, 以实现跟随者对动态领导者的预设时间时变编队跟踪. 值得注意的是, 每个智能体的分布式观测器设计仅依赖于其相邻智能体的局部输出测量, 这消除了智能体之间直接通信的必要性, 而适用于更广泛的实际应用场景, 同时也带来了技术挑战. 通过利用基于输出调节方法的坐标变换, 异构线性多智能体系统的输出编队跟踪控制被转换为同步稳定问题. 基于李雅普诺夫稳定性定理和预设时间稳定性理论, 证明了异构多智能体系统的领导- 跟随编队跟踪控制是在预设时间内实现的, 且收敛时间与初始状态无关, 多智能体系统的控制参数可以任意选择. 最后, 仿真结果证明了所提方法的有效性.

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

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

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

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

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

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

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

摘要：针对AG600水陆两栖消防飞机的机场选址问题，本文构建了一种以最小化总任务时间与经济成本为目标的多目标规划模型。该模型综合考虑了森林火灾风险、灭火资源需求、消防飞机性能参数及部署运营成本等多因素影响。此外，引入基于风速、相对湿度和植被覆盖度的森林火灾风险因子，用以提升对高风险区域的优先覆盖能力。本文以广西地区为例，利用 ArcGIS 进行空间数据处理，并采用 NSGA-II 算法对本文构建的选址模型进行求解。研究结果表明：1）在广西地区，集中式部署策略在成本投入与任务响应效率之间实现了更优平衡。相比于分散部署，单一机场集中部署多架飞机更有利于缩短高风险森林火灾区域的总任务时间；2）在所有单机场方案中，柳州白莲机场集中部署两架AG600消防飞机为最优方案，其解的相对接近度较其他方案提高了39%。综上，本文基于森林火灾风险因子构建的机场选址模型可以为我国AG600消防飞机机场选址和部署提供理论依据，选取柳州白莲机场集中部署两架AG600消防飞机的方案可为广西地区的消防飞机的机场选择和部署方案提供参考。

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

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

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

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

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

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

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

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

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

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

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

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

摘要：随着水下任务需求的不断提升, 轨迹跟踪控制一方面需克服模型参数不确定性、外界未知扰动以及输入饱和对控制性能的影响, 另一方面为避免跟踪误差收敛时间被高估, 还需提前约束误差收敛时间的上界. 因此, 针对六自由度全驱动自主水下潜航器, 提出了一种基于扰动观测器的非奇异预定时间控制方法. 首先, 设计预定时间稳定的扰动观测器, 实现对模型参数不确定性和外部扰动的快速精确估计；其次, 基于位姿跟踪误差采用反步法设计虚拟速度控制量, 并通过非线性一阶滤波器对虚拟量求导, 解决反步法固有的“微分爆炸”问题. 与此同时, 引入辅助动力系统并根据扰动观测器的实时补偿, 设计具有抗饱和特性的非奇异积分滑模控制律.Lyapunov稳定性理论证明了该闭环控制系统实际预定时间稳定, 并且系统内所有信号在预定时间内收敛于原点附近领域.最后, 仿真结果验证了所设计方法的有效性, 其不仅跟踪误差收敛速度优于固定时间控制, 且收敛时间上界不受系统初始状态的影响.

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

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

摘要：面向信息时代的决策问题，数据驱动的决策方法日益成为主流。然而数据的长期累积促使概念漂移现象的不断涌现。针对动态决策环境下存在的概念漂移现象，本文提出了一种考虑概念漂移的数据驱动证据推理决策方法。考虑历史决策数据中概念漂移的特异性，运用早期漂移检测思想和累计和控制图检测方法，能够有效检测决策数据中存在的细微漂移；基于此，运用证据推理融合算法，提出双重集成策略进行漂移适应，首先基于属性权重进行局部集结，获得局部最优决策结果，进而定义数据局部贡献度进行全局集结，实现兼顾模型精度、动态适应性与可解释性的全局最优决策。上述研究方法被用于安徽省合肥市某三甲医院超声科乳腺结节辅助诊断问题中，验证所提方法的有效性和实用性。

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

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

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

摘要：针对轮胎侧向力非线性变化导致车辆动力学模型失准，进而影响路径跟踪性能的问题，将变侧偏刚度参数引入预测函数控制框架，提出了一种自适应预测函数控制算法(Adaptive Predictive Function Control，APFC).分析了轮胎侧向力的非线性特性对轮胎侧偏刚度的影响，建立了基于平方根容积卡尔曼滤波的轮胎侧向力实时估计器，设计了一种考虑真实轮胎侧向力变化实时修改轮胎侧偏刚度的自适应调节策略.利用Simulink和CarSim联合仿真试验和实车试验对所提策略进行了验证.仿真试验结果表明：在高/低附着双移线工况下，横向位置偏差均方根值较模型预测控制(Model predictive control, MPC)策略分别降低19.43%和31.67%；在高附着大曲率工况下横向位置偏差均方根值较MPC控制策略降低了37.89%.实车试验结果表明：APFC控制策略较MPC控制策略平均计算时间缩短了54.09%，横向位置偏差均方根值较MPC控制策略降低了38.23%.

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

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

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

摘要：针对一类离散时间非线性非仿射网络化控制系统, 提出了一种基于扩展状态观测器的多描述编码数据驱动自适应滑模控制方法. 首先, 通过动态线性化技术将非线性系统转化为带有线性参数项和非线性余项的数据模型. 其次, 为了提高数据传输的可靠性, 在传感器到控制器通道引入多描述编码协议. 该协议将源信号编码为两个“描述”并通过相互独立的信道传输, 以及引入两个独立的伯努利随机变量来表征各个信道的丢包现象. 在此基础上, 设计了包含参数估计算法和扩展状态观测器的多描述编码数据驱动自适应滑模控制方案, 其中前者用于估计数据模型中的未知参数, 后者用于估计非线性余项. 然后, 基于压缩映射方法, 证明了控制系统跟踪误差的有界性. 最后, 通过数值仿真和实际例子验证了所提方法的有效性和适用性.

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

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

摘要：为提高某型65m跨度架桥机起重天车的定位精度并抑制钢箱梁摆动，设计了一种改进超螺旋滑模控制器并对其增益参数进行寻优。首先，基于吊装系统的完整约束求解出变量间的隐函数关系，利用第二类拉格朗日方程建立了系统动力学模型。然后，引入双曲正切函数从而改善超螺旋滑模控制中的抖振现象，并基于Lyapunov理论证明了系统的稳定性。接着，通过与传统控制策略的对比分析，验证了所设计控制器的优越性。最后，采用改进灰狼优化算法整定控制器参数。结果表明，所提的改进超螺旋滑模控制器削弱了系统控制力的抖振，并在起重天车的定位精度和抑制系统残余振荡方面展现出明显优势。经改进灰狼算法优化后，起重天车位移响应更为精确，系统摆角与控制力峰值均进一步减小，具有良好的工程应用潜力。

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

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

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

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

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

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

摘要：旋转机械作为工业系统的核心部件,其故障诊断对保障设备安全运行至关重要.然而,在跨工况场景下,基于深度迁移学习的故障诊断面临故障样本收集成本高昂和数据分布存在差异的两大挑战.这些挑战在目标域存在未知故障的开集迁移场景下尤为突出,因此,本文提出一种由分层聚类引导生成可靠伪标签的域自适应(HCRPDA)方法:首先,使用源域数据监督训练特征提取器和分类器,并通过构建域混淆损失来驱动源域和目标域进行对抗学习,实现已知类别的跨域分布对齐;其次,基于域判别器输出的源域相似度和通过分类器的输出计算得到的分类熵这两个指标进行分层聚类,筛选高置信度的未知类伪标签样本,进而训练专用的未知类判别器以提升模型对未知故障的识别能力;最后,使用PU轴承数据集以及PHM2009齿轮箱数据集进行仿真验证.实验结果表明,HCRPDA相比于主流的域自适应方法具有更高的未知类识别率和已知类分类准确率,特别是面对目标域中未知类样本比例较高的场景,优势更加明显.

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

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

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

摘要：TRACLUS算法在处理具有复杂时空特性的轨迹数据时，其采用的分段策略侧重空间几何信息忽略时空动态信息，导致分段精度不高；空间邻近性的聚类规则难以有效识别时空耦合模式，且在处理噪声和密度不均数据方面存在局限性。鉴于此，提出时空加权和密度峰值的轨迹聚类(Trajectory Clustering Based on Spatio-Temporal Weighting and Density Peak, STW-DP-TRACLUS)算法。该算法使用时空加权分段将自适应时空权重和时空几何距离融入最小描述长度代价函数，提取包含时空局部特征的子轨迹段；将时空局部密度融入密度峰值聚类，并结合局部特征的噪声识别与迭代式的类簇中心选择，提升子轨迹段的聚类效果；将密度筛选和时空连续性约束嵌入代表性轨迹生成，增强聚类结果的可解释性。在真实轨迹数据集上的对比实验表明，时空加权分段使轨迹重建误差降低25.4%；STW-DP-TRACLUS算法的Davies-Bouldin(DBI)指数达0.994，优于多种传统及新进的轨迹聚类算法，验证了STW-DP-TRACLUS算法在复杂时空轨迹数据模式挖掘方面的有效性。

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

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

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

摘要：随着分布式发电和微电网技术的快速发展，微电网能源交易策略对于提高清洁能源消纳和推动微电网建设至关重要.能源交易过程中的信息不完全会导致交易参与者的决策具有不确定性，进而影响能源供应的稳定性和可靠性.针对这一问题，本文基于网络演化博弈理论研究了不完全信息条件下微电网能源交易策略.首先，根据微电网和主电网运营商的策略更新规则，建立不完全信息条件下微电网能源交易的网络演化博弈模型，该模型能够有效描述交易参与者在不完全信息条件下的策略演化动态.其次，利用矩阵半张量积，得到基于网络演化博弈的微电网能源交易模型的代数形式.在此基础上，提出计算博弈均衡集合的算法和判断微电网能源交易模型收敛性的准则.最后，仿真例子验证了本文结果的有效性.通过本文提出的方法，可以有效分析不完全信息对微电网能源交易策略演化以及模型收敛性的影响.

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

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

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

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

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

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

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

摘要：针对现有的基于动态运动基元的轨迹避障算法无法同时满足轨迹的特征保留性和平滑性的问题，本文提出了一种基于分段动态运动基元的轨迹平滑避障方法。该方法将障碍物区域的轨迹进行分段处理，分别构建动态运动基元模型，并在障碍物之外寻找一个融合点进行分段泛化，从而得到保留原轨迹特征的避障轨迹。在此基础上，采用基于虚拟目标点的轨迹实时平滑方法来处理过渡点的拐角，得到平滑的避障轨迹。为验证方法有效性，设计了仿真实验和实际六轴机器人的轨迹避障实验，并与现有的改进动态运动基元算法进行对比。实验结果表明，本文方法生成的避障轨迹不仅能更好地保留原轨迹的特征，而且在轨迹的平滑性上也更有优势，从而验证了该方法的有效性。

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

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

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

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

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

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

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

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

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

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