计算机应用研究杂志

计算机应用研究杂志2023年第3期

• 分布式账本技术的发展历程研究综述

  王嘉瑶,王婷,袁文亮,朱俊武,

  物联网、人工智能、大数据等众多领域缺乏量身定制的安全隐私技术保障，基于分布式账本技术（DLT）的系统作为一种分散的数据管理方法可以很好地满足其安全需求，因此基于分布式账本技术的系统层出不穷。为了帮助后续的研究者更全面快速地了解分布式账本技术，梳理了近年来基于分布式账本的研究成果，分别从数据结构、技术原理、共识机制和性能等多个角度对区块链进行深入分析，并且基于当前研究现状详细比较分析了分布式账本技术的一些最新进展，如哈希图（Hashgraph）、全链（Holochain）和初链（Truechain）等。最后总结了该领域未来的发展前景。

• 生成对抗网络改进角度与应用研究综述

  张彬,周粤川,张敏,李佳,张建勋,郭志刚,

  生成对抗网络（GAN）作为一种新兴的生成式模型，逐渐发展应用于图像生成、三维重构、跨模态转换等领域，有效解决了常规卷积神经网络在图像生成类任务方面效率低下的问题，填补了深度学习在图像生成领域上的短板。为了帮助后续研究人员快速并全面了解GAN，根据近年来的文献对GAN的改进模型进行梳理。首先从网络结构、目标函数两个角度介绍了GAN的基本原理，然后对GAN的各种衍生模型从改进角度、应用类型两个方面进行详细的阐述和总结，分别从主观定性、客观定量和任务专项评估等角度对生成图像的质量和多样性进行归纳分析，最后讨论了GAN系列模型近年来的一些核心问题与最新研究进展，并分析了未来的发展趋势。

• 基于改进的区块链云数据动态审计机制研究

  郭彩彩,金瑜,

  云存储凭借其高扩展性、低成本等优点得到大众青睐，但确保云数据完整性成为亟待解决的安全挑战。为解决基于TPA的公共审计方案中存在的安全和效率问题，有学者提出了基于区块链的公共审计方案，但数据拥有者的审计负担较大，都是静态审计，且不支持错误数据定位操作。基于此，提出了基于改进的区块链云数据动态审计机制，通过将部分审计工作委托给共识代表以减轻数据拥有者审计开销，设计带权多层次MHT结构以支持数据的动态操作，审计失败时帮助定位到错误数据。理论分析和实验结果表明，与现有方案相比，提出方案更安全可靠、动态审计效率更高，数据拥有者的计算和通信开销更少。

• 基于推荐信任模型改进拜占庭容错共识算法

  张猛,王宝成,

  针对拜占庭容错算法存在通信开销大、节点选取简单、对恶意节点缺乏惩罚机制的问题，提出了一种基于推荐信任模型的改进拜占庭容错共识算法。引入P2P网络下的推荐信任模型，根据节点在共识阶段的行为，计算各节点的全局信任值，使用节点选取机制，解决节点选取简单的问题。全局信任值高的节点进入共识组，恶意节点被踢出共识组不再参与共识，解决恶意节点缺乏惩罚机制的问题。实验表明，R-PBFT较PBFT具有更低的网络开销和更高的容错性。

• 基于脑启发的类增量学习

  王伟,张志莹,郭杰龙,兰海,俞辉,魏宪,

  现有的类增量学习方法多是采用存储数据或者扩展网络结构，但受内存资源限制不能有效缓解灾难性遗忘问题。针对这一问题，创新地提出基于脑启发生成式重放方法。首先，通过VAE-ACGAN模拟记忆自组织系统，提高生成伪样本的质量；再引入共享参数模块和私有参数模块，保护已提取的特征；最后，针对生成器中的潜在变量使用高斯混合模型，采样特定重放伪样本。在MNIST、Permuted MNIST和CIFAR-10数据集上的实验结果表明，所提方法的分类准确率分别为92.91%、91.44%和40.58%，显著优于其他类增量学习方法。此外，在MNIST数据集上，反向迁移和正向迁移指标达到了3.32%和0.83%，证明该方法实现任务的稳定性和可塑性之间的权衡，有效地防止了灾难性遗忘。

• 融合位置信息的观点三元组情感分析模型

  姜宇桐,钱雪忠,宋威,

  方面级情感分析主要有两大类任务：a）抽取任务，旨在抽取出语句中的方面词及观点词；b）分类任务，旨在分析情感极性。在这两种复合任务的基础上，针对目前方面词与观点词耦合性较差，导致分类任务出错这一问题，提出了融合位置信息的观点三元组情感分析模型OTPM。该模型利用双向长短时记忆网络获得文本表示，接着利用自注意力机制来增强方面词与情感词之间的关联性，之后在多任务框架中进行观点三元组的抽取，同时将抽取出的表示与位置信息进行加权融合，最后利用biaffine评分器分析加权后的方面词与观点词之间的情感依赖关系，并利用stop-on-non-I算法对三元组进行解码输出三元组。在Lap14、Rest14、Rest15、Rest16四个数据集上进行大量实验，结果表明所提模型优于一系列基线模型。

• 基于局部特征聚焦的方面级情感分析

  余本功,张书文,高春阳,

  现有方面级情感分析模型忽略了各词间句法关系且未能针对性地提取语义信息。为此，提出一种可聚焦局部上下文特征的方面级情感分析模型，其核心思想在于构建局部上下文加权邻接图和动态赋权方法，通过图卷积神经网络生成聚焦于局部上下文信息的方面词特征。具体地，首先采用局部上下文动态赋权方式增加局部上下文的关注度；其次，在提取句法依存关系的基础上为上下文各节点赋权，构建针对局部上下文赋权的邻接图；最后，由图卷积神经网络提取聚焦于局部上下文信息的方面词特征。在公开数据集上的实验结果表明，与ASGCN相比，提出模型在restaurant和laptop数据集中的宏F1值分别提高了1.76%和1.12%，经过局部上下文加权，聚焦局部特征所得信息有助于提高分类效果。

• 基于改进的ISODATA的超球覆盖仿生模式分类算法

  刘莉萍,冯清贤,余志斌,

  现有仿生模式识别分类器难以解决含有多个聚集点、非线性和稀疏性样本的分类问题。因此，引入特征分类贡献度，提出了基于改进的迭代自组织数据分析（M-ISODATA）的超球覆盖仿生模式识别算法。首先引入马氏距离对自组织数据分析方法（ISODATA）的欧氏距离替换，并引入熵权法对马氏距离进行加权以赋予各特征不同的贡献度；同时为了去除干扰样本点，引入改进的局部离群因子检测方法（M-LOF）对样本进行训练，减少了不同类别流形之间的重叠区域。再利用改进的自组织数据分析方法（M-ISODATA）对每类训练样本点动态聚类，寻找到同一类的多个小类覆盖区中心后，用超球进行该类的有效覆盖，并对落入重叠区域的测试样本点进行二次划分，实现测试样本的正确分类。最后在iris数据集上验证该算法的有效性，并将该算法应用于雷达辐射源信号的分类识别。实验结果表明，该算法具有很好的拒识、免重训能力，对于雷达信号的识别率能达到97.29%，相比于传统典型模式识别算法具有更好的识别能力。

• 融合信息反馈共享与蜉蝣搜索机制的樽海鞘群算法

  李克文,耿文亮,张敏,王晓晖,柯翠虹,

  针对樽海鞘群算法（SSA）收敛速度慢和易陷入局部最优的问题，提出了一种融合信息反馈共享与蜉蝣搜索机制的改进樽海鞘群算法。使用Piecewise映射的方法进行种群初始化，使初始樽海鞘种群更均匀的覆盖可行域空间；采用信息共享机制，提出辅助领导者策略，改进领导者位置更新公式，增强全局搜索能力；利用进化学说以及正负反馈调节的思想，通过变异操作和自然选择原则选取更优领导者，从而提高搜索精度；最后，提出蜉蝣搜索机制，选取蜉蝣算法的交配公式，优化追随者位置迭代公式，使算法在后期更快收敛。通过在12个基准测试函数的多个维度以及17个CEC测试函数的实验，证明了改进樽海鞘群算法的综合性能，并通过消融实验验证了改进策略的有效性，实验结果表明，改进算法在收敛速度以及搜索精度上具有明显的优势。

• 多策略融合的改进樽海鞘群算法

  杨光永,吴大飞,刘福康,徐天奇,

  为解决传统樽海鞘群算法（SSA）收敛精度低、难以跳出局部最优等问题，提出了一种多策略融合的改进樽海鞘群算法（ISSA）。首先，提出了一种新的融合中垂线算法收敛策略的追随者位置更新方法，以解决传统SSA追随者位置更新方法的不足；为提升SSA跳出局部最优的能力，提出一种基于中垂线算法收敛策略的自扰动策略。其次，通过分析传统SSA领导者位置更新策略存在的不足，提出了一种新的领导者位置更新策略，并针对SSA的固定种群顺序，提出了以适应度为指标重构樽海鞘群体排列顺序的方法以提升算法性能。最后以仿真实验对ISSA的性能进行了验证，结果表明ISSA解决了SSA收敛精度低和难以跳出局部最优的问题，提升了SSA的收敛速度和稳定性。通过与其他改进SSA的对比实验，证明了ISSA的优越性。

• 考虑公众风险的多目标医疗废物选址路径问题及樽海鞘算法求解

  鲍秀麟,张惠珍,马良,张博,

  针对医疗废物处理中心的选址路径问题，在考虑公众风险的情况下，构建多目标优化模型。首先，分别从政府、公众和处理中心承包商角度出发，构建了以运营成本、风险成本以及运输成本最小化的多目标选址路径模型；其次，针对所构建模型的特点，设计了一种改进的多目标樽海鞘算法对模型进行求解；最后，以四川省成都市的医疗废物处理中心的规划项目为例，对构建的模型和算法进行验证，通过优化结果的对比分析，验证了模型的可行性和算法的有效性。

• 融合多策略的增强海鸥优化算法

  李大海,熊文清,王振东,

  针对海鸥优化算法（SOA）求解精度低、种群多样性差、易陷入早熟收敛的缺点，提出了一种融合多策略的海鸥优化算法（ESOA）。首先，在每次迭代的过程中，引入改进的自适应差分变异策略，对单个海鸥个体进行差分变异操作并通过自适应机制扩大海鸥的全局搜索范围及提高种群的多样性；其次，设置了基于粒子群算法的机制来处理最差的海鸥个体位置；最后，针对海鸥的最优位置，采用了动态透镜映射的策略增加算法跳出局部最优的能力。采用CEC2017测试函数中的14个函数作为基准测试函数，将ESOA与麻雀算法（SSA）、飞蛾扑火算法（MFO）、灰狼算法（GWO），以及改进的GSCSOA、CCSOA进行性能对比。实验结果表明ESOA在统计学意义上具有显著的性能优势。

• 基于样本重叠与近似马尔可夫毯的特征选择算法

  王大志,季焱晶,陈彦桦,王洪峰,黄敏,

  随着信息技术的快速发展，数据中的高维特征极大地增加了产生冗余特征的可能性，冗余特征不仅导致搜索空间增大，而且影响了分类的准确率。针对现有的特征选择算法难以解决高维特征选择问题，提出了基于样本重叠与近似马尔可夫毯的特征选择算法（samples overlapping based modified Markov blanket，SOMMB）。该算法首先融合最大信息系数与改进强近似马尔可夫毯去除冗余特征；其次采用样本重叠策略指导前向搜索的过程，选取相关特征。该算法在10个公开数据集上与目前流行的PGVNS、FCBF-MIC、CFS、mRMR、RF、CBFS、ReliefF以及FFSG算法进行对比实验，SOMMB算法的平均准确率为82.519%，对比FFSG获得的最高准确率提升了4.214%，表明SOMMB算法可以提高分类精度。

• 受强弱关系理论启发的改进人工蜂群算法

  刘小龙,董家伟,

  针对原人工蜂群算法在寻优过程中存在收敛精度不高、容易陷入局部最优的问题，提出一种改进人工蜂群算法（SWT-ABC）。将社会学中强弱关系模型化并引入多子群矩阵式蜂群结构，定义了强关系个体从三个方向随机引导搜索，加快算法收敛速度和提高收敛精度；为增强算法跳出局部最优的能力，定义了弱关系个体交互以实现子群间信息交流来提升种群多样性；增加侦查蜂反向学习机制并确定合适的蜜源上限，能有效提升目标函数评价次数的利用效率。通过基准测试函数的数值实验并与12种改进算法进行对比，改进后的人工蜂群算法收敛精度更高、全局寻优能力更强，并且在高维优化问题求解中仍具备良好的收敛性能。

• 基于K-shell位置和两阶邻居的复杂网络节点重要性评估方法

  熊才权,古小惠,吴歆韵,

  K-shell分解法能快速识别复杂网络中的关键节点，但是无法辨别同壳层内节点重要性的差异，并且低估了处于网络边缘位置的高度值节点的重要性。针对这两个问题，提出一种基于K-shell位置和两阶邻居的节点重要性评估方法。该方法根据K-shell分解过程中节点移除的顺序细化节点的全局位置信息，然后综合考虑节点的局部拓扑结构信息和全局位置信息，利用两步长内邻居节点的K-shell位置信息度量节点的重要性。在八个真实网络上用传染病模型进行仿真实验，结果表明，所提方法与其他五种相关方法相比能更准确有效地评估并区分节点的重要性。

• 基于改进北极熊算法的多租户数据中心电力成本优化方法研究

  李姗珊,敬超,

  为了满足电力需求响应，通过改进北极熊算法提出了一种面向多租户数据中心的成本优化算法。首先采用一对多的逆向拍卖模型建立租户及运营商的关系，激励租户主动参与拍卖并提交相应的节能方案和期望奖励；接着通过改进现有的北极熊算法，来求解最优租户组合和最小成本，其中采用了sigmoid函数对坐标进行离散化处理；同时为了增强算法跳出局部最优的能力在算法中融入了变异策略，并且为提高算法的寻优能力，采用自适应视野代替固定视野来动态调整局部搜索的范围，进一步降低算法陷入局部最优解的概率。最后将提出的方法分别与经典的算法进行比较，实验结果表明在满足需求响应的情况下，提出的方法不仅花费成本最低，而且具有更高的效率。

• 结合增益率与堆叠自编码器的并行随机森林算法

  刘卫明,陈伟达,毛伊敏,陈志刚,

  针对大数据环境下随机森林算法存在冗余与不相关特征过多、特征子空间信息含量不足以及并行化效率低等问题，提出了结合增益率与堆叠自编码器的并行随机森林算法PRFGRSAE（parallel random forest algorithm combining gain ratio and stacked auto encoders）。首先，提出了结合非线性归一化增益率和堆叠自编码器的降维策略DRNGRSAE（dimension reduction combining nonlinear normalization gain ratio and stacked auto encoders），通过过滤特征集中的冗余和不相关特征，并利用堆叠自编码器提取特征，有效减少了冗余以及不相关特征数；其次，提出了结合拉丁超立方抽样与归一化相关度的子空间选择策略SSLF（subspace selection strategy combining Latin hypercube sampling and feature class correlation），通过对特征集进行多层划分抽样，形成空间表达度较高的特征子空间，有效保证了特征子空间的信息含量；最后，提出结合可变动作学习自动机的reducer分配策略DSVLA（distribution strategy based on variable-action learning automata），使每个数据簇均匀分配到reducer进行处理，有效提高了并行化效率。实验结果表明，PRFGRSAE算法的加速比与准确度较IMRF、KSMRF和GAPRF算法都有显著提升，因此该算法应用于大数据处理，特别对包含较多特征的数据集有更高的精准度和并行效率。

• 融合语义差别和流型学习的偏标记学习方法

  赵亮,肖燕珊,刘波,古慧敏,

  偏标记学习是一种重要的弱监督学习框架。在偏标记学习中，每个实例与一组候选标记相关联，它的真实标记隐藏在候选标记集合中，且在学习过程中不可获知。为了消除候选标记对学习过程的影响，提出了一种融合实例语义差别最大化和流型学习的偏标记学习方法（partial label learning by semantic difference and manifold learning，PL-SDML）。该方法是一个两阶段的方法:在训练阶段，基于实例的语义差别最大化准则和流型学习方法为训练实例生成标记置信度；在预测阶段，使用基于最近邻投票的方法为未知实例预测标记类别。在四组人工改造的UCI数据集中，在平均70%的情况下优于其他对比算法。在四组真实偏标记数据集中，相比其他对比算法，取得了0.3%~13.8%的性能提升。

• 面向交通流量预测的多头注意力时空卷积图网络模型

  夏英,石栀琦,

  为了充分获取交通流量数据中隐藏的复杂动态时空相关性，提高交通流量预测精度，提出一种多头注意力时空卷积图网络模型MASCGN。首先，采用多头注意力机制为路网中的交通传感器节点自动分配注意力权重，实现对不同邻居节点的权值自适应匹配，充分获取空间相关性；其次，采用带有门控和注意力机制的时空卷积网络充分提取时间序列相关性，并使用残差块结构实现时空卷积层之间的连接，使得模型更具有泛化能力；最后，分别提取周相关、日相关、邻近时间的序列数据，输入三个并行的时空组件以挖掘周、日、邻近三个时间窗口间的时间周期相关性，并通过全连接层获取最终的交通流量预测结果。利用高速公路交通数据集PEMSO4、PEMSO8 进行了15 min、30 min、45 min和60 min的交通流量预测实验。实验结果表明MASCGN模型与现有基线模型相比，在未来短期和长期的交通流量预测任务上都具有更优的建模能力。

• 基于多组学数据和稀疏变分自编码器的生存分析算法

  殷清燕,武锐萍,陈旺旺,边根庆,

  针对生存分析中多组学数据带来的维数灾难和过拟合问题，提出了一种基于多组学数据和稀疏变分自编码器的生存分析算法VAESCox。该算法将变分自编码器的基本结构与稀疏编码和生存分析相结合，在无监督阶段训练变分自编码器学习低维表示，在监督阶段将训练的权重迁移到生存分析模型，并对传递权重进行微调和稀疏编码。实验结果表明，在八种不同癌症类型的数据集上，VAESCox模型在消融和对比实验中均取得了较高的C指数值。与其他四种基准生存分析方法相比，所提算法不仅缓解了多组学数据融合的过拟合问题，也显著提高了生存预测性能，表明不同组学数据的融合有助于预后生存结果的精准预测。

• 一种基于时序邻居序列的游离水军群组检测方法

  李宁,梁永全,张琪,

  某些卖方通过雇佣水军群组撰写虚假评论和评分等手段来影响或误导消费者的购买决策，而拥有造假间隔时间长、造假次数少、规模小等特殊造假特征的水军群组即游离水军群组，是难以识别的。为了检测游离水军群组，提出了一种基于时序邻居序列的游离水军群组检测方法。首先，通过时序网络建模评论者的共评论关系，并基于时序网络形成时序邻居序列；其次，基于时序邻居序列生成、合并和净化规则得到候选群组集合；最后，使用造假指标将候选群组分类排序，得到游离水军群组。基于两个真实数据集分别设计了三组实验来验证筛选高可疑度评论者可行性、在不同数据集上选择合适的阈值等。结果显示在两个真实数据集上本方法优于基线方法。

• 基于方向指引的蚁群算法机器人路径规划

  赵增旭,刘向阳,任彬,

  针对蚁群算法收敛速度慢、折点多、路径长等问题，提出了一种基于方向指引的蚁群算法。该算法通过引入向量夹角，重新构造了蚂蚁转移概率，提高了算法的收敛速度且路径长度更短；算法同时融合了插点策略，进一步对生成的路径进行优化，缩短了路径长度，减少路径折点数，使路径更加平滑。最后，经实验验证，提出的算法在收敛次数和路径折点数方面有明显优化效果。在仿真栅格地图中，平均收敛次数减少了68%，路径平均折点数减少了42%，平均路径长度减少了8%。

• 基于图卷积网络的无监督跨模态哈希检索算法

  丁淑艳,余恒,李伦波,郭剑辉,

  针对无监督跨模态检索任务中不能充分利用单个模态内的语义关联信息的问题，提出了一种基于图卷积网络的无监督跨模态哈希检索方法。通过图像和文本编码器分别获得两个模态的特征，输入到图卷积网络中挖掘单个模态的内部语义信息，将结果通过哈希编码层进行二值化操作后，与模态间的深度语义关联相似度矩阵进行对比计算损失，不断重构优化生成的二进制编码，直到生成样本对应的健壮哈希表达。实验结果表明，与经典的浅层方法和深度学习方法对比，该方法在多个数据集上的跨模态检索准确率均有明显提升。证明通过图卷积网络能够进一步挖掘模态内的语义信息，所提模型具有更高的准确性和鲁棒性。

• 鲁棒结构正则化非负矩阵分解

  董文婷,尹学松,余节约,王毅刚,

  现有的非负矩阵分解方法既忽略数据的非局部结构，又难以有效应对噪声和野值点。为了解决上述问题，提出一种新的用于聚类的鲁棒结构正则化非负矩阵分解算法。所提出的算法分别构建一个近邻图和一个最大熵图描述数据的局部结构和非局部结构，并使用L2，1范数代价函数尝试解决噪声问题，从而学习到鲁棒具有判别力的表征。给出一个最优的迭代算法求解两个非负因子，该优化算法的收敛性已被理论和实验证明。在七个图像数据集上的聚类实验结果表明，所提出的算法在无噪声和有噪声情况下聚类均优于其他主流方法。

• 改进萤火虫算法求解多机器人路径规划

  虞馥泽,潘大志,

  为解决多机器人在静态环境中的路径规划问题，以路径长度为优化目标模型，并针对此模型设计了多机器人萤火虫算法（MR-FA）。首先，考虑到路径安全性对环境中的障碍物采取扩张操作，设计初始化规则以提高生成初始种群的效率；其次，根据算法的连续性原理及特点，设计个体等长策略将维度不一致的个体转变为等维度个体以便于萤火虫的移动更新，并对移动更新后的不可行解采取路径修正策略；然后对规划出的每个机器人的移动路径进行碰撞检测，同时针对机器人不同的碰撞情况设计相应的避碰策略，即暂停—回退策略（PFS）、局部路径重规划策略（LPRS）；最后，为验证MR-FA的有效性，在三组环境中进行仿真实验并与其他三种算法进行对比，综合得出MR-FA在解决多机器人路径规划时更有优势。

• 融合知识感知和时间感知的用户偏好网络

  吴宇斌,祁云嵩,

  在知识感知推荐领域，基于嵌入传播的方式可以挖掘知识图谱的结构化信息，也能够获取n跳实体间的语义信息，但随着传播范围的增加，嵌入传播方式会丢失部分结构化信息，且以这种方式所获得的用户向量表示是粗粒度的，不能充分表征用户的偏好。针对以上问题，提出了一种融合知识感知和时间感知的用户偏好网络（FKTUPN）。首先在嵌入层生成知识图谱的一阶嵌入向量，同时单独为用户偏好进行细粒度的建模；然后用随机游走的方式划分时间槽，进行时间上下文编码，获取图结构的上下文信息，并将该结构化信息嵌入到关系向量中；随后通过知识感知注意力机制区分嵌入表示的贡献并递归传播；最终在预测层中聚合不同传播层次的用户和项目表示，将两种表示相乘后得到推荐结果。实验表明，该模型在Amazon-book、Last-FM以及Yelp三个数据集上的recall@20、NDCG@20指标得分均高于对比的基线模型，细粒度的用户偏好表示以及结构化信息的充分利用能够有效提高推荐的准确度。

• 能耗感知下云资源三支粒度调度策略研究

  刘帅帅,姜春茂,

  云资源调度是云数据中心的一种重要节能方式。然而，实际云平台中，受单一物理机资源限制，存在虚拟机资源竞争和利用率低的问题。对此，通过分析虚拟机负载相似性及资源占有度问题，提出一种基于三支决策的能耗感知虚拟机迁移策略。首先，在虚拟机迁移过程中，设计云资源的三支划分策略，并使用K-means算法在划分区域选择待迁移的虚拟机序列；其次，依据虚拟机与物理机的负载相似度，获取虚拟机放置顺序；最后，依托CloudSimPlus云仿真平台验证了所提方法的有效性。实验结果表明，所提方法能够有效降低云能耗，实现资源充分利用。

• 基于超网络的集成工艺决策与调度问题研究

  欧阳思源,包振强,许志博,金佳蓓,

  针对多工艺产品的加工路线决策与车间调度方案不能同步制定的问题，在制造车间数字化背景下，提出集成车间不同要素信息的特征—工序—机器—工人的超网络结构，建立基于超网络的加工路线决策与车间调度模型，设计一种集成工艺决策与车间调度的两阶段混合遗传算法求解模型。在工艺决策阶段，设计特征—工序双层矩阵编码染色体保持加工路线的多样性，并在遗传算法的执行过程中使用变邻域搜索方法增强算法的局部搜索能力；在车间调度阶段，采用NSGA-Ⅱ算法优化调度模型，将得到的调度方案多目标值返回至工艺决策阶段用于加工路线的适应度评价。最后通过仿真实验验证了该算法的可行性与有效性。

• 基于节点相似性的图注意力网络表示学习模型

  刘渊,赵紫娟,杨凯,

  图注意力网络（GAT）通过注意力机制聚合节点的邻居信息以提取节点的结构特征，然而并没有考虑网络中潜在的节点相似性特征。针对以上问题，提出了一种考虑网络中相似节点的网络表示学习方法NSGAN。首先，在节点层面上，通过图注意力机制分别学习相似网络和原始网络的结构特征；其次，在图层面上，将两个网络对应的节点嵌入通过基于图层面的注意力机制聚合在一起，生成节点最终的嵌入表示。在三个数据集上进行节点分类实验，NSGAN比传统的图注意力网络方法的准确率提高了约2%。

• 无更换条件下双寿命装备梯次使用问题建模及I-NSGA-Ⅲ求解

  苗青林,张晓丰,秦丕胜,刘显光,曹新祥,

  在无更换条件下，针对由两种寿命指标衡量且其中一种无法被控制的装备梯次使用问题进行了研究。构建装备梯次使用问题决策模型，提出以梯次均匀度、寿命匹配度和寿命利用率最大化为目标，使用改进的基于参考点的快速非支配排序遗传算法进行求解。根据问题特性，采用改进的分段编码方式和对应算子，引入重复个体控制机制以提高种群多样性。实验结果显示，当问题规模较大时，提出方法可以在短时间内搜索更大范围，验证了提出方法的可行性。

• 深度置信网络的代价敏感多粒度三支决策模型研究

  吕艳娜,苟光磊,张里博,张耀洪,

  最优粒度选择是自编码网络构造多粒度特征的关键环节。针对自编码网络粒度选择方法不合理导致特征提取效果差以及错误分类成本和测试成本高的问题，提出一种基于小批量梯度下降（mini-batch gradient descent，MBGD）的粒度层选取策略。该方法通过改变粒度选择方式重新构建多粒度空间，设计一个新的基于深度置信网络（deep belief network，DBN）的代价敏感多粒度三支决策模型。更优的粒度选择方法提升网络的特征提取能力，促使多粒度空间的构造朝着最快到达最细粒度空间的方向发展，降低图像重构误差以达到更小的错误分类代价和测试代价。实验结果表明，提供合理的粒度选取策略提高了代价敏感多粒度三支决策模型的决策准确性，并在给定代价情况下更快地获得总代价最小的最优粒层。

• 基于单UWB融合里程计的多机器人相对定位方法

  邓忠元,刘冉,曹志强,肖宇峰,

  针对卫星信号受阻，无预设基础设施（定位基站、地标等）环境下多机器人间的相对定位问题，提出了一种基于单个超宽带（ultra-wideband，UWB）融合里程计的多机器人相对定位方法。该方法利用滑动窗口截取历史时刻的多组机器人间测距信息与里程计预测的机器人位姿，构建非线性最小二乘问题，实现机器人间的相对位姿估计；利用扩展卡尔曼滤波算法估计里程计协方差，并将其以加权的方式运用于非线性优化，抑制滑动窗口内里程计累积误差对定位结果的影响；最后，利用图优化算法融合里程计与非线性优化获得的相对位姿作进一步优化，抑制UWB测量误差影响，以获得稳定的相对定位结果。实验结果表明，在6 m×12 m的真实测试环境中，所提方法能够获得0.32 m的相对位置精度和4.16°的相对角度精度，相比于现有多机器人相对定位方案，该方法具有高精度、低成本、部署简单以及定位稳定的优点。

• 基于坐标—灰度交织映射的视频麦克风声音复原系统

  张奕,林泓辰,于万波,孙良磊,

  区别于声学麦克风，视频麦克采用高帧率摄像机，利用声音震动引起周围物体的帧间图像细微差异，对声音进行复原。模拟人脑v2皮层位置亮度交织神经网络，提出一种基于二维对数的坐标—灰度交织映射算法。算法将视频帧图像矩阵与函数构造矩阵交织映射，产生混沌吸引子保留并放大帧间图像微差异，并构造基于该算法的视频麦克风声音复原系统。仿真实验表明，该视频麦克风系统可以从薯片袋子的高帧率视频中复原声音信号，相比于传统算法降低了40%的计算量，同时保持语音复原质量。

• 以瓶颈为中心多层次负荷集成的订单交货期预测方法

  钟柳艳,何华鑫,朱立夏,陈亚绒,

  针对MTO（make-to-order）生产环境下的订单交货期预测问题，提出了一种集成订单接收、订单投放与车间调度等多层次负荷，以瓶颈为中心的订单交货期预测（bottleneck driven due-date forecasting，BDDF）方法。该方法先根据订单是否通过瓶颈，分类估计“鼓链”与“非鼓链”订单在不同层次的负荷，同时利用Little’s法则估计各个层次的通过时间，求和得到订单的交货期。运用FlexSim建模仿真比较了BDDF方法与两种经典交货期预测方法在不同订单池排序规则、车间调度规则以及保护产能水平组合下的系统绩效。结果表明，BDDF方法在拖期率、平均拖期以及延期标准差指标上均优于两种经典方法。同时，订单池排序规则、调度规则以及保护产能水平都会影响BDDF方法的系统绩效，需要根据实际情况选择合适的参数，以更好地控制订单交货期，避免订单延期。

• 云环境下基于动态滑动窗口多通道Bi-LSTM的虚拟机故障预测模型

  王开放,姜瑛,

  针对点值预测方法预测虚拟机故障，未充分利用虚拟机历史周期特征和上下文信息、预测准确率不高的问题，提出了一种动态滑动窗口多通道Bi-LSTM的虚拟机故障预测模型。该模型首先利用动态滑动窗口动态捕获虚拟机故障发生过程的上下文特征；然后构建多通道机制的Bi-LSTM以同时学习不同指标类之间的相关性特征，预测虚拟机下一周期的故障；最后根据OCSVM和区间偏移度方法对预测结果进行判断，得出具体的故障类型。实验表明，该模型在预测准确率、召回率、F值三个指标上均优于基线模型，验证了模型对虚拟机故障预测的有效性。

• 一种基于多任务学习的代码补全方法

  帅祥,魏乐,舒红平,

  针对基于语言模型的代码补全方法忽略源代码中结构信息和命名信息而导致补全准确率偏低的问题，提出一种基于多任务学习的代码补全方法（multi-task learning code completion，MTLCC）。MTLCC对源代码数据集进行数据清洗和预处理，通过抽象语法树（abstract syntax tree，AST）提取源代码中的结构信息和命名信息；构建基于Transformer的多任务学习网络，采用软参数共享学习方式分别对源代码的节点类型预测、节点值预测和语句预测进行训练；利用集束搜索对模型推理结果进行后期处理生成代码补全建议列表。实验结果表明，与Pointer network、LSTM+TransformerXL和CodeGPT中最好的模型相比，MTLCC在节点类型预测和节点值预测任务中的准确率分别提升了2.5%和1.7%、MRR分别提升了3.7%和2.4%，在语句预测任务中的ROUGE-L分数（L@4）提升了0.055。

• 基于量子粒子群优化的多波束卫星联合资源分配算法

  高威,王磊,瞿连政,

  当使用元启发式算法求解多波束卫星联合资源分配问题时，时延约束和容量约束会导致计算复杂度增大，且算法难以收敛。对此，通过在目标函数中引入惩罚机制，在无效解的目标函数值加入了惩罚值，使得算法的优化解自适应地满足这两个约束。在此基础上，提出了基于量子粒子群优化的联合资源分配算法。仿真结果表明，惩罚策略的引入解决了应用元启发式算法时，难以处理时延约束和容量约束的问题，而带有惩罚机制的量子粒子群算法在分配公平性指数、总系统容量上均优于已有联合分配算法。

• 基于频域叠加和深度学习的频谱信号识别

  周宇航,侯进,李嘉新,李惠森,

  针对频谱监测领域频带较宽、接收机采样步进受限而造成的宽带频谱信号难以识别的问题，提出了一种频域叠加预处理和目标检测相结合的频谱信号识别方法。该方法利用频域叠加对频谱数据进行多帧叠加来突出频谱中的弱信号，将叠加处理后的频谱图像送入改进的目标检测网络中进行信号类型的识别。经过实验证明，此方法能够有效地识别7种类型的频谱信号，提出的频域叠加预处理能够提升目标检测算法的精度，并提高频谱中弱信号的识别能力，在信噪比为6 dB时，算法能够达到89.7%的平均识别率。

• 基于分簇和Stackelberg博弈的D2D资源分配策略

  刘会衡,肖瑶,程晓红,张军,

  当前，车辆密集通信场景下存在通信资源利用率低、DUE（D2D user）用户通信质量差等问题。针对上述问题，提出了一种基于分簇和Stackelberg博弈的D2D（device to device）资源分配策略，以解决DUE用户功率分配、信道匹配问题。首先，基于每个信道内DUE用户之间干扰最小原则，该模型对所有DUE用户进行分簇；然后，对于CUE（cellular user）用户与DUE用户簇，构建一对多的Stackelberg主从博弈模型，通过复用链路干扰参数和簇内干扰参数的迭代更新，优化每个DUE用户的发射功率；最后，利用匈牙利算法实现DUE用户簇与CUE用户的最佳信道匹配，最大化DUE用户的容量和。仿真结果表明，与基于价格迭代、等功率分配和高能效干扰约束的几种功率分配算法相比，所提算法能有效提升DUE用户的总容量。

• 基于网络资源相关性的虚拟网络映射算法

  孙素云,彭利民,

  针对网络虚拟化环境中资源利用率较低的问题，通过建立资源相关性度量模型，刻画虚拟节点和物理顶点之间的匹配程度，根据虚拟节点和物理顶点之间的资源相关性，将虚拟节点映射到资源相关性较强的物理顶点上；为了降低虚拟链路的映射路径长度，通过建立节点间邻接关系模型，将相邻的虚拟节点映射到邻接的物理顶点上。实验结果表明，提出的虚拟网络映射算法均衡了物理网络资源的分布状态，降低了虚拟网络映射的资源代价，提高了虚拟网络请求接受率。

• 基于移动目标防御信号博弈的容器迁移策略

  刘道清,扈红超,霍树民,

  容器作为虚拟机的轻量级替代产品，以其灵活、高效的特点促进了云计算的发展，但同时也面临着同驻攻击、逃逸攻击等安全威胁。针对云环境中的容器安全威胁，构建了基于移动目标防御的信号博弈模型，并提出了多阶段最优防御策略求解算法，通过博弈模型和求解算法选取最优策略，同时通过容器调度方法对容器进行调度，可以增强容器安全性。仿真实验结果表明，提出的迁移策略获取的防御收益相较于Kubernetes自带迁移策略提升了3.6倍，同时容器同驻率降低了79.62%，对现实容器云环境下的防御策略选取和安全性增强具有一定的借鉴意义。

• 基于遗传规划和集成学习的恶意软件检测

  乔梦晴,李琳,王颉,万振华,

  近年来恶意软件不断地发展变化，导致单一检测模型的准确率较低，使用集成学习组合多种模型可以提高检测效果，但集成模型中基学习器的准确性和多样性难以平衡。为此，提出一种基于遗传规划的集成模型生成方法，遗传规划可以将特征处理和构建集成模型两个阶段集成到单个程序树中，解决了传统恶意软件集成检测模型难以平衡个体准确率和多样性的问题。该方法以集成模型的恶意软件检出率作为种群进化依据，保证了基学习器的准确性；在构建集成模型时自动选择特征处理方法、分类算法和优化基学习器的超参数，通过输入属性扰动和算法参数扰动增加基学习器的多样性，根据优胜劣汰的思想进化生成具有高准确性和多样性的最优集成模型。在EMBER数据集上的结果表明，最优集成模型的检测准确率达到了98.88%；进一步的分析表明，该方法生成的模型具有较高的多样性和可解释性。

• 一种基于组合混沌的无线体域网加密方案

  庞宇,余超,王骏超,

  针对目前无线人体局域网（wireless body area network，WBAN）安全方案存在复杂度高、功耗大、实用性差等缺陷，提出了一种满足WBAN高安全性、低功耗需求的组合混沌流加密方案。该算法包括三种量化精度，首先通过tent映射对logistic映射的轨道进行干扰产生混沌序列，然后结合均衡性和自相关性良好的m序列生成密钥流，最后与明文进行异或运算生成密文。使用Verilog硬件描述语言对该算法进行建模，在现场可编程门阵列（field programmable gate array，FPGA）上实现了板级验证。通过标准灰度图像进行安全性测试，密图信息熵达到7.999 4，相邻像素相关系数接近0。结果表明，相较于现有算法，该算法密文图像相关性更好、信息熵更高。

• 动态环境中多帧点云融合算法及三维目标检测算法研究

  王理嘉,于欢,刘守印,

  低线束激光雷达扫描的点云数据较为稀疏，导致无人驾驶环境感知系统中三维目标检测效果欠佳，通过多帧点云配准可实现稀疏点云稠密化，但动态环境中的行人与移动车辆会降低激光雷达的定位精度，也会造成融合帧中运动目标上的点云偏移较大。针对上述问题，提出了一种动态环境中多帧点云融合算法，利用该算法在园区道路实况下进行三维目标检测，提高了低线束激光雷达的三维目标检测精度。利用16线和40线激光雷达采集的行驶路况数据进行实验，结果表明该算法能够增强稀疏点云密度，改善低成本激光雷达的环境感知能力。

• 基于选择性融合及关系推理的群组行为识别

  刘斯凡,林国丞,秦建伟,王传旭,

  为解决如何选取更具辨别力的多模态人物特征，以及在进行人物关系推理时如何更加关注特定于个人的时空交互建模的问题，提出了基于选择性特征融合的动态关系推理算法框架（SFDRI）。通过设计选择性特征融合模块，根据不同模态特征的随机函数概率分布得分，添加重采样方法以选取最相关的特征表示实现多模态特征的选择融合，并采用动态关系推理模块实现针对个人的复杂时空推理，通过在时空图上初始化交互域，利用点积计算预测人物交互关系矩阵，并同时添加每个人物特征的动态偏移以形成特定于个人的交互图，通过迭代更新交互图上的特征进行最终的群组行为的识别。结合对比实验，算法在公开的排球数据集（volleyball dataset，VD）和集体活动数据集（collective activity dataset，CAD）上分别提升了1.2%和1.5%的平均识别精度，证明了算法框架的有效性。

• 基于设计草图的零配件检索算法

  鲍玉茹,刘雨豪,陈睿东,常日灏,聂为之,

  在机械制造智能化进程中不可避免地产生了海量零配件模型信息，给数据的高效检索带来了巨大的挑战。考虑到设计草图具备用户友好且轻量级的特性，方法通过构造深度跨域表征模型进行基于设计草图的机械零配件模型检索。针对草图和三维模型的跨模态信息关联问题，提出特征联合学习方法，旨在控制检索对象类内及类间差异的过程中，使特征描述符习得单一域特征的同时融合跨域信息，建立跨模态数据在共嵌空间下的一致性关联表征。最后，利用哈希编码构建索引表实现海量数据的快速检索。在零部件数据上的实验结果表明，所提出的基于设计草图的零配件检索方法在同期方法中既能实现最准确的检索结果，也具备较高的检索效率。方法在提升跨模态零配件信息检索准确性的同时提高了数据管理效率，从而间接提升了产品设计的效率和便捷性，相关系统已经在部分企业落地应用且获得良好反馈。

• 基于稀疏特征改进的单视图表面重建

  梁春阳,唐红梅,席建锐,刘鑫,

  基于深度学习的单视图三维重建是当前的研究热点。为重建出更多的高频细节，SDF-SRN算法引入了位置编码，但在缺乏精确监督时，网络容易过拟合而导致凹凸不平的重建结果。针对这个问题，提出一种基于稀疏特征的网络模型，该模型凭借残差学习机制，令容易过拟合的网络预测高频残差。通过特征提取网络得到稀疏特征和全局特征，稀疏特征输入到一个超网络中生成预测浅头，该浅头负责预测符号距离函数的低频部分，而全局特征输入到另一个超网络生成另一个浅头来预测高频残差，这两部分通过权重因子构成最终的符号距离函数。频谱分析表明实验结果达到了相应的设计目的；与不同平滑表面重建方案对比，基于残差学习的平滑重建方案可以实现更平滑的表面重建，克服了SDF-SRN过拟合的问题，同时保留足够的细节；与其他先进的单视图重建方法的定性和定量对比结果证明了该方法的优越性。

• 多时相遥感影像的深度卷积匹配算法研究

  韦春桃,李渊哲,

  针对传统人工设计的特征描述符在面对几何差异和辐射差异较大、地物变化明显的多时相遥感影像时，容易造成大量误匹配问题，提出一种适用于遥感影像的双筛选双约束的卷积神经网络匹配算法，通过CNN提取影像深层语义特征图，在特征图中筛选同时满足优先最大原则和精确极值原则的关键点，并在对应位置提取512维描述符。在特征匹配阶段，通过由粗到精的反向匹配约束和RANSAC约束相结合的策略，保证了误匹配点有效剔除的同时保留一定数量的正确匹配点对，提高了匹配的精度。实验结果表明：该方法的匹配数量适中，正确匹配率较实验选取的其他算法相比有所提高，影像配准误差减小2个像素左右，匹配运行时间提升明显，匹配效果良好并且具有一定的适应性和鲁棒性。

• 面向目标6DoF姿态与尺寸估计的全卷积神经网络模型

  刘泽洋,贾迪,

  针对6DoF姿态估计需要收集与标注大量数据训练神经网络提出一种小数据集下面向目标6DoF姿态与尺寸估计的全卷积神经网络模型以降低人工操作成本。首先采用注意力机制与特征金字塔相结合的方式通过区域建议网络提取感兴趣区域，将该区域输入并行融合全卷积网络获得掩膜图；其次通过增加跳跃连接丰富每个卷积后的特征信息，将其融合并通过分类获得预测标准化坐标空间图；最后将得到的掩膜图与标准化坐标空间图通过三维点云配准获得目标的6DoF姿态与尺寸。实验表明，该方法在小数据集下较PVN3D方法精度提升约2.6%，较GPVPose方法精度提升约1%。

• 基于U-Net多尺度自校准注意力视网膜分割算法

  梁礼明,陈鑫,周珑颂,余洁,

  针对视网膜细小血管分割精度低的问题，提出一种融合可伸缩级联模块、Transformer和自校准注意力的改进U-Net算法以提高细小血管分割精度。首先在编码阶段利用可伸缩级联模块，先行学习复杂多变的视网膜血管拓扑结构。然后在解码阶段提出一种自校准注意力机制，利用多尺度挤压激励模块，自适应对特征图通道和空间之间特征重要性进行校准，增强目标区域特征响应，抑制背景噪声。最后使用Transformer特征提取块，提高特征空间映射能力。基于DRIVE和CHASEDB1数据集的实验结果表明，所提算法准确率分别为96.49%和96.67%，灵敏度分别为83.75%和83.30%，特异性分别为98.28%和98.01%，AUC分别为0.987 1和0.987 2，所提算法的整体性能优于现有算法，各模块能够有效提高细小血管分割能力。

• 基于区域中心签名的点云局部特征描述算法

  吕英豪,唐文斌,郑林青,陈永当,

  针对目前点云局部特征描述子存在对噪声、点密度变化等因素鲁棒性差的问题，提出了一种基于区域中心签名的点云局部特征描述新算法。以查询点为中心构建一个球形包围盒，沿径向方向均匀划分为五个主区域，再沿不同的方位角、仰角方向将主区域划分为若干体积沿径向逐渐增大的子区域；采用顶点坐标、顶点数量、中心值编码子区域局部特征，进而通过不同子区域局部特征的融合，生成区域中心签名描述子。以斯坦福数据集为验证对象，对该算法和经典描述子进行了对比分析，结果表明，该算法具有更好的性能。

• 双态形状重构及其在前列腺超声图像分割中的应用

  石勇涛,高超,李伟,尤一飞,

  前列腺超声图像在临床中的准确分割对于后续诊断具有重要的影响，而当前已有研究结论无法精确分割各个部分。提出了一种基于点分布模型和流形学习的双态形状重构的方法，并对前列腺超声图像进行分割：通过随机森林指示隐态表达进行目标初定位；改进边界算子以改善粗分割准确性；使用显态表达与噪声部分相邻的部分灰度显著点来进行插值计算，从而恢复整体形状。该分割方式不仅减少了数据计算量，还增加了分割可靠性。实验表明，该方法的DSC指标为97.38%，mIoU指标为95.24%，精度强于当前热门分割神经网络。