计算机应用研究杂志

计算机应用研究杂志2024年第6期

• 强化学习的可解释方法分类研究

  唐蕾,牛园园,王瑞杰,行本贝,王一婷,

  强化学习能够在动态复杂环境中实现自主学习，这使其在法律、医学、金融等领域有着广泛应用。但强化学习仍面临着全局状态空间不可观测、对奖励函数强依赖和因果关系不确定等诸多问题，导致其可解释性弱，严重影响其在相关领域的推广，会遭遇诸如难以判断决策是否违反社会法律道德的要求，是否准确及值得信任等的限制。为了进一步了解强化学习可解释性研究现状，从可解释模型、可解释策略、环境交互、可视化等方面展开讨论。基于此，对强化学习可解释性研究现状进行系统论述，对其可解释方法进行归类阐述，最后提出强化学习可解释性的未来发展方向。

• 面向分布式复杂数据样本的联邦语义分割方法综述

  董成荣,姚俊萍,李晓军,苏逸,周志杰,

  语义分割在医学图像分析、战场态势感知等领域起着重要作用，但单一客户端通常无法为模型提供足够数量与多样性的训练数据，因此从复杂多变的分布式数据中训练语义分割模型是有必要的。为了不泄露数据隐私和保护数据安全，应用联邦学习在多客户端协同训练语义分割模型成为领域研究热点。在联邦语义分割定义基础上，围绕分布式复杂数据样本的数据异质性、标签缺失两个关键特征，开展联邦语义分割的问题描述、技术路径、典型模型实例等综述分析，评估不同方法的适用性及特点，梳理当前应用成果，提出针对该问题的潜在研究机会。研究为开展面向分布式复杂数据样本的联邦语义分割方法及相关研究提供借鉴和参考。

• 大规模智慧交通信号控制中的强化学习和深度强化学习方法综述

  翟子洋,郝茹茹,董世浩,

  当前在交通信号控制系统中引入智能化检测和控制已是大势所趋，特别是强化学习和深度强化学习方法在可扩展性、稳定性和可推广性等方面展现出巨大的技术优势，已成为该领域的研究热点。针对基于强化学习的交通信号控制任务进行了研究，在广泛调研交通信号控制方法研究成果的基础上，系统地梳理了强化学习和深度强化学习在智慧交通信号控制领域的分类及应用；并归纳了使用多智能体合作的方法解决大规模交通信号控制问题的可行方案，对大规模交通信号控制的交通场景影响因素进行了分类概述；从提高交通信号控制器性能的角度提出了本领域当前所面临的挑战和未来可能极具潜力的研究方向。

• 基于信誉机制的改进PBFT共识算法

  李俊吉,张佳琦,

  针对实用拜占庭容错共识算法（practical Byzantine fault tolerant，PBFT）通信开销大和缺乏奖惩机制的问题，提出一种基于信誉机制的改进PBFT共识算法RPBFT（reputed practical Byzantine fault tolerance）。首先，引入信誉机制对节点评分，将参与共识的节点分为收集器节点和普通共识节点，并对恶意节点进行惩罚。其次，收集器节点负责收集普通共识节点的投票消息，避免普通共识节点之间的通信，从而降低通信开销。最后，当普通共识节点中的拜占庭节点均无恶意行为时，通过增加收集所需的投票数量，减少一次投票收集过程，实现快速共识。实验结果表明，RPBFT能够有效地发现恶意节点并对其作出惩罚，同时具有更低的通信开销、平均共识时延以及更高的共识吞吐量。当节点总数为37时，与SBFT相比，RPBFT将平均共识时延降低25.2%以上，并将共识吞吐量提高39%以上。

• 区块链预言机节点选择的深度强化学习中间件

  徐莉程,梁培利,

  优化区块链环境中现有预言机方案中的节点选择问题，以提高预言机节点选择的准确性和可靠性。引入了基于深度强化学习的区块链预言机节点选择中间件ORLM（oracle reinforcement learning model）。该中间件考虑了不同服务需求下多个节点的消耗，并建立了预言机节点的声誉值模型来评估预言机数据提供节点的声誉值，从而尽可能避免对具有恶意历史的节点的选择。通过深度强化学习DQN（deep Q network）算法，中间件能够对选择节点的过程进行优化，以在保证安全性的情况下进行更好的节点选择。实验结果表明，所提出的中间件能够更好地满足用户的服务请求，且具有较高的可扩展性和可用性，证明了引入深度强化学习来优化预言机节点选择是一个可行的方向。

• 基于相对距离和历史成功率机制的增强麻雀搜索算法

  李大海,曾能智,王振东,

  针对麻雀搜索算法收敛精度低、易陷入局部最优等问题，提出了一种融合相对距离和历史成功率的增强麻雀搜索算法（RHSSA）。首先，RHSSA引入一种融合适应度值与相对距离的发现者选择方式，使选出的发现者既保持较高质量，又保持在搜索空间的分布广泛；其次，RHSSA在麻雀发现者搜索过程中，采用融合加权重心的反向学习策略，充分挖掘搜索空间的优质位置信息并减弱发现者向原点聚集的趋势；最后，RHSSA引入基于历史成功率的自适应选择算子动态地选择柯西变异与高斯变异对最优解做扰动，提高算法跳出局部最优的能力。选用CEC2017测试函数集中的12个函数作为性能基准函数，将RHSSA与其他五种改进的麻雀搜索算法（AMSSA、SCSSA、SHSSA、ISSA、CSSOA）进行性能评测。基于实验数据的Friedman检验表明，RHSSA能获取最优的结果。为验证提出的改进策略的有效性，还对改进策略进行了消融实验。实验结果表明在综合改进策略的共同作用下，RHSSA的综合优化性能排名为第一名。

• 基于改进粒子群算法的机械臂能耗轨迹优化

  温琼阳,朱学军,李毅,余坼操,

  针对工业机器人能耗轨迹优化问题，提出了一种基于金字塔层拓扑结构的粒子群算法。该算法引入了金字塔层式的拓扑结构，将粒子进行排序、分层，从而改进算法的竞争策略，增加了种群多样性；引入了新的合作策略以更新粒子的速度和位置；引入胜利百分比来自适应地调整粒子群算法的权重系数，提高了粒子的搜索效率。为了验证该算法的有效性，在测试函数集上进行了测试，并与其他八种变体粒子群算法进行比较，结果表明所提出的算法性能具有显著优势。最后将该算法应用到工业机器人轨迹规划中，仿真实验表明该算法能有效求解机器人的能耗最优轨迹，机器人的能耗明显减低，且满足工业机器人的运动学及动力学约束。

• 基于自适应交叉与协方差学习的改进平衡优化器算法

  侯新宇,鲁海燕,卢梦蝶,胡清元,

  针对平衡优化器算法存在的收敛精度低和易陷入局部停滞的问题，提出一种基于自适应交叉与协方差学习的改进平衡优化器算法。首先，构建外部存档来保留历史优势个体，增加种群多样性，以提高算法的全局寻优能力。其次，引入自适应交叉概率来平衡算法的全局探索能力和局部开发能力，以提高算法的寻优精度和鲁棒性。最后，采用协方差学习策略，充分利用浓度向量之间的关系来增强种群间信息交流，以避免算法陷入局部停滞。通过对CEC2019测试函数进行仿真实验，并将改进算法与反向传播（back propagation，BP）神经网络相结合用于预测新疆玛纳斯河的径流情况，实验结果表明，改进算法在收敛精度和鲁棒性方面有显著提升，且大幅提高了BP神经网络的径流预测效果。

• 基于自变量简约的大规模稀疏多目标优化

  丘雪瑶,辜方清,

  现有的大多数进化算法在求解大规模优化问题时性能会随决策变量维数的增长而下降。通常，多目标优化的Pareto有效解集是自变量空间的一个低维流形，该流形的维度远小于自变量空间的维度。鉴于此，提出一种基于自变量简约的多目标进化算法求解大规模稀疏多目标优化问题。该算法通过引入局部保持投影降维，保留原始自变量空间中的局部近邻关系，并设计一个归档集，将寻找到的非劣解存入其中进行训练，以提高投影的准确性。将该算法与四种流行的多目标进化算法在一系列测试问题和实际应用问题上进行了比较。实验结果表明，所提算法在解决稀疏多目标问题上具有较好的效果。因此，通过自变量简约能降低问题的求解难度，提高算法的搜索效率，在解决大规模稀疏多目标问题方面具有显著的优势。

• 基于改进双档案多目标进化算法的柔性作业车间批量流混排调度

  黄洋鹏,李玲玲,李丽,

  针对柔性作业车间批量流调度问题，基于快速换模技术，考虑可变子批划分柔性、子批混排加工柔性、自动换模柔性和物料运输柔性，建立以最小化完工时间和加工子批总数为目标的混排调度优化模型，并提出一种改进双档案多目标进化算法以优化目标函数。基于进化算法框架，设计了基于超体积指标和基于改进帕累托支配的双档案筛选机制，以平衡种群的收敛性和多样性；针对批量流混排调度问题特征，在解码阶段提出正/逆解码和子批拆分左移策略，在邻域探索和全局搜索阶段分别设计子批划分和混排调度的自适应进化算子，以提高算法的全局搜索与局部搜索能力。基于不同规模算例，测试了提出算法与经典多目标算法的性能。实验结果表明，该算法在收敛性与多样性上具有明显优势。

• 图文语义增强的多模态命名实体识别方法

  徐玺,王海荣,王彤,马赫,

  为了解决多模态命名实体识别方法中存在的图文语义缺失、多模态表征语义不明确等问题，提出了一种图文语义增强的多模态命名实体识别方法。其中，利用多种预训练模型分别提取文本特征、字符特征、区域视觉特征、图像关键字和视觉标签，以全面描述图文数据的语义信息；采用Transformer和跨模态注意力机制，挖掘图文特征间的互补语义关系，以引导特征融合，从而生成语义补全的文本表征和语义增强的多模态表征；整合边界检测、实体类别检测和命名实体识别任务，构建了多任务标签解码器，该解码器能对输入特征进行细粒度语义解码，以提高预测特征的语义准确性；使用这个解码器对文本表征和多模态表征进行联合解码，以获得全局最优的预测标签。在Twitter-2015和Twitter-2017基准数据集的大量实验结果显示，该方法在平均F1值上分别提升了1.00%和1.41%，表明该模型具有较强的命名实体识别能力。

• 基于双层图注意力网络的邻域信息聚合实体对齐方法

  王键霖,张浩,张永爽,马超伟,齐珂,张小艾,

  针对知识图谱中存在部分属性信息对实体对齐任务影响程度不一致以及实体的邻域信息重要程度不一致的问题，提出了一种结合双层图注意力网络的邻域信息聚合实体对齐（two-layer graph attention network entity alignment，TGAEA）方法。该方法采用双层图神经网络，首先利用第一层网络对实体属性进行注意力系数计算，降低无用属性对实体对齐的影响；随后，结合第二层网络对实体名称、关系和结构等信息进行特征加权，以区分实体邻域信息的重要性；最后，借助自举方法扩充种子实体对，并结合邻域信息相似度矩阵进行实体距离度量。实验表明，在DWY100K数据集上，TGAEA模型相较于当前基线模型，hit@1、hit@10和MRR指标分别提升了4.18%、4.81%和5%，证明了双层图注意力网络在邻域信息聚合实体对齐方面的显著效果。

• 基于空间注意力图的知识蒸馏算法

  王礼乐,刘渊,

  知识蒸馏算法对深度神经网络的精简具有很大的推动作用。当前基于特征的知识蒸馏算法或只关注单个部分进行改进，忽视了其他有益部分，或是对小模型应重点关注的部分提供有效指导，这使得蒸馏的效果有所欠缺。为了充分利用大模型的有益信息并处理，以提升小模型知识转换率，提出一种新型蒸馏算法。该算法首先使用条件概率分布对大模型中间层进行特征空间分布拟合，提取拟合后趋于相似的空间注意力图，将其与其他有益信息一起，通过用于缩小模型间差距的小型卷积层，将转换后的信息传递给小模型，实现蒸馏。实验结果表明，该算法具有多师生组合适用性与多数据集通用性，相比于当前较为先进的蒸馏算法，性能提升约1.19%，用时缩短0.16 h。对大型网络的优化与深度学习部署在低资源设备上的应用具有重要的工程意义与广泛的应用前景。

• 面向动态三维迷宫的综合奖励设计

  焦昌成,王少威,

  动态三维迷宫是较为困难的、具有不确定性和不完全信息的强化学习任务环境，使用常规奖励函数在此环境中训练任务，速度缓慢甚至可能无法完成。为解决利用强化学习在动态迷宫中寻找多目标的问题，提出一种基于事件触发的综合奖励方案。该方案将三维迷宫中各种行为状态表达为各种事件，再由事件驱动奖励。奖励分为环境奖励和内部奖励，其中环境奖励与三维迷宫任务直接相关，含有体现任务目标的节点奖励和任务约束的约束奖励。内部奖励与智能体学习过程中的状态感受相关，含有判断奖励和心情奖励。在实验中，综合奖励的性能均值相较于改进奖励提升54.66%。结果表明，综合奖励方案在提高完成任务满意度、增强探索能力、提升训练效率方面具有优势。

• 基于计算物流的自动化集装箱码头AGV生产调度

  李斌,崔宏阳,

  针对自动化集装箱码头自动导引车（AGV）在线实时生产调度约束动态复杂和难以可视化的问题，在计算物流框架下，利用AnyLogic平台创建自动化码头水平运输计算实验模型，并针对平台中已有的经典资源分配策略，面向AGV生产调度提出两方面的改进：将运筹规划商业求解器与计算实验平台结合来求解动态复杂组合优化问题；基于计算物流的思想方法，迁移和定制出五种面向问题探索的自定义AGV在线调度算法。由于商业求解器的局限性，模型和实验数据是基于自动化码头进口箱作业部分。实验表明，两种改进策略能够弥补商业求解器和计算实验平台的部分不足，尤其是自定义策略相较于经典资源分配策略能够面向特定装卸船需求更好地实现AGV生产调度，实现自动化码头水平运输的高效作业。

• 考虑实时订单更新的拼车调度双层规划模型

  李佶霖,袁鹏程,林徐勋,胡凯,

  针对订单实时更新的实际情况，为仍有待完成订单的司机持续分配任务，在保证司机收益增加的同时，提升拼车平台的派单效率。在考虑拼车系统服务质量与运行成本的基础上，基于平台角度构建了以司机总收益最大化为目标的双层规划模型，并给出求解该模型的双层算法：底层模型对拼车路径进行规划，设计改进的遗传算法求解；上层模型决定订单分配的顺序，通过贪心算法调用底层模型，比较收益变化后得到最终的调度结果。通过具体算例对模型进行验证，结果表明模型能够较快求解出订单匹配结果及行驶路线，说明了模型的可行性及算法的有效性，且计算结果能够反映实际场景。对比实验结果表明，模型在满足提升司机收益的基础上，能有效减少延误时间及降低行驶距离，对于实时订单更新场景下拼车调度问题的相关研究具有积极的参考意义。

• 基于测距与GNSS信息融合的车联网协同定位技术

  屈小媚,王世法,谭屈山,黄海峰,焦育威,魏川棣,

  为了提高车联网中车辆定位的精度，提出了基于车载雷达测距信息与全球卫星导航系统（global navigation satellite system，GNSS）信息融合的车联网协同定位方法。该方法使用极大似然估计策略建立数学模型，其本质是一个非线性优化问题。将其化简为具有多个二次等式约束的二次规划问题，并给出一种半正定松弛方法，可以高效地近似求解原问题，最后通过特征值分解法进一步改进该近似解。仿真结果表明，该信息融合方法得到的协同定位比线性化加权最小二乘方法的定位精度有显著提高；且能达到基于较大数据集的BP（back propagation）神经网络定位方法的定位精度，但无须事先训练模型，可实现高精度实时定位。

• 一种二进制癌症单驱动通路识别模型和算法

  张奕,鲁贺,

  针对驱动通路识别的相关研究依赖传统生物实验方法，存在费时费力且经济成本高的问题，提出一种新的二进制癌症驱动通路识别方法PEA-BLMWS。首先，利用已有的基因表达数据，通过对比正常基因与突变基因表达量的差异，挖掘潜在的基因突变数据；其次，引入蛋白质相互作用网络数据，构建出一个改进的二进制线性最大权重子矩阵模型；最后，提出一种双亲协同进化算法求解该矩阵模型。在GBM（glioblastoma）和OVCA（ovarian cancer）数据集上的实验结果表明，相比于其他先进的Dendrix、CCA-NMWS和CGP-NCM识别方法，PEA-BLMWS识别的基因集中有更多基因富集在已知的信号通路中，未富集在信号通路中的基因也与癌症的发生密切相关，故该识别方法可作为一种驱动通路识别的有效工具。

• 基于GPU的zk-SNARK中多标量乘法的并行计算方法

  王锋,柴志雷,花鹏程,丁冬,王宁,

  针对zk-SNARK（zero-knowledge succinct non-interactive argument of knowledge）中计算最为耗时的多标量乘法（multi-scalar multiplication，MSM），提出了一种基于GPU的MSM并行计算方案。首先，对MSM进行细粒度任务分解，提升算法本身的计算并行性，以充分利用GPU的大规模并行计算能力。采用共享内存对同一窗口下的子MSM并行规约减少了数据传输开销。其次，提出了一种基于底层计算模块线程级任务负载搜索最佳标量窗口的窗口划分方法，以最小化MSM子任务的计算开销。最后，对标量形式转换所用数据存储结构进行优化，并通过数据重叠传输和通信时间隐藏，解决了大规模标量形式转换过程的时延问题。该MSM并行计算方法基于CUDA在NVIDIA GPU上进行了实现，并构建了完整的零知识证明异构计算系统。实验结果表明：所提出的方法相比目前业界最优的cuZK的MSM计算模块获得了1.38倍的加速比。基于所改进MSM的整体系统比业界流行的Bellman提升了186倍，同时比业界最优的异构版本Bellperson提升了1.96倍，验证了方法的有效性。

• 面向简化规则的集成学习模型及规则约简策略

  张纬之,韩珣,谢志伟,石胜飞,

  随着机器学习模型的广泛应用，研究者们逐渐认识到这类方法的局限之处。这些模型大多数为黑盒模型，导致其可解释性较差。为了解决这一问题，以集成学习模型为基础，提出了一种基于规则的可解释模型以及规则约简方法，包括生成优化的随机森林模型、冗余规则的发现和约简等步骤。首先，提出了一种随机森林模型的评价方法，并基于强化学习的思想对随机森林模型的关键参数进行了优化，得到了更具可解释性的随机森林模型。其次，对随机森林模型中提取的规则集进行了冗余消除，得到了更加精简的规则集。在公开数据集上的实验结果表明，生成的规则集在预测准确率和可解释性方面均表现优秀。

• 基于自适应重加权和正则化的集成元学习算法

  王佳琦,袁野,朱永同,李清都,刘娜,

  在训练集存在噪声标签或类别不平衡分布的情况下，深度神经网络具有过度拟合这种有偏差的训练数据的不良趋势。通过设计适当的样本权重，使用重加权策略是解决此问题的常用方法，但不适当的重加权方案会给网络学习引入额外的开销和偏差，仅使用重加权方法很难解决有偏差分布下网络的过拟合问题。为此，建议将标签平滑正则化和类裕度正则化与重加权结合使用，并提出了一种基于自适应重加权和正则化的元学习方法（ensemble meta net，EMN），模型框架包括用于分类的基本网络和用于超参数估计的集成元网。该方法首先通过基本网络获得样本损失；然后使用三个元学习器基于损失值以集成的方式估计自适应重加权和正则化的超参数；最终利用三个超参数计算最终的集成元损失更新基本网络，进而提高基本网络在有偏分布数据集上的性能。实验结果表明，EMN在CIFAR和OCTMNIST数据集上的准确率高于其他方法，并通过策略关联性分析证明了不同策略的有效性。

• 基于鲁棒和可靠对称交叉熵的测试时适应算法

  熊浩宇,向宇,张亚萍,

  测试时间适应（test-time adaptation，TTA）的目标是利用未标记的测试数据使已训练完成的神经网络模型在测试时适应测试数据分布。现有的TTA方法主要考虑在单个或多个静态环境中进行适应。然而，在非平稳环境中，测试数据分布会随着时间的推移而连续变化，这导致以往的TTA方法不稳定。因此，提出了一种基于鲁棒和可靠对称交叉熵的测试时适应（robust and reliable symmetric cross entropy test-time adaptation，RRSTA）算法。首先，为提高对噪声分布变化的鲁棒性和缓解灾难性遗忘，提出了基于均值教师模型的对称交叉熵，既鼓励模型正确预测又惩罚错误的预测。其次，为了提高对不同噪声样本的鲁棒性，提出了一种双流扰动技术，通过教师模型强视图，指导学生模型的由弱到强的扰动视图。最后，提出了可靠熵最小化策略，防止参数的剧烈变化，以稳定适应。广泛的实验和消融研究在CIFAR10C和CIFAR100C上证实了所提方法的有效性，相比于未经适应的模型，错误率降低了26.13%和14.69%，并且显著优于次优的方法。

• 基于行为轮廓矩阵增强的业务流程结果预测方法

  刘恒,方贤文,卢可,

  预测性过程监控依赖于预测效果，针对如何增强预测性过程监控预测效果的问题，提出了一种基于行为轮廓矩阵增强的业务流程结果预测方法。首先，通过分析活动间的行为关系提取行为轮廓矩阵，并将其与事件序列一同输入到模型中。随后，结合卷积神经网络（CNN）和长短期记忆网络（LSTM）分别学习矩阵图像特征和序列特征。最后，引入注意力机制以整合图像特征和序列特征进行预测。通过真实事件日志进行验证，在预测事件日志结果方面，提出的增强方法对比基准的LSTM预测方法提高了预测效果，验证了方法的可行性。该方法结合行为轮廓矩阵增强了预测模型对事件日志中行为之间关系的理解，进而提升了预测效果。

• 困难样本采样联合对比增强的深度图聚类

  朱玄烨,孔兵,陈红梅,包崇明,周丽华,

  针对困难样本挖掘的图聚类算法是最近的研究热点，目前算法存在的主要问题有：对比方法和样本对加权策略缺少良好的融合机制；采样正样本时忽略了视图内部的“假阴性”样本；忽视图级信息对聚类的帮助。针对上述问题，提出困难样本采样联合对比增强的图聚类算法。首先使用自编码器学习嵌入，根据计算的伪标签、相似度、置信度信息为表示学习设计一种自加权对比损失，统一不同视图下节点对比和困难样本对加权策略。通过调整不同置信区域样本对的权重，损失函数驱动模型关注不同类型的困难样本以学习有区分性的特征，提高簇内表示的一致性和簇间表示的差异性，增强对样本的判别能力。其次，图级表示经聚类网络投影，通过聚类对比损失最大化不同视图下聚类的表示一致性。最后联合两种对比损失，利用自监督训练机制进行迭代优化，完成聚类任务。该算法在5个真实数据集上与9个基准聚类算法对比，在4个权威指标上达到最优，聚类性能出色。消融实验表明两个对比模块的有效性和可迁移性。

• 基于双层解码的多轮情感对话生成模型

  罗红,陆海俊,陈娟娟,慎煜杰,王丹,

  情感对话系统的成功取决于语言理解、情感感知和表达能力，同时面部表情和个性等也能提供帮助。然而，尽管这些信息对于多轮情感对话至关重要，但是现有系统既未能够充分利用多模态信息的优势，又忽略了上下文相关性的重要性。为了解决这个问题，提出了一种基于双层解码的多轮情感对话生成模型（MEDG-DD）。该模型利用异构的图神经网络编码器将历史对话、面部表情、情感流和说话者信息进行融合，以获得更加全面的对话上下文。然后，使用基于注意力机制的双层解码器，以生成与对话上下文相关的富含情感的言辞。实验结果表明，该模型能够有效地整合多模态信息，实现更为准确、自然且连贯的情感话语。与传统的ReCoSa模型相比，该模型在各项评估指标上均有显著的提升。

• 基于TransMP模型的Web系统剩余寿命预测方法

  党伟超,张桄菖,

  针对当前软件剩余使用寿命预测方法忽略了多性能指标间所蕴涵寿命信息的问题，提出一种融合多性能指标Transformer（TransMP）模型的Web系统剩余寿命预测方法。首先，搭建内存故障型Web系统加速老化实验平台，创建包含内存使用量、响应时间和吞吐率性能指标的数据集；其次，考虑不同性能指标蕴涵老化特征信息的差异性，构造由多编码器-解码器组成的TransMP模型，将性能指标数据分别输入内存指标编码器、响应时间编码器和吞吐率编码器提取老化特征信息，再引入特征融合层进行信息融合；最后，将融合信息输入由掩码注意力-多头注意力结构构成的解码器，预测得到系统状态达到老化阈值的剩余寿命。实验结果表明，该Web系统剩余寿命预测方法与最优的SALSTM方法相比，均方根误差分别降低了12.0%、17.3%和13.2%，平均绝对误差分别降低了13.3%、21.0%和10.4%，证明了该方法的有效性。

• 基于深度学习的融合流程多视角行为分析:预测业务流程监控

  袁永旺,方贤文,卢可,

  预测性业务流程监控（PBPM）是业务流程管理（BPM）中的一个重要研究领域，旨在准确预测未来的行为事件。目前，PBPM研究中广泛引用了深度学习方法，但大多数方法只考虑单一的事件-控制流视角，无法将属性-数据流视角与之结合进行流程预测。针对这一问题，提出了一种基于双层BERT神经网络和融合流程多视角行为分析方法（简称FMP框架）。首先，基于第一层BERT学习属性-数据流信息；接着，基于第二层BERT学习事件-行为控制流信息；最后，通过FMP框架融合数据流和控制流实现多维视角流程预测。在真实的事件日志中的实验结果表明，相比其他研究方法，基于FPM框架预测下一个事件的活动精度更高。这证明融合流程多视角的FMP框架能够更全面、更深层次地分析复杂的流程行为，并提高预测的性能。

• 基于深度强化学习的电子政务云动态化任务调度方法

  龙宇杰,修熙,黄庆,黄晓勉,李莹,吴维刚,

  电子政务云中心的任务调度一直是个复杂的问题。大多数现有的任务调度方法依赖于专家知识，通用性不强，无法处理动态的云环境，通常会导致云中心的资源利用率降低和服务质量下降，任务的完工时间变长。为此，提出了一种基于演员评论家（actor-critic，A2C）算法的深度强化学习调度方法。首先，actor网络参数化策略根据当前系统状态选择调度动作，同时critic网络对当前系统状态给出评分；然后，使用梯度上升的方式来更新actor策略网络，其中使用了critic网络的评分来计算动作的优劣；最后，使用了两个真实的业务数据集进行模拟实验。结果显示，与经典的策略梯度算法以及五个启发式任务调度方法相比，该方法可以提高云数据中心的资源利用率并缩短离线任务的完工时间，能更好地适应动态的电子政务云环境。

• 快速视频去雾改进算法的FPGA实现

  庞宇,吴天次,王元发,贾美平,周前能,

  内窥镜去雾算法在医疗领域具有广泛应用，为临床医生提供清晰、实时的图像。去雾技术虽然已经取得较大的进步，但去雾算法的复杂度较高，在内窥镜等复杂情况下硬件实现较为困难。为了在硬件上实现内窥镜实时去雾效果，对暗通道先验算法进行改进，降低硬件资源消耗和时间复杂度。该改进算法选择适合硬件的大气光照强度估计值、透射率补偿值以及采用流水线结构实现有雾图像的处理。采用Xilinx的ZYNQ7020实现该算法硬件电路，实时处理分辨率为640×480的视频图像，速度可达到260 fps，消耗LUT仅为1.28 K，寄存器619个单元。实验结果表明，相比于传统算法，改进算法具有处理速度快、功耗低、可移植性强的特点，满足内窥镜需要实时处理视频的要求。

• 考虑多源供能波动性的企业生产运作与能源计划耦合优化

  董君,叶春明,

  多源供能是提高清洁能源占比，助力制造企业绿色低碳转型的有效方式。然而受季节、天气等因素影响，可再生能源出力存在波动性，影响能源系统供应的稳定性。针对该问题，构建了企业生产运作与能源计划耦合优化的不确定整数规划模型，利用区间数描述能源出力的不确定信息。同时通过设计多种群融合策略、外部档案更新策略，提出了多目标混合鲸鱼群算法，有效地利用各个算法的寻优特性，提升整体性能，获得更优的Pareto解集。最后通过算法性能和能源策略对比实验，证明了所构建模型及求解方法的可行性和有效性。同时验证了所设计算法对求解不确定优化模型的优势和竞争力，以及多源供能模式能够有效帮助企业实现节能减排、可持续生产目标。

• 非正交多址系统中基于公平性改善的双层挤压迭代功率分配方法

  何华,梁彦霞,刘原华,

  为了解决下行非正交多址系统中多用户通信的公平性问题，提出了基于公平性改善的双层挤压迭代功率分配方法。研究内容包括：首先，设计基于用户信道增益差的用户信道分裂过程，方便动态调整功率挤压时的挤压程度；其次，从强用户到弱用户进行内层功率挤压迭代，根据信道分裂情况设置挤压因子与附加挤压因子，使信道分裂处的弱用户对强用户挤压程度更强；第三，对内层挤压功率进行外层迭代的再分配与再挤压，可保持总功率不变的情况下，进一步提升功率分配的公平性。仿真结果表明：对比信道分裂下与信道未分裂下的公平性指数，其性能提升了25%；对比仅进行挤压因子与附加挤压因子调整，而未进行内外层迭代次数调整的情况，公平性指数性能提升了53.71%，同时，所提算法比注水算法达到的公平性指数明显改善，在公平性提升方面达到了较好的效果。

• 多域网络中基于域间时延博弈的端到端动态协同切片方法

  赵季红,董莎,胡晓燕,崔文静,

  针对多域网络中的切片存在域间时延不均的问题，提出了一种基于域间时延博弈的端到端动态协同切片方法（inter-domain dynamic game algorithm，IDGA）。采用博弈论方法将端到端时延约束分配到不同的网络域，通过在域内部署切片来获得相应的博弈收益，采用DDPG算法不断更新博弈策略，最终得到最佳的时延分配比例和切片部署方案。实验表明，该算法与传统的静态分配算法对比有明显优势，与经验迭代的DSDP方法以及DQN-SNAF算法相比，IDGA算法在100个切片请求下，切片部署成功率分别提高了8%和3%左右，同时节点资源利用率提高了5.75%和1.96%左右，在降低部署成本方面也有显著优势。

• 基于深度强化学习的边缘网络内容协作缓存与传输方案研究

  周继鹏,李祥,

  为了应对第五代无线通信网络中数据吞吐量急剧增加的问题，移动边缘缓存成为了一种有效的解决方案。它通过在边缘设备上存储网络内容，减轻回程链路和核心网络的负担，缩短服务时延。到目前为止，大多数边缘缓存研究主要优化协作内容缓存，忽略了内容传输的效率。研究超密集网络的内容协作边缘缓存与无线带宽资源的分配问题，通过余弦相似度和高斯相似度求解基站之间总的相似度，将网络中的小基站根据总相似度进行分组，把缓存和无线带宽分配问题建模成一个长期混合整数的非线性规划问题（LT-MINLP），进而将协作边缘缓存与带宽分配问题转换为一个带约束的马尔可夫决策过程，并利用深度确定性策略梯度DDPG模型，提出了一种基于深度强化学习的内容协作边缘缓存与带宽分配算法CBDDPG。提出的基站分组方案增加了基站之间文件共享的机会，提出的CBDDPG算法的缓存方案利用DDPG双网络机制能更好地捕捉用户的请求规律，优化缓存部署。将CBDDPG算法与三种基线算法（RBDDPG、LCCS和CB-TS）进行了对比实验，实验结果表明所提方案能够有效地提高内容缓存命中率，降低内容传递的时延，提升用户体验。

• 非完美频谱感知下认知超密集网络的资源分配

  李凡,仇润鹤,

  针对实际认知超密集网络场景中认知无线电存在非完美频谱感知的情况，提出了一种基于非完美频谱感知的资源分配方案，目标是在考虑跨/同层干扰约束、保障用户服务质量下，最大化非完美频谱感知下认知超密集网络中次级网络的能效。为此，依据网络模型构建能效优化问题，其为混合整数非凸规划问题，先通过分时共享松弛法和丁克尔巴赫法将其转换成等价的凸优化问题，再使用拉格朗日对偶法求其最优解，以此获得最优能效时的子信道和功率分配策略。基于此，提出了一种迭代的子信道和功率分配算法；为权衡计算复杂度，还提出了一种实用的子信道和功率分配算法。仿真结果表明，所提算法都有效地提升了网络能效。

• 基于可逆神经网络的神经辐射场水印

  孙文权,刘佳,董炜娜,陈立峰,钮可,

  针对面向隐式表达的神经辐射场的3D模型的版权问题，将神经辐射场水印的嵌入与提取视为一对图像变换的逆问题，提出了一种利用可逆神经网络水印保护神经辐射场版权方案。利用二维图像的水印技术以实现对三维场景的保护，通过可逆网络中的正向过程在神经辐射场的训练图像中嵌入水印，利用逆向过程从神经辐射场渲染出的图像提取水印，实现对神经辐射场以及三维场景的版权保护。但神经辐射场在渲染过程中会造成水印信息丢失，为此设计了图像质量增强模块，将渲染图像通过神经网络进行恢复然后再进行水印提取。同时在每个训练图像中均嵌入水印来训练神经辐射场，实现在多个视角下均可提取水印信息。实验结果表明了提出的水印方案达到版权保护的目的，证明方案的可行性。

• 基于可学习攻击步长的联合对抗训练方法

  杨时康,柳毅,

  对抗训练（AT）是抵御对抗攻击的有力手段。然而，现有方法在训练效率和对抗鲁棒性之间往往难以平衡。部分方法提高训练效率但降低对抗鲁棒性，而其他方法则相反。为了找到最佳平衡点，提出了一种基于可学习攻击步长的联合对抗训练方法（FGSM-LASS）。该方法包括预测模型和目标模型，其中，预测模型为每个样本预测攻击步长，替代FGSM算法的固定大小攻击步长。接着，将目标模型参数和原始样本输入改进的FGSM算法，生成对抗样本。最后，采用联合训练策略，共同训练预测和目标模型。在与最新五种方法比较时，FGSM-LASS在速度上比鲁棒性最优的LAS-AT快6倍，而鲁棒性仅下降1%；与速度相近的ATAS相比，鲁棒性提升3%。实验结果证明，FGSM-LASS在训练速度和对抗鲁棒性之间的权衡表现优于现有方法。

• 梯度隐藏的安全聚类与隐私保护联邦学习

  李功丽,马婧雯,范云,

  联邦学习是一种前沿的分布式机器学习算法，它在保障用户对数据控制权的同时实现了多方协同训练。然而，现有的联邦学习算法在处理Non-IID数据、梯度信息泄露和动态用户离线等方面存在诸多问题。为了解决这些问题，基于四元数、零共享与秘密共享等技术，提出了一种梯度隐藏的安全聚类与隐私保护联邦学习SCFL。首先，借助四元数旋转技术隐藏首轮模型梯度，并且在确保梯度特征分布不变的情况下实现安全的聚类分层，从而解决Non-IID数据导致的性能下降问题；其次，设计了一种链式零共享算法，采用单掩码策略保护用户模型梯度；然后，通过门限秘密共享来提升对用户离线情况的鲁棒性。与其他现有算法进行多维度比较表明，SCFL在Non-IID数据分布下准确度提高3.13%~16.03%，整体运行时间提高3~6倍。同时，任何阶段均能保证信息传输的安全性，满足了精确性、安全性和高效性的设计目标。

• 基于不经意多项式估值的SM4协同加解密方案

  李莉,宣佳铮,高尚,郭国疆,

  协同加解密是安全多方计算中的重要研究方向，它可以安全高效地实现数据保护、隐私保护。为解决现有SM4协同加解密方案离线计算阶段计算复杂度偏高的问题，提出一种基于不经意多项式估值的SM4协同加解密方案。方案利用预计算的多项式集合和多项式值集合来完成在线阶段的S盒协同计算，从而提高在线计算阶段的性能。其证明了所提方案的正确性和安全性，同时与四种不同的方案进行对比，结果表明，所提方案计算效率明显高于其他方案，说明所提方案能安全高效地完成SM4协同加解密。

• 基于内容风格增强和特征嵌入优化的人脸活体检测方法

  何东,郭辉,李振东,刘昊,

  针对现有人脸活体检测算法的特征表示不佳，以及在跨数据集上泛化性能较差等问题，提出了一种基于内容风格增强和特征嵌入优化的人脸活体检测方法。首先，使用ResNet-18编码器提取来自多个源域的通用特征，并经过不同注意力机制的两个自适应模块进行分离，增强全局内容特征与局部风格特征表征；其次，基于AdaIN算法将内容特征与风格特征进行有机融合，进一步提升特征表示，并将融合后的特征输入到特定的分类器和域判别器进行对抗训练；最后，采用平均负样本的半难样本三元组挖掘优化特征嵌入，可以兼顾类内聚集和类间排斥，更好地捕捉真实和伪造类别之间的界限。该方法在四个基准数据集CASIA-FASD、REPLAYATTACK、MSU-MFSD 和 OULU-NPU上进行训练测试，分别达到了6.33%、12.05%、8.38%、10.59%的准确率，优于现有算法，表明该方法能够显著提升人脸活体检测模型在跨数据集测试中的泛化性能。

• 3D UNeXt:轻量级快速脑提取网络

  申华磊,王琦,上官国庆,刘栋,

  为了解决现有脑提取网络结构复杂、参数量大且推理速度不高的问题，受UNeXt启发，提出一种基于3D卷积、3D多层感知机（multilayer perception，MLP）和多尺度特征融合的轻量级快速脑提取网络3D UNeXt，极大地减少了参数和浮点运算量，取得了令人满意的结果。3D UNeXt以U-Net为基本架构，在编码阶段使用3D卷积模块获取局部特征；在瓶颈阶段通过3D MLP模块获取全局特征和特征之间的远程依赖；在解码阶段借助多尺度特征融合模块高效融合浅层特征和深层特征。特别地，3D MLP模块在三个不同特征轴向进行线性移位操作，以获取不同维度特征的全局感受野并建立它们之间的远程依赖。在IBSR、NFBS和HTU-BrainMask三个数据集上进行实验，以和先进网络进行对比。实验结果表明，3D UNeXt在网络参数、浮点运算量、推理精度和速度等方面显著优于现有模型。

• 基于特征级损失和可学习噪声的医学图像域泛化方法

  史轶伦,于磊,徐巧枝,

  在医学图像分割任务中，域偏移问题会影响训练好的分割模型在未见域的性能，因此，提高模型泛化性对于医学图像智能模型的实际应用至关重要。表示学习是目前解决域泛化问题的主流方法之一，大多使用图像级损失和一致性损失来监督图像生成，但是对医学图像微小形态特征的偏差不够敏感，会导致生成图像边缘不清晰，影响模型后续学习。为了提高模型的泛化性，提出一种半监督的基于特征级损失和可学习噪声的医学图像域泛化分割模型FLLN-DG，首先引入特征级损失改善生成图像边界不清晰的问题，其次引入可学习噪声组件，进一步增加数据多样性，提升模型泛化性。与基线模型相比，FLLN-DG在未见域的性能提升2%~4%，证明了特征级损失和可学习噪声组件的有效性，与nnUNet、SDNet+AUG、LDDG、SAML、Meta等典型域泛化模型相比，FLLN-DG也表现出更优越的性能。

• 基于局部-全局特征耦合与边界引导的遥感图像建筑物变化检测

  郑剑,柴岚康,于祥春,

  针对现有变化检测方法局部特征和全局特征难以兼顾、变化对象和背景之间分界模糊的问题，提出了一种基于局部-全局特征耦合与边界引导的遥感图像建筑物变化检测方法。该方法在编码阶段采用并行的卷积神经网络和Transformer分别提取遥感图像的局部特征与全局表示。在不同尺度下，使用局部-全局特征耦合模块融合局部特征和全局特征表示，以增强图像特征的表达能力。引入边界引导分支获取变化对象的先验边界信息，使其引导变化图突出建筑物的结构特征，促进边界精确定位。该方法在LEVIR-CD和WHU数据集上进行实验验证，其F1-score分别为91.25%和91.27%，IoU分别为83.90%和83.95%。实验结果表明，该方法在检测精度上有较大的提升，且具有良好的泛化能力。

• 基于优化感受野策略的图像修复方法

  刘恩泽,刘华明,王秀友,毕学慧,

  当前流行的基于深度神经网络的图像修复方法，通常使用大感受野的特征提取器，在修复局部图案和纹理时，会产生伪影或扭曲的纹理，从而无法恢复图像的整体语义和视觉结构。为了解决这个问题，提出了一种基于优化感受野策略的图像修复方法（optimized receptive field，ORFNet），将粗糙修复与精细修复相结合。首先，使用具有大感受野的生成对抗网络获得初始的粗略修复结果；然后，使用具有小感受野的模型来细化局部纹理细节；最后，使用基于注意力机制的编码器-解码器网络进行全局精炼修复。在CelebA、Paris StreetView和Places2数据集上进行验证，结果表明，ORFNet与现有具有代表性的修复方法进行对比，PSNR和SSIM分别平均提升1.98 dB和2.49%，LPIPS平均下降2.4%。实验证明，所提图像修复方法在不同感受野的引导下，在修复指标上表现更好，在视觉上也更加真实自然，验证了该修复方法的有效性。

• 基于目标图像先验信息的无监督多聚焦图像融合

  谢明,曲怀敬,吴延荣,王纪委,张汉元,

  多聚焦图像融合（MFIF）是从不同源图像中获取聚焦区域，以形成全清晰图像的一种图像增强方法。针对目前MFIF方法主要存在的两个方面问题，即传统的空间域方法在其融合边界存在较强的散焦扩散效应（DSE）以及伪影等问题；深度学习方法缺乏还原光场相机生成的数据集，并且因需要大量手动调参而存在训练过程耗时过多等问题，提出了一种基于目标图像先验信息的无监督多聚焦图像融合方法。首先，将源图像本身的内部先验信息和由空间域方法生成的初始融合图像所具有的外部先验信息分别用于G-Net和F-Net输入，其中，G-Net和F-Net都是由U-Net组成的深度图像先验（DIP）网络；然后，引入一种由空间域方法生成的参考掩膜辅助G-Net生成引导决策图；最后，该决策图联合初始融合图像对F-Net进行优化，并生成最终的融合图像。验证实验基于具有真实参考图像的Lytro数据集和融合边界具有强DSE的MFFW数据集，并选用了5个广泛应用的客观指标进行性能评价。实验结果表明，该方法有效地减少了优化迭代次数，在主观和客观性能评价上优于8种目前最先进的MFIF方法，尤其在融合边界具有强DSE的数据集上表现得更有优势。

• 一种面向机器视觉感知的暗光图像增强网络

  冯欣,王思平,张智先,焦晓宁,薛明龙,

  低光照等恶劣环境下的目标检测一直都是难点，低光照和多雾因素往往会导致图像出现可视度低、噪声大等情况，严重干扰目标检测的检测精度。针对上述问题，提出了一个面向机器视觉感知的低光图像增强网络MVP-Net，并与YOLOv3目标检测网络整合，构建了端到端的增强检测框架MVP-YOLO。MVP-Net采用了逆映射网络技术，将常规RGB图像转换为伪RAW图像特征空间，并提出了伪ISP增强网络DOISP进行图像增强。MVP-Net旨在发挥RAW图像在目标检测中的潜在优势，同时克服其在直接应用时所面临的限制。模型在多个真实场景暗光数据上取得了优于先前工作效果并且能够适应多种不同架构的检测器。其端到端检测框mAP（50%）指标达到了78.3%，比YOLO检测器提高了1.85%。

• 基于嵌套剖分的位姿图分层优化算法

  简单,魏国亮,蔡洁,王耀磊,

  位姿图优化 （pose graph optimization，PGO）是一种在同时定位与地图构建（simultaneous localization and mapping，SLAM）后端优化中常用的高维非凸优化算法，通常建模成极大似然估计。由于目前的PGO算法优化大规模大噪声数据集时很难在保证精度的同时提升速度，所以提出了一种基于嵌套剖分的位姿图分层优化算法。该算法首先建立不同距离度量的χ2检验模型，进而剔除异常值点。然后利用嵌套剖分算法将位姿图分割成一组子图，再从这些子图中提取出一个表示原SLAM问题的抽象拓扑的骨架图，从而优化该骨架图，完成初始化。最后在模拟和真实的位姿图数据集上进行实验评估，结果表明该算法在不影响精度的情况下，可以提高算法的计算速度，具有可伸缩性。