计算机应用研究杂志

计算机应用研究杂志2024年第9期

• 基于强化学习的知识图谱推理研究综述

  刘世侠,李卫军,刘雪洋,丁建平,苏易礌,李浩南,

  知识推理作为知识图谱补全中的一项重要任务，受到了学术界的广泛关注。为了提高模型的推理效果和可解释性，将强化学习与知识推理的结合是一种可行的解决方法。基于强化学习的知识推理方法将知识图谱研究的问题建模成路径或序列决策问题，能够更好地利用实体、关系等语义信息来提高推理效果和可解释性。首先，对知识图谱和知识推理的基本概念进行了叙述，阐述了近年来的研究进展。随后，从单层强化学习知识推理和双层强化学习知识推理两个角度，对基于强化学习的知识推理相关研究进行了分析与对比。最后，对知识推理如何应用于知识问答、智能推荐、医疗和交通等领域进行了探讨，并对基于强化学习的知识推理的未来研究方向进行了展望。

• 基于区块链技术的医疗信息共享研究综述

  陈嘉莉,马自强,兰亚杰,苗莉,杨震,

  随着医疗信息共享的持续发展，数据安全、数据一致性、数据可控性和数据准确性逐渐受到关注。区块链技术因其去中心化、不可窜改和可追溯的特性被认为是解决医疗信息共享问题的有效手段，已有许多基于区块链的医疗信息共享方案涌现。旨在对基于区块链的医疗信息共享方案进行综合分析，探讨其优势、不足以及面临的挑战，为未来研究提供参考，推动该领域方案的进一步发展和完善。总结基于区块链的医疗信息共享方案，重点关注区块链模式、数据安全存储、访问控制策略和完整性验证等方面。分析不同方案的优势和不足之处，比较各方案的特点，探讨其在解决医疗信息共享问题中的效果。提出未来研究方向和发展建议，以促进基于区块链的医疗信息共享方案的进一步完善和创新。聚焦于基于区块链的医疗信息共享方案，涵盖区块链技术在医疗信息共享中的应用、数据安全、访问控制、完整性验证等相关主题。通过系统性的比较和分析，探讨当前方案的优势与挑战，为未来研究和实践提供指导和参考。

• 混合内存架构下数据放置研究综述

  林炳辉,张建勋,乔欣雨,

  当前基于DRAM和NVM的混合内存系统在系统结构领域的研究前景广阔，特别是对混合内存系统进行数据放置的研究已经成为国内外研究的热点。对混合内存架构下数据放置策略进行了研究，在介绍当前常见混合内存架构的基础上，对现有数据放置策略的设计思路进行了全面分析，主要涉及硬件/软件机制、内存访问特征、静态/动态分析、机器智能、触发方式和粒度选择等方面，并针对混合内存性能、功耗和耐久性的数据放置优化进行总结。综合分析发现，现有的混合内存数据放置策略在内存架构、数据迁移、计算成本和全局优化等方面还存在局限性，未来在架构设计以及内存管理方面的改进还有很大的研究探索空间和发展前景。

• 基于强化图卷积和时空循环门的区块链非法交易检测方法

  夏鑫,任秀丽,

  区块链非法交易检测任务需要充分挖掘历史交易数据中固有的时间和空间特征。针对现有的非法交易检测方法存在误差较大的问题，提出一种基于强化图卷积和时空循环门的区块链非法交易检测方法（RGCN-SRG）。首先，利用比特币区块链历史交易数据构造交易图谱，引入一组具有不同尺寸卷积核的强化图卷积网络（RGCN），全面地提取该图谱的拓扑信息并生成特征向量；另外，考虑到区块链交易的时序特点，提出一种时空循环门结构（SRG），在传统门结构中引入图卷积运算，以提取交易图多个时空维度的依赖信息；最后，经过一个线性层和激活函数输出非法交易检测的预测结果。将提出的方法与GCN、DEDGAT、EGT以及GCN+MLP进行比较，在F1方面，分别提高了18.4、10.7、9.3和4.9百分点；在精度方面，分别提高了11.5、11.2、7.7和3.7百分点。

• 基于SVM的DPoS共识机制改进

  何婧,豆天晨,陈琳,董云云,

  共识机制是区块链技术的重要组成部分，针对委托权益证明（delegated proof of stake，DPoS）共识机制中对恶意节点不能及时有效处理的问题，提出了一种基于支持向量机的DPoS共识机制改进方案（SVM-DPoS）。首先构建基于SVM的节点判别模型，通过训练好的模型分析节点的行为动机，根据判别结果及时剔除恶意节点；其次基于固定协商出块顺序优化传统算法的出块流程，提升出块效率，进一步提高了整个区块链网络的运行效率。在公开数据集上的实验结果表明，与已有的几种方法相比，改进后的共识机制能够快速剔除恶意节点，不仅维护了系统稳定性，而且增强了对恶意行为的防范能力，从而在保障区块链网络正常运行的同时，提高了整体共识的安全性。

• 面向服务优化组合的云双链结构

  高洁,梁波,

  将区块链技术用于云制造平台，可使其具备资源管理去中心化、数据分布式存储、平台鲁棒的特性，然而在服务优化组合的实施过程中，其面临资源需中心化调度，数据录入依赖于区块生成时刻，执行方案缺乏动态适应性等问题。因此，提出面向服务优化组合的云双链结构（cloud dual-chain）。cloud dual-chain由制造服务链（manufacturing service chain，MSC）和过程数据链（process data chain，PDC）构成，将服务资源和组合方案进行分链管理，使云制造平台兼顾区块链特性及真实服务协同需求。cloud dual-chain的制造服务由企业自身管理，由智能合约根据任务顺序筛选形成MSC链，兼顾分布式和中心化管理；PDC基于服务组合方案产生，其节点可并行记录过程数据；若出现失效服务，在相应MSC节点中调用新服务，并在PDC节点中更新信息以确保执行方案具有动态适应性。实验表明，cloud dual-chain可实现服务的灵活管理、过程数据分布式并行录入，并赋予执行方案动态适应性。cloud dual-chain可为云制造平台的发展提供有效支持。

• 基于跨视图原型非对比学习的异构图嵌入模型

  张敏,杨雨晴,贺艳婷,史晨辉,

  基于非对比学习（NCL）的异构图嵌入模型不依赖负样本学习数据的内在特征和模式，可能导致模型无法有效地学习节点之间的区分度。提出了一种基于跨视图原型非对比学习的异构图嵌入模型（XP-NCL），通过寻找额外的正样本提供更多关于源节点的上下文信息，并重新考虑了正样本之间的相似性，从而为下游任务学习更高效的节点表征。该模型首先设计了一种基于异构图随机游走的树型结构，通过筛选出满足局部结构约束的随机游走路径，从而构建正样本的有向筛选树（DFT），该树包含丰富的邻居信息和语义信息；其次针对异构图的特性，定义了跨视图原型指数（ISDR）和峰值算子（peak operator），从多个维度考虑了同类样本在数量和数值上的对齐；在此基础上，模型利用停止梯度更新进行训练。最后，在ACM、DBLP和freebase数据集上，实验验证了节点的分类和聚类性能，结果表明，即使不使用负样本，XP-NCL表征与其他同构图和异构图基线相比，很多情况下都可以呈现出更优越的性能。

• CMHICL:基于跨模态分层交互网络和对比学习的多模态讽刺检测

  林洁霞,朱小栋,

  多模态讽刺检测的关键在于有效地对齐和融合不同模态的特征。然而，现有融合方法通常忽略多模态间组成结构的关系，并且在识别讽刺时也经常忽略多模态数据中与讽刺情感相关的共同特征的重要性。因此，提出一种基于跨模态分层交互网络和对比学习的模型。首先，跨模态分层交互网络采用了基于交叉注意力机制的最小单元对齐模块和基于图注意力网络的组成结构融合模块，从不同层面上识别文本和图像之间的不一致性，将低一致性的样本判定为含讽刺意味的样本。其次，该模型通过数据增强和类别增强两个对比学习任务，帮助学习讽刺相关的共同特征。实验结果表明，所提模型与基线模型相比，准确率提升了0.81%，F1值提升了1.6%，验证了提出的分层交互网络和对比学习方法在多模态讽刺检测中的关键作用。

• 基于辅助信息与长短期偏好的序列推荐

  刘超,任梦瑶,冯禄华,

  为了解决序列推荐中的用户偏好漂移问题，以及更精确地捕捉用户动态偏好，提出了一种新型的序列推荐模型SILSSRec（side information and long-short term preferences based sequence recommendation）。该模型首先利用项目的类别和频次作为辅助信息，基于用户的历史交互序列，生成个性化用户嵌入表示。然后，通过历史交互和当前交互之间的时间间隔生成个性化时间间隔嵌入，并将此嵌入与项目特征嵌入融合，形成个性化时间嵌入表示。模型采用注意力机制和门控循环网络，从嵌入表示中提取用户的长期和短期偏好。此外，通过对比学习强化偏好的特征表达，并使用自适应聚合网络动态融合这两种偏好，形成用户的最终偏好表示。在8个公开数据集上的实验结果表明，SILSSRec在评估指标上优于现有的基线模型，其中AUC（area under curve）平均提高了3.82%、召回率平均提高了7.2%、精确率平均提高了0.3%。实验证明SILSSRec在不同场景下均有较好表现，有效缓解了偏好漂移问题，提升了推荐效果。

• 基于改进好奇心的深度强化学习方法

  乔和,李增辉,刘春,胡嗣栋,

  在深度强化学习方法中，针对内在好奇心模块（intrinsic curiosity model，ICM）指导智能体在稀疏奖励环境中获得未知策略学习的机会，但好奇心奖励是一个状态差异值，会使智能体过度关注于对新状态的探索，进而出现盲目探索的问题，提出了一种基于知识蒸馏的内在好奇心改进算法（intrinsic curiosity model algorithm based on knowledge distillation，KD-ICM）。首先，该算法引入知识蒸馏的方法，使智能体在较短的时间内获得更丰富的环境信息和策略知识，加速学习过程；其次，通过预训练教师神经网络模型去引导前向网络，得到更高精度和性能的前向网络模型，减少智能体的盲目探索。在Unity仿真平台上设计了两个不同的仿真实验进行对比，实验表明，在复杂仿真任务环境中，KD-ICM算法的平均奖励比ICM提升了136％，最优动作概率比ICM提升了13.47％，提升智能体探索性能的同时能提高探索的质量，验证了算法的可行性。

• 面向异构数据的个性化联邦多任务学习优化方法

  李可,王晓峰,王虎,

  联邦学习是一种新兴的分布式机器学习范式，在保护数据隐私的同时协作训练全局模型，但也面临着在数据异构情况下全局模型收敛慢、精度低的问题。针对上述问题，提出一种面向异构数据的个性化联邦多任务学习优化（federated multi-task learning optimization，FedMTO）算法。在包含全局任务和本地任务的多任务学习框架下，考虑个性化联邦优化问题。首先，FedMTO采用参数分解的思想，通过学习自适应分类器组合权重来协调全局分类器和局部分类器，提取全局分类器知识，实现对本地任务的个性化建模；其次，由于本地任务的数据分布不同，FedMTO在本地更新时结合正则化多任务学习策略，关注任务之间的相关性，减小不同本地任务间的差异，从而保证联邦学习过程的公平性；最后，模拟不同的数据异构场景，在MNIST和CIFAR-10数据集上进行实验。实验结果表明，与现有算法相比，FedMTO实现了更高的准确率和更好的公平性，验证了该方法针对联邦学习中的异构数据问题有着良好的效果。

• 基于时间分段和重组聚类的说话人日志方法

  朱必松,毛启容,高利剑,沈雅馨,

  当前的说话人日志方法大多采用标准的全局聚类的方式来区分不同说话人的语音片段，没有考虑到同一个人的声音在不同的噪声条件下具有不同的特征分布，而这会增大类内距离，从而降低聚类精度。鉴于相邻的语音片段往往包含相同的背景噪声，提出一种新的基于时间分段和重组聚类的说话人日志方法以解决上述问题。首先，将所有语音片段按时间连续性划分成多个独立的时间段，并在段内进行局部聚类；然后，将不同时间段中属于同一个说话人的语音片段重新合并。此外，在聚类时利用语音片段的邻域信息来校准它们之间的相似度。通过这种方式降低了直接在不同噪声条件下进行聚类的概率，提高了聚类精度。在公开数据集AMI SDM和VoxConverse上的实验结果表明，与基线方法相比，所提方法的日志错误率分别相对降低了34%和16%，充分证明了该方法的有效性。

• 非连通空间对象方向关系表达与推理

  王淼,董星星,高继勋,方振西,唐昊,李松,

  为了弥补现有的二维空间对象方向关系表达模型大都利用点、最小外包矩形等近似地代替空间对象，距离真实空间对象间方向关系的描述与推理仍存在差距的不足，提出了一种基于Voronoi图的非连通空间对象方向关系表达模型。该模型借助Gestalt心理学理论，通过提取非连通空间对象的特征点、特征链，构建空间对象间的可视区域，生成方向关系Voronoi图，实现了非连通、含洞的参考对象与目标对象间方向关系的表达。该模型较好地顾及了空间对象形状、大小等因素带来的影响，表达精度更高、适用范围更广。为了提高复杂空间对象方向关系复合推理的精度，基于该模型提出了一个非连通对象间主方向关系复合推理算法。该算法借助Tileunion运算和Pr运算，实现了该模型下基本主方向关系的复合推理，降低推理结果的不确定性。分析和验证的结果表明，提出的非连通空间对象方向关系模型及复合推理算法，提高了表达与推理的精度，完善和提高了对复杂空间对象方位关系的分析与处理能力。

• 基于互信息解决多标签文本分类中的长尾问题

  潘理虎,李小华,张睿,谢斌红,杨楠,张林梁,

  针对当前解决多标签文本分类中长尾问题的方法多以破坏原本数据分布为代价，在真实数据上的泛化性能下降，无法有效地缓解样本的长尾分布的问题，提出了基于互信息解决长尾问题的多标签文本分类方法（MLTC-LD）。首先，创建关于标签样本的关系矩阵，计算标签样本间的依赖关系；其次，考虑标签样本间关系程度的强弱构造邻居选择器，将拥有强关系的邻居信息作为主要语义特征并作为先验信息；最后，通过图注意力神经网络将先验信息引入分类器，实现了借助分布头部数据丰富类的知识来提高尾部数据贫乏类性能的目标。在三个不同的数据集上将MLTC-LD与八个基线模型进行了广泛的比较分析。实验结果表明，MLTC-LD 与最优的HGLRN相比精确度分别提高了3.5%、0.3%、1.5%，证明了该方法的有效性。

• 基于提示学习和超球原型的小样本ICD自动编码方法

  徐春,吉双焱,马志龙,

  针对国际疾病分类（ICD）自动编码方法的长文本处理、编码的层次结构以及长尾分布等导致的模型泛化能力弱的问题，提出一种充分利用医学预训练语言模型的基于提示学习和超球原型的小样本ICD自动编码方法（hypersphere prototypical with prompt learning，PromptHP）。首先，将编码描述与临床文本融合进提示学习模型中的提示模板，使得模型能够更加深入地理解临床文本；然后，充分利用预训练语言模型的先验知识进行初始预测；接着，在预训练语言模型输出表示的基础上引入超球原型进行类别建模和度量分类，并在医学数据集上微调网络，充分纳入数据知识，提高模型在小样本ICD编码分配任务上的性能；最后，对以上两部分预测结果集成加权获得最终编码预测结果。在公开医学数据集MIMIC-Ⅲ上的实验结果表明，该模型优于最先进的基线方法，PromptHP将小样本编码的macro-AUC、micro-AUC、macro-F1和micro-F1分别提高了1.77%、1.54%、14.22%、15.01%。实验结果验证了该模型在小样本编码分类任务中的有效性。

• 面向功能语义增强与标签关联的Web服务标签推荐

  刘庆雪,王荔芳,潘国庆,胡强,

  为了提升标签推荐的质量，提出一种面向功能语义增强与标签关联的Web服务标签推荐方法。将语境权重融入TextRank模型，提取与服务功能契合度高的关键词，用于构建功能语义增强的服务表征向量；建立标签关联图，基于改进的GraphSAGE模型生成标签关联向量；利用KNN算法获取推荐的主标签与候选标签集合，面向服务表征向量和标签关联向量构建融合适配度与关联度的标签推荐方法。实验表明，所提方法在accuracy与F1-score指标上优于当前流行的标签推荐方法，标签推荐质量得到提升。

• 基于实体级联类型的中文关系抽取管道模型

  饶东宁,吴倩梅,黄观琚,

  端到端实体关系抽取任务可以被分解成命名实体识别和关系抽取两个子任务，最近的工作多将这两个子任务联合建模。现有的流水线方法验证了在关系模型中融合实体类型信息的重要性和管道模型的潜力，但是它们忽略了文本中的某些实体可能同时具有多个类型，这种多义性的情况在中文数据集中尤为常见。为解决上述问题，提出了一种实体级联类型机制，并在此基础上开发了一个更适合中文关系抽取的管道模型，取名为CENTRELINE。该流水线方法的实体模块是一个词-词关系分类模型，它以BERT和双向LSTM作为编码器、经过条件层归一化后引入空洞卷积，最后通过级联类型预测器输出实体及其级联类型。关系模块的输入仅由实体模块构建。该方法在DuIE1.0、DuIE2.0和CMeIE-V2数据集上的F1值分别比基线方法提高了7.23、6.93和8.51百分点，并在DuIE1.0和DuIE2.0数据集上都实现了最先进的性能。消融实验表明，提出的级联类型机制和根据中文语言特征改进的管道模型，均对关系抽取性能具有明显的促进作用。

• 面向流程偏差根因分析的港口物流流程挖掘方法及应用

  蔡敏,王学涛,宋容嘉,刘聪,雒兴刚,黄磊,

  港口物流是一种高度以人为中心、复杂灵活的业务流程。现有研究对其进行流程挖掘时，存在自动发现流程模型质量低的问题，同时缺少对于流程偏差进行系统化根因分析的支持，使港口流程偏差分析能力较弱。针对这一问题，提出一种面向流程偏差根因分析的港口物流流程挖掘方法。该方法基于事件日志进行港口物流活动统计实现流程绩效分析，使用Split Miner和Inductive Miner发现实际流程模型，并使用对齐方法识别流程偏差，接着结合分类决策树和桑基图对流程偏差进行根因分析。通过在某大型港口物流提货流程进行实际应用，结果表明，应用该方法能发现实际执行流程的更多细节来为流程偏差根因分析提供支持，并可以对流程偏差进行系统化的根因分析。该方法强化了港口物流流程偏差分析能力，进而降低了港口物流管理风险。

• 基于深度强化学习的单通道EEG信号自动睡眠分期算法

  赵彦晶,周强,刘鑫,李婉,田蕴郅,

  目前，基于脑电（EEG）信号的人体睡眠分期方法呈现出单通道和网络模型深度化的趋势，然而单通道信息采集使得EEG失去大脑区域的位置信息，EEG中表征睡眠阶段的特征因趋向稀疏化而难以提取，同时深度网络的共性问题——模型及其训练的超参数的人工设定使得训练过程盲目且低效，这些问题导致自动睡眠分期方法的准确率低。为此，提出利用密集连接网络（DenseNet）对模型层间特征重用功能，挖掘深藏于EEG信号中的睡眠状态信息，针对单通道EEG信号在频域上的低频特性以及时域上长程依赖特性，对DenseNet模型进行了改进，实现了人体睡眠的快速和精确分期；为进一步提升DenseNet性能，使用深度确定性策略梯度（DDPG）算法，在网络学习训练过程中利用强化学习思想对DenseNet关键超参数进行在线优化和自动调节。实验结果表明，该算法模型在Sleep-EDFx数据集上的分期准确率达到了89.23%，总体效果优于近年来其他先进分期算法，表现出良好的应用前景。

• 边缘环境下基于移动群智感知计算卸载的数据汇聚

  杨桂松,桑健,

  当前“云-端”式移动群智感知（mobile crowd sensing，MCS）系统面临负载过重的问题，导致数据汇聚过程中时延和能耗显著增加，从而降低了数据汇聚的效率。针对该问题，提出了一种基于AP-DQN的“云-边-端”MCS计算卸载算法。首先，考虑时延和能耗的均衡优化建立效用函数，以最大化系统效用作为优化目标。其次，优化P-DQN算法，提出一种联合资源分配的计算卸载算法AP-DQN，结合MCS优势，将空闲用户作为卸载设备之一。最后，使用该方法求解问题。实验结果显示，与已有算法相比，该方法能有效提高数据汇聚效率，并具有很好的稳定性。

• 结合精英初始化和K近邻的蛇优化算法

  王丽娟,刘姝含,王剑,田亚旗,

  蛇优化算法（SO）是一种受自然界中蛇生存行为启发产生的元启发式优化算法。原始蛇优化算法存在收敛速度慢、易陷入局部最优的问题，因此提出了一种结合精英初始化和K近邻的改进蛇优化算法（elite initialization and K-nearest neighbors improved snake optimizer，EKISO）。首先，为了提高初始种群质量，在种群初始化阶段提出精英初始化的方法，根据种群精英个体产生优质初始种群个体；其次，通过振荡因子优化螺旋觅食策略扩大全局勘探阶段的搜索范围、提高算法的局部逃逸能力；最后，在局部开发阶段提出K近邻思想的位置更新方法，增强种群个体之间的信息交互能力，从而加快收敛速度、提高收敛精度。利用14个经典测试函数和4个CEC2017测试函数将该方法与其他7种优化算法进行对比，证明EKISO收敛速度更快、精度更高且不易陷入局部最优。为了进一步验证EKISO的实用性与可行性，将EKISO应用于压力容器设计问题中，通过实验对比分析可知，EKISO在处理实际优化问题上具有一定的优越性。

• 基于新颖二进制人工蜂群算法求解带权集合覆盖问题

  孙菲,贺毅朝,张寒崧,李明亮,王丽娜,高泽贤,

  带权集合覆盖问题（WSCP）是一个著名的NP-hard问题。为了利用人工蜂群算法（ABC）高效求解带权集合覆盖问题，提出了一个新颖二进制ABC（记作nBABC）。在nBABC中，首先提出了随机学习和继承性相结合的全局进化算子，以提高算法的全局勘探能力。其次，基于动态调整策略提出了自适应随机取反算子，以维持勘探与开发的平衡。在借鉴近似算法的思想提出处理WSCP不可行解的修复算法WSCP-GRA和优化算法WSCP-GOA的基础上，利用nBABC给出了求解WSCP的一个新方法。为了验证nBABC求解WSCP的高效性，利用它求解OR-Library中45个WSCP实例，与多个算法的比较表明：nBABC能够求得所有实例的最优值，比已有求解WSCP的算法更具竞争力。

• 基于PPO算法的自动驾驶人机交互式强化学习方法

  时高松,赵清海,董鑫,贺家豪,刘佳源,

  针对当前自动驾驶领域中深度强化学习（deep reinforcement learning，DRL）所面临的高计算性能需求和收敛速度慢的问题，将变分自编码器（variational autoencoder，VAE）和近端策略优化算法（proximal policy optimization，PPO）相结合。通过采用VAE的特征编码技术，将Carla模拟器获取的语义图像有效转换为状态输入，以此应对DRL在处理复杂自动驾驶任务时的高计算负担。为了解决DRL训练中出现的局部最优和收敛速度慢的问题，引入了驾驶干预机制和基于驾驶员引导的经验回放机制，在训练初期和模型陷入局部最优时进行驾驶干预，以提升模型的学习效率和泛化能力。通过在交通路口左转场景进行的实验验证，结果表明，在驾驶干预机制的帮助下，训练初期模型的性能提升加快，且模型陷入局部最优时通过驾驶干预，模型的性能进一步提升，且在复杂场景下提升更为明显。

• 基于鱼群涌现行为启发的集群机器人硬注意力强化模型

  刘磊,葛振业,林杰,陶宇,孙俊杰,

  生物集群运动模型能使集群机器人涌现秩序，但是所形成的机器人自然集群秩序难以有效地被人工控制，为此提出鱼群硬注意力模型来解析实验鱼群数据中的交互行为。该模型通过编码器网络、图注意力网络、信息聚合网络、预解码网络以及最终解码网络等结构来获取焦点单体的重要邻居；再利用深度确定性策略梯度技术设计轨道强化网络与安全强化网络，以实现集群的人工控制。多智能体仿真与集群机器人实验结果表明：所提方法能够实现集群的人工轨道、安全控制，重要邻居信息为解决集群运动的强化学习难题提供了新思路，所提控制模型在无人机群空中协作、智慧农机集群作业、物流仓储多体搬运等领域具有较大的应用潜力。

• 融合人工势场法的动态快速行进树路径规划算法

  吴旭鹏,贾小林,顾娅军,

  针对快速行进树算法（FMT*）由于随机采样导致的冗余探索问题以及不适用于动态环境的问题，提出一种融合人工势场法的动态快速行进树路径规划算法（APF-Dynamic FMT*），该算法设计了一种基于人工势场法的采样点引导函数，该函数根据环境信息动态的调整采样点生成范围，减少冗余探索。同时，该算法设计了一种路径树动态调整机制，当现有路径受到环境改变的影响时，能在未受影响的剩余路径树的基础上重新规划出新的优秀路径，适用于解决动态环境下的路径规划问题。仿真实验结果表明，APF-Dynamic FMT*算法在消耗相同计算资源的同时，显著提高了路径规划的成功率与路径质量，且当现有路径受动态环境影响后，能够高效地重新规划出可通行的优秀路径。

• 一种基于共轭次梯度算法的非光滑布图规划方法

  孙健,徐宁,吴建,朱展洋,陈彧,胡建国,

  针对只有硬模块的布图规划问题，通常将其构建成组合优化模型，但求解过程时间成本高。为提高求解效率，提出了一种基于非光滑解析数学规划的布图规划算法。基于布图中器件的坐标表示，构建了一个泛化的非光滑解析数学规划模型，将不同场景下的布图规划问题的不同优化阶段处理为该泛化模型的特例，并利用共轭次梯度算法（conjugate sub-gradient algorithm，CSA）对其进行求解。针对固定轮廓布图规划问题，通过统一框架下的全局布图规划、合法化、局部优化三个阶段，实现了在固定轮廓约束下的线长优化。针对无固定轮廓约束问题，提出了带黄金分割策略的共轭次梯度算法（conjugate sub-gradient algorithm with golden section strategy，CSA_GSS），利用黄金分割策略缩小固定轮廓的面积，达到面积和线长双优化的效果。实验在GSRC测试电路上与基于B*-树表示的布图规划算法进行比较，该算法对于大规模电路在线长和时间方面均占据优势。实验结果表明，该算法能以更低的时间复杂度获得更优的线长。

• 扩展帝国竞争算法求解分布式不相关并行机车间调度问题

  李立山,陶翼飞,何毅,周国诚,王镜捷,

  针对考虑加工约束的分布式不相关并行机车间调度问题，以总运输成本、工厂间并行机齐停评价函数和工件种类平均切换次数均衡评价函数为优化目标，提出一种扩展帝国竞争算法进行求解。该算法在原始帝国竞争算法的基础上，增加了适于工厂分配的初始化工厂-工件序列群；根据传统帝国竞争算法容易陷入局部最优的缺点，将较劣序列同化分为了外部同化机制和内部同化机制，采用局部和全局相结合的搜索方式实现扩展帝国竞争算法的智能搜索行为；采用部分匹配交叉和单点变异更新工厂-工件序列群，保证工厂-工件序列的多样性。最后设计3个不同规模12个算例，通过仿真实验验证所提算法的有效性，同时对比相关领域研究成果验证了该算法在求解分布式多目标不相关并行机调度问题方面的优越性。

• 高效混合预测策略的设计

  方昕宇,周日贵,龚鸣清,

  现有的分支预测模型无法完全准确预测处理器中各种指令的行为，导致处理效率受限。为此提出了两种混合预测解决方案，旨在结合多种分支预测模型，以提高预测的准确性和处理器的执行效率。将TAGE（tagged geometric history length）分支预测模型与BATAGE（Bayesian tagged geometric history length）分支预测模型的预测结果转交Hybrid模型。在预测阶段中，Hybrid模型会根据TAGE和BATAGE的历史表现去选择表现最佳分支预测模型的预测结果。而在更新阶段中，Hybrid模型会根据设计的混合预测策略对需要更新条目的饱和计数器进行更新。在CBP（championship branch prediction）软件仿真平台提供的440个测试程序上进行实验，实验结果表明：与多种最新主流分支预测模型相比，两种混合预测解决方案的预测错误率均低于它们。该研究为预测所有指令模式行为问题提供了有效解决方案。在实际CPU的分支指令预测，该研究提供了一些实用价值。

• 基于多要素的短临降水预报及可解释性分析

  陈龙,彭静,胡雪飞,黄占鳌,李孝杰,

  当前的短临降水预报方法大多是基于雷达回波外推，没有充分考虑其他气象要素对降水生消演变的密切影响，从而限制了其预报的准确性。为解决此问题，基于风云四号B星数据，制作了包含四种背景气象要素、以定量降水估计为预报对象的短时临近降水预报数据集，提出了短临降水预报模型——MFPNM。以TransUNet为骨干，设计了并行双编码器分别提取预报对象和背景气象数据的高维时空特征；构造了内容编码模块将背景数据的空间特征作为预报对象高维特征向量的可学习位置编码；以已有的Transformer模块构建序列数据高维特征间的全局关系，以实现更准确的序列预测。MFPNM在风云-4B数据集和开源数据集上达到了最优水平，采用的指标包括临界成功指数、虚警率、均方根误差和结构相似性等。同时通过SHAP（shapley additive explanations）技术对模型进行了可解释性分析。实验结果及可解释性分析表明，该模型具有更好的预报准确度及可靠性。

• 一种引入元路径相似性度量的材料实体检索方法

  黄华泽,胡紫璇,游进国,黄星瑞,陶静梅,易健宏,

  近年来，随着材料数据的积累以及“材料基因组计划”的普及，面对大量需要处理和管理的材料数据，快速准确地检索并获取相应信息已成为一个重要问题。传统的检索方法由于仅能查询某一材料的相关信息，并且存在检索结果不全面、无法处理复杂语义关系等问题，难以获取相似程度较高的材料。为了快速、准确地找到与某种材料相似的材料，提出可度量不同节点的加权材料相似度计算模型WM-PathSim。首先，使用metapath2vec学习材料节点的嵌入表示；其次，引入TFIDF-CBOW模型学习材料路径实例的存在概率，进而计算不同元路径的权重；最后，加权求和符合条件的元路径得到最后的相似性度量，来预测不同材料之间的相似程度。在真实数据集上的结果表明，在不同的路径关系中，所提模型相比于基线方法在性能上有较大提升，其AUC和precision指标分别提升了0.37~5.02百分点和1~7.33百分点，说明所提模型得到材料间的相似程度更加准确和有效，从而能够获得相似材料。

• 基于S-MCLSTM和DANN的滚动轴承剩余寿命预测方法

  董志民,董洁超,

  针对在不同工作条件和不同故障形式下，滚动轴承剩余寿命预测泛化能力差和精确度不高的问题，提出一种基于孪生多卷积长短时记忆网络（S-MCLSTM）和域对抗网络（DANN）的剩余寿命预测方法。首先针对不同的工作条件对退化过程的影响，提出基于S-MCLSTM的差异化特征提取器以提取一定时间间隔的两个样本之间的差异化特征。同时，进一步使用工作条件判别器与差异化特征提取器进行对抗训练，减少由于工作条件的原因产生的冗余特征。之后针对故障形式对退化过程的影响，设计了故障诊断器用于和差异化特征提取器对抗训练。最后，考虑到滚动轴承一般退化过程中，不同阶段的退化过程与特征之间的映射关系可能存在的差异，提出了阶段判别器，并在不同阶段应用不同的剩余寿命预测器进行预测。最终在西安交通大学XJTU-SY轴承数据集上的实验表明，该方法在多种工作条件和故障形式下都能较准确地预测剩余寿命，有较为广泛的应用前景。

• KubeTea:面向容器云环境的轻量级多维度微服务应用调度框架

  李宗霖,何俊江,李汶珊,吕虓,兰小龙,李涛,

  容器云中，应用和资源调度始终是集群管理的重点。如何在提高资源利用率的同时保证应用服务质量是目前行业积极探索的问题之一。针对该问题，提出一个面向容器云环境的轻量级多维度微服务应用调度框架。该框架设计了非侵入式的网络调用观测方法，并基于观测和监控数据定义亲和性、热点值（HV）和热路径（HP）来指导调度决策。为平衡资源利用率和应用QoS，该框架在调度的垂直方向上提出弹性余量控制机制（elastic slack controller，ESC），在水平方向上考虑了微服务亲和性；并设计了扩散导向的自动伸缩策略（diffusionoriented autoscaling strategy，DOAS）以缓解应用出现的QoS下降。实验表明，该框架与主流的Kubernetes原生调度工具相比，在集群资源利用率方面提高21%，同时能降低23%的应用端到端时延，实现资源利用率和应用QoS的平衡。

• 融合表字段的NL2SQL多任务学习方法

  刘洋,廖薇,徐震,

  现有的自然语言转SQL（NL2SQL）方法没有充分利用数据表的字段信息，而这对于问题的语义理解和SQL语句的逻辑生成有着重要作用。为了提高SQL生成的整体准确性，提出一种融合数据表字段的NL2SQL方法（FC-SQL）。首先，利用BERT预训练模型对问题和数据库表字段进行合并编码表示；其次，采用多任务学习的方式，结合并联和级联的方式构建多任务网络，以预测不同子任务；最后，针对条件值提取子任务，通过融合字段信息计算问题中词与表字段的相似度，并以相似度值作为权重来计算每个词语作为条件值的概率，从而提高条件值预测的准确率。在TableQA数据集上的逻辑形式准确率与SQL执行准确率分别达到88.23%和91.65%。设计消融实验验证表字段信息对于模型的影响，实验结果表明融入表字段后，条件值抽取子任务效果有所提升，进而改善了NL2SQL任务的整体准确率，相较于对比模型有更好的SQL生成效果。

• 无线传感器网络中一种基于聚合层次聚类的分簇路由算法

  张芳,高翠芳,

  针对无线传感器网络中节点连接以及能量受限不足的问题，为了延长网络寿命，提出了一种基于AHC的分簇路由算法（HACCRA）。该算法首先运用AHC对网络节点分簇，接着为簇首选择、簇形成和路径构建分别定义了恰当的决策目标函数，运用能量阈值、提出距离阈值、并且路由过程优先考虑簇首节点之间的一对一连接，有效解决了路由算法中分簇和路由不衔接的问题。仿真结果表明，与JCR、ICR以及DCK-LEACH相比，HACCRA能够更好地实现网络节点的能耗均衡，保证网络数据传输的连接性，从而延长网络寿命。

• 基于排队论的一种高吞吐量信道分配协议设计

  陶志勇,张鑫诺,王诗,高党召,

  针对复杂多变的认知无线电系统中难以为次用户高效分配信道的问题，提出了一种高吞吐量信道分配协议——TKMA协议。该协议根据主用户（PU）活动、次用户（SU）实时业务需求、信道条件等信息构建用户信道的效用矩阵，在保障PU通信质量的前提下以SU系统总效用值最大化为目标进行信道分配，并利用改进Kuhn-Munkras算法结合轮询调度进行求解。为了评估该协议性能，建立了通用的多用户多信道认知无线电系统模型，利用排队理论描述数据包传输过程，并通过马尔可夫稳态求解推导出SU的性能指标。实验结果表明，与以往提出的化简方法和传统的公平随机分配协议相比，使用TKMA协议在SU系统总的吞吐量、平均时延、平均队长、拒绝率等指标上都取得了更优的结果，证明了所提协议和系统模型的有效性。

• 面向多租户数据中心的联邦学习架构下通信开销优化方法

  程华盛,敬超,

  为降低多租户数据中心联邦学习架构下的高通信开销问题，提出一种基于三元演化模型参数的通信开销优化算法。首先，建立面向多租户数据中心的联邦学习架构模型来实现数据隐私保护；其次，针对联邦学习架构的引入导致租户和数据中心交互产生了过高的通信开销问题，提出一种基于三元演化模型参数的通信开销优化算法，通过结合最优局部模型和三元向量化模型参数的演化方向来减少租户与数据中心模型参数传输之间的冗余通信；同时，基于联邦学习的隐私研究论证分析了在传输通信过程中所提算法能有效保障参与训练租户的隐私信息。最后，实验结果表明，所提方法在保障训练精度的前提下，相比于联邦平均对比算法能有效降低30%的冗余通信开销。

• 车联网基于稀疏用户环境的LBS隐私保护方案

  门红蕾,曹利,郑国莉,李原帅,马海英,

  针对车联网稀疏用户环境下LBS（location-based services）位置隐私保护能力降低的问题，提出一种基于同态加密的混合隐私保护方案。该方案利用同态加密性质，实现了车辆用户虚拟身份的按需生成和对外不可区分的认证，并通过将虚拟地址与车辆真实位置混淆，进一步提供了基于车辆身份和位置的混合隐私保护。安全分析表明，该方案在服务隐私保护有效性的基础上，对恶意车辆身份具有可追溯性、有效抵御拒绝服务攻击和假名伪造攻击；性能分析的结果表明，与传统的假名生成办法以及k-匿名技术相比，随着隐私因子k增加到40后，该方案在动态假名生成上降低了25%的计算开销，具有91%以上的隐私保护度，弥补了k-匿名技术和假名技术在特殊环境下的缺陷，更适用于动态、低时延的车联网通信环境。

• 基于上下文感知的自适应访问控制模型

  张少伟,李斌勇,邓良明,

  面对日益复杂和动态的访问场景，传统访问控制显现出灵活性不足的局限性，一定程度上损害了资源的可用性。针对这一问题，提出一种基于上下文感知的自适应访问控制模型。通过提供额外的特殊授权机制，提升面对特殊请求的灵活性和时间效率，提高资源的可用性。使用基于模糊逻辑的上下文感知推理方法评估用户访问时的上下文情景，使系统能够据此作出特殊授权决策，实现了访问控制系统在动态环境下灵活、细粒度的授权能力。通过引入信任度机制限制用户的特殊授权，防止权限滥用。同时对用户在会话期间的活动进行跟踪与监测，以提供自适应访问控制能力。实验结果表明，该模型能够适应动态、复杂的访问控制场景，可以根据不同情境动态调整权限，提高了资源的可用性。

• 抗恶意敌手的线性门限隐私集合交集协议

  贾正坤,张恩,王梦涛,

  门限隐私集合交集（TPSI）是安全多方计算中的一种特例，其在机器学习、共享拼车、指纹识别等多个领域有广泛的应用。然而，目前存在的方案均基于计算复杂度较高的算法，并且仅在半诚实模型下实现，导致协议计算开销较大且无法抵抗恶意敌手的攻击。为了解决以上问题，首先提出了一个向量不经意匹配测试（VOMT）协议，并基于VOMT和布谷鸟哈希设计了一个高效的半诚实TPSI协议。此外，结合VOMT与对称密钥加密方案构造出向量不经意解密匹配测试（VODMT）协议，并基于VODMT与不经意伪随机函数设计了一个可以抵抗恶意敌手的TPSI协议。随后，分别在半诚实模型和恶意模型下证明了协议的安全性，并分析得出两个协议的计算复杂度和通信复杂度均为线性。在集合大小为4 096时，提出的两个协议的在线运行时间分别为0.81 s和1.81 s，而先前的工作则需要5 627 s，所以两个协议均是高效的。

• 基于集中注意力接受场网络的偏振成像伪装目标检测

  徐国明,陈奇志,刘綦,马健,王峰,

  针对伪装物体分割中图像识别鲁棒性较差、模型泛化性不强的问题，受神经科学中人类视觉系统接受场结构的启发，提出一种基于集中注意力接受场网络的偏振成像伪装目标检测方法。根据偏振成像目标探测需要，构建了能有效遏制背景噪声以及获取目标细节特征的偏振成像数据集。该方法基于识别与定位网络框架，通过改进特征提取模块和解码器模块，该模块利用了偏心度和感受野大小之间的关系，涵盖多尺度的目标信息，可以有效提高伪装目标特征的可分辨性和鲁棒性。实验验证利用自建数据集在多个典型目标上进行，并与经典算法进行分割结果的主观视觉与客观评价指标对比，对比实验结果验证了该方法的有效性。

• 融合双目信息的队列姿态检测

  赵继发,王呈,荣英佼,

  为实现队列姿态动作的准确评估，针对训练场景中踢腿高度等三维人体姿态特征难以准确测量的问题，提出融合双目信息的队列三维姿态特征检测方法。方法分为2D姿态估计和双目立体匹配两个阶段。为提高2D人体姿态检测精度，设计基于改进HRNet网络的2D姿态估计模型。首先，在主干网络引入空间通道注意力，增强特征提取能力。特征融合层采用自适应空间特征融合模块，融合网络多尺度特征。其次，采用无偏数据处理方法进行热图编解码，减小数据统计误差。最后，在模型训练时采用由粗到细的多阶段监督方法，提高关键点的检测准确率。在2D姿态估计模型基础上，采用标准相关匹配函数实现双目立体匹配，再通过坐标变换得到三维人体姿态。实验结果表明，改进的姿态估计网络有较好的精度，在COCO数据集上精度达到77.1%，在自制的队列训练数据集上精度达到86.3%，相比原网络分别提升2.2%和3.1%。在三维人体姿态的踢腿高度实验中，该方法测得平均相对误差为2.5%，充分验证了算法的有效性。

• 基于全局频域池化的行为识别算法

  贾志超,张海超,张闯,颜蒙蒙,储金祺,颜之岳,

  目前基于3D-ConvNet的行为识别算法普遍使用全局平均池化（global average pooling，GAP）压缩特征信息，但会产生信息损失、信息冗余和网络过拟合等问题。为了解决上述问题，更好地保留卷积层提取到的高级语义信息，提出了基于全局频域池化（global frequency domain pooling，GFDP）的行为识别算法。首先，根据离散余弦变换（discrete cosine transform，DCT）看出，GAP是频域中特征分解的一种特例，从而引入更多频率分量增加特征通道间的特异性，减少信息压缩后的信息冗余；其次，为了更好地抑制过拟合问题，引入卷积层的批标准化策略，并将其拓展在以ERB（efficient residual block）-Res3D为骨架的行为识别模型的全连接层以优化数据分布；最后，将该方法在UCF101数据集上进行验证。结果表明，模型计算量为3.5 GFlops，参数量为7.4 M，最终的识别准确率在ERB-Res3D模型的基础上提升了3.9%，在原始Res3D模型基础上提升了17.4%，高效实现了更加准确的行为识别结果。

• 基于频谱特征混合Transformer的红外和可见光图像融合

  陈子昂,黄珺,樊凡,

  为了解决传统红外与可见光图像融合方法对细节与频率信息表征能力不足、融合结果存在模糊伪影的问题，提出一种基于频谱特征混合Transformer的红外和可见光图像融合算法。在Transformer的基础上，利用傅里叶变换将图像域特征映射到频域，设计了一种新的复数Transformer来提取源图像的深层频域信息，并与图像域特征进行混合，以此提高网络对细节与频率信息的表征能力。此外，在图像重建前设计了一种新的令牌替换模块，动态评估Transformer令牌的显著性后消除得分较低的令牌，防止融合图像出现伪影。在MSRS数据集上进行的定性和定量实验结果显示，与九种先进的算法相比，该算法具有较好的融合效果。