计算机应用研究杂志

计算机应用研究杂志2025年第1期

• 基于神经网络的优化算法在EDA中应用研究进展

  赵晨晖,贺珊,刘先明,郭东辉,

  为了应对芯片设计复杂度的提升，电子设计自动化工具和方法也在不断进步。然而，EDA需要协调达到最佳的功率、性能和面积，通常其不能保证最优的解决方案。EDA工具在电路设计阶段包括逻辑综合、布局布线及验证等均属于多目标、多约束的非线性规划求解过程，且为了更好解决求解中的不确定性和易于出现局域极值等难题，基于神经网络的优化算法已被集成到EDA工具的设计流程中。首先对EDA中的优化问题、多目标优化计算及基于神经网络的优化算法进行了简要概述，继而详细梳理了基于神经网络的优化算法在逻辑综合、布局布线及验证等不同设计阶段中的优化求解方法，并阐述了当前研究所面临的挑战与机遇，希望为集成电路自动化设计及相关领域研究提供参考。

• 神经架构搜索技术研究综述

  武家辉,李科研,陈丽新,张家诺,刘帅兵,逯鹏,

  神经架构搜索（NAS）的目的是为特定任务自动寻优生成高性能网络架构，从而减少架构设计对专家经验的依赖和架构设计过程中的人力资源消耗，其主要包含搜索空间、搜索策略和评估策略三个组成部分。早期NAS需要多个GPU耗时多天完成搜索，搜索耗时和计算成本高是NAS的核心问题。为帮助研究人员快速、全面地了解NAS领域，提供了一种新的视角对现有NAS工作进行梳理。首先对NAS的早期工作进行分析，并阐述了NAS的核心问题及其产生原因；然后围绕解决NAS核心问题的三类方法，即减小架构搜索范围、减少待评估架构搜索时间、减少架构评估时间，对该领域算法进行针对性分析、对比、总结；最后归纳总结该领域后续的主要研究方向。

• 基于深度学习的低光照图像增强研究综述

  孙福艳,吕准,吕宗旺,

  低光照图像增强的目的是优化在光线不足的环境中捕获的图像，提升其亮度和对比度。目前，深度学习在低光照图像增强领域已成为主要方法，因此，有必要对基于深度学习的方法进行综述。首先，将传统低光照图像增强方法进行分类，并分析与总结其优缺点。接着，重点介绍基于深度学习的方法，将其分为有监督和无监督两大类，分别总结其优缺点，随后总结应用在深度学习下的损失函数。其次，对常用的数据集和评价指标进行简要总结，使用信息熵对传统方法进行量化比较，采用峰值信噪比和结构相似性对基于深度学习的方法进行客观评价。最后，总结目前方法存在的不足，并对未来的研究方向进行展望。

• 基于智能合约的编码级视频安全存证方案

  郭冉,王奎,徐衍胜,张守军,潘晓刚,佟雨镪,王京,何云华,焦泽政,

  H.264/H.265视频压缩技术推动了短视频应用行业的蓬勃发展，但与此同时，视频安全与版权纠纷问题也日益凸显。现有的版权存证方法存在版权验证方信任缺失、验证流程不透明、视频溯源困难等问题。针对这些问题，提出了一种基于智能合约的编码级视频安全存证方案。利用H.264/H.265编码特性设计版权信息嵌入方法，将版权所有者信息作为水印在视频编码时嵌入。在保证水印鲁棒性和安全性的同时，减少嵌入信息对视频质量的影响；同时借助区块链和智能合约技术，规范身份存证、版权验证和纠纷处理等流程，增强流程执行的可信度和透明性。实验结果表明，在进行视频版权存证时采用的相似度对比算法的F1分数相比现有的最优方案增长了大约2%，证明其性能的优越性；另一组实验证实了智能合约的开销处于合理水平，确保其在实际应用中的可行性。

• RPC-Chain:基于信誉机制与受控PRE的众包模型链

  董文浩,朱晓军,王龙,杨倩倩,

  为解决众包面临的信任问题、不对称贡献与收益关系以及数据安全性共享等挑战，提出一种基于信誉模型与受控代理重加密（PRE）的众包模型链，即RPC-Chain。RPC-Chain基于超级账本Fabric，将众包模型的交易流程抽象化。首先，完善信誉机制提高系统整体的效率与公平；其次，引入受控代理重加密以确保数据安全共享服务；最后，使用Fabric搭建众包区块链仿真平台并进行了相关测试。实验表明，该方案在模型设计、数据安全加密共享和信誉模型的激励效果等方面显示出一定优势。

• 融合节点属性的局部多重社区发现算法

  陈李舟,冯俊又,徐煊翔,刘先博,杜彦辉,

  局部多重社区发现是社交网络分析中的关键技术，旨在揭示网络中用户的多重归属和复杂联系。针对现有局部多重社区发现算法大多基于网络拓扑结构，忽视节点属性信息的问题，提出了融合节点属性的局部多重社区发现算法（MLCDINA）。该算法将属性网络的结构和属性信息相结合为节点对之间的边权重，并通过随机游走评估节点间结构和属性的融合重要性（IISA）。此外，该算法引入了考虑边权重的局部聚类系数和亲密度随机游走（IRW），以增强对子图稠密性和IISA的评估。实验结果表明，MLCDINA在真实属性网络上的Jaccard F1-score较现有算法有显著提升，验证了其在局部多重社区发现任务中的有效性。

• 基于改进标签传播算法的舆情社交网络社区发现

  钱晓东,王卓,

  通过改进的标签传播算法研究了舆情社交网络中的社交主题发现。针对传统算法容易陷入局部最优的问题，依据节点间相似度选择标签传播时的邻居节点；针对传统算法标签更新时的随机性问题，通过结合舆论动力学模型HK的观点交互过程，依据节点影响力的大小更新标签。实验结果表明，该方法在最好情况下（k=0.9）相较于原算法，在稳定性和模块度指标两方面分别提高了31%和78%，并且优于其他几种改进算法。由此可见，该算法相较于原算法及其他改进算法在舆情社交网络的主题社区发现中表现更好。

• 独立级联模型下基于时效性的负影响力源定位方法

  严杰,陈崚,刘维,李斌,

  在当今快速发展的社交网络中，有害信息的传播对社会稳定构成威胁，识别和定位有害消息源对于控制舆论至关重要。在社交网络的实际传播中，有害信息的可信度在传播中会随着时间的推移而衰减，不考虑这一因素会导致传播源定位的准确性降低。针对该问题，提出了一种独立级联模型下基于时效性的传播源定位方法。在定义了节点激活概率衰减系数的基础上，通过Bayes模型计算出节点被感染的后验概率；然后通过随机游走计算所有节点影响力，选取影响力大于阈值的节点加入候选源集合。最后，比较候选源集合节点的感染时间与其到观测节点的距离来选取k个源节点集合。在真实和合成网络上的实验结果表明，该方法能够准确识别多个传播源，源定位结果的精确度高于其他类似算法。

• 单样本条件下邻域选择聚合零次知识图谱链接预测方法

  李猛,董红斌,

  为了解决支持样本有限条件下零次知识图谱链接预测模型性能下降的问题，提出了一种单样本条件下邻域选择聚合零次知识图谱链接预测方法（NSALP）。该方法主要由特征提取器、生成器、判别器三个模块实现。借鉴图同构网络的思想对特征提取器模块进行改进，在聚合头尾邻域时为每个邻域节点分配一个可学习的参数，进而过滤无关特征，凸显有效特征；以头节点嵌入与关系文本描述的组合作为生成器学习过程的引导，使生成器生成的新组合特征更加接近真实的知识三元组结构特征。在NELL-ZS和Wiki-ZS两个零次知识图谱数据集上，所提模型的性能对比基线模型分别提升了2.5和0.7百分点。在NELL-ZS进行的消融实验中，所提extractor+和generator+模块的性能表现均优于未做改进的模型，佐证了改进方法的有效性。

• 融合Bi-LSTM与多头注意力的分层强化学习推理方法

  李卫军,刘世侠,刘雪洋,丁建平,苏易礌,王子怡,

  知识推理作为知识图谱补全中一项重要任务，受到了学术界的广泛关注。针对知识推理可解释性差、不能利用隐藏语义信息和奖励稀疏的问题提出了一种融合Bi-LSTM与多头注意力机制的分层强化学习方法。将知识图谱通过谱聚类分簇，使智能体分别在簇与实体间进行推理，利用Bi-LSTM与多头注意力机制融合模块对智能体的历史信息进行处理，可以更有效地发现和利用知识图谱隐藏的语义信息。Hight智能体通过分层策略网络选择目标实体所在的簇，指导Low智能体进行实体间的推理。利用强化学习智能体可以有效地解决可解释性差的问题，并通过相互奖励机制对两个智能体的动作选择以及搜索路径给予奖励，以解决智能体奖励稀疏的问题。在FB15K-237、WN18RR、NELL-995三个公开数据集上的实验结果表明，提出的方法能够捕捉序列数据中的长期依赖关系对长路径进行推理，并且在推理任务中的性能优于同类方法。

• 基于融合奖励的神经协同过滤去曝光偏差推荐模型

  李鹏,李晓珊,朱心如,

  推荐系统中因交互数据稀疏性和曝光不均导致的强曝光偏差，会集中推荐高曝光物品，忽略低曝光物品的潜在价值，从而限制用户选择并降低用户体验。为解决这一问题，提出一种结合神经协同过滤和线性置信上界算法的去曝光偏差模型。首先，通过分析用户与物品之间的交互数据，利用神经协同过滤算法学习用户和物品的特征，捕捉其潜在偏好；其次，引入线性置信上界算法，并将其生成的奖励值特征嵌入到神经协同过滤模型中，以增强模型对低曝光物品的探索能力；最后，在MovieLens-100K和MovieLens-1M数据集上进行实验，结果显示，与传统的神经协同过滤模型相比，该模型的曝光度提升了约60%，说明其能够有效地缓解曝光偏差，并提高推荐的准确性和公平性，进一步验证了该模型的有效性。

• 知识点表征强化的知识追踪模型

  张凯,张慧玲,王泽琛,王雪,方洋洋,

  知识追踪模型主要使用监督学习范式建模给定题目信息条件下的作答结果概率分布，无法根据新的题目信息即时调整模型，最终影响了预测效果。针对这一问题，融合强化学习范式，提出知识点表征强化的知识追踪模型，主要包括基础网络、价值网络和策略网络三个部分。基础网络建模题目与知识点表征，价值网络计算题目价值及时间差分误差，策略网络优化预测结果。通过五个基线模型在三个数据集上的实验表明，该模型在AUC和ACC上表现优异，特别是在ASSISTments2009数据集上，AUC提升6.83%~14.34%，ACC提升11.39%~19.74%。进一步地，该模型表示质量较基线模型提高2.59%，还通过消融实验验证了强化学习框架的有效性。最后，将所提模型应用于三门真实课程的学习行为数据以预测学习者的表现，与基线模型的对比结果说明了所提模型在实际场景中的可用性。

• 基于双子图和注意力机制的知识图谱补全方法

  周粤,范永胜,桑彬彬,周岩,

  针对现有的知识图谱补全方法捕获知识图谱结构信息能力不足的问题，提出了一种基于双子图和注意力机制以获取全局结构信息完成知识图谱自动补全的模型。该模型首先分别构建以实体和关系为中心的双子图，来分别捕获实体邻域信息和关系结构的潜在有用信息，并将双子图形成的信息输入到编码器中以更好地更新实体和关系结构信息；然后，利用注意力机制自适应地学习更新后实体和关系之间的重要交互特征；最后，将包含全局结构信息的特征向量输入到解码器中，通过一个评分函数，对输入的特征边进行打分预测，最终使用预测结果来完成知识图谱补全任务。与基线方法的性能相比，该方法在FB15K-237和NELL995数据集上的MRR和hits@10评测指标分别取得了5.1、8.8和3.4、2.2百分点的显著提升，同时在WN18RR数据集上，这两个指标也分别提高了0.1和1.9百分点。实验结果表明，所建立模型采用的结构能有效捕获知识图谱全局结构信息，进而显著增强模型的表达能力和预测性能。

• 基于自适应融合技术的多模态实体对齐模型

  任楚岚,于振坤,关超,井立志,

  多模态实体对齐旨在识别由结构三元组和与实体相关的图像组成的不同的多模态知识图谱之间的等价实体。现有的多模态实体对齐的研究主要集中在多模态融合策略，忽略了模态缺失和不同模态难以融合的问题，未能充分利用多模态信息。为了解决上述问题，提出了MACEA模型，该模型使用多模态变分自编码方法主动补全缺失的模态信息，动态模态融合方法整合不同模态的信息并相互补充，模态间对比学习方法对模态间进行建模，这些方法有效解决了模态缺失与模态难以融合的问题。相比于当前基线模型，MACEA的hits@1和MRR指标分别提升了5.72%和6.78%，实验结果表明，该方法可以有效地识别出对齐实体对，具有较高的准确性和实用性。

• 基于互信息自适应的多模态实体对齐方法

  高永杰,党建武,张希权,郑爱国,

  多模态实体对齐是知识融合过程中的关键一步，但异构的多模态知识图谱拥有较大的结构差异性，并且其多模态信息存在不完全性，利用当前的多模态实体对齐方法无法取得较好的对齐效果。针对上述问题，提出了基于互信息自适应的多模态实体对齐方法。一方面通过设计自适应融合机制来减小模态差异以及依据模态信息的贡献程度动态分配权重，另一方面引入互信息作为附加特征来强化实体的特征表示，最后利用实体相似度计算来进行实体对齐。实验表明，在5个通用的数据集上，MAMEA相较于当前基线模型，指标hits@1最大可提升1.8%，最小可提升1.4%，指标MRR最大可提升1.4%，最小可提升0.8%，证明了该模型可有效地提升多模态实体对齐的效果。

• 神经先验增强的抗干扰鲁棒自动驾驶导航

  穆凡,刘哲,

  自动驾驶车辆广泛依赖感知系统来进行城市导航和环境理解，然而现有研究大多局限于良好的城市驾驶环境，在恶劣天气以及外部干扰下导致的传感器故障和感知失灵等严重影响现有自动驾驶系统的实际落地。为此提出了一种基于神经先验的自动驾驶信息重建算法，通过对大范围自动驾驶场景的隐式建模密集地存储场景几何先验，并基于注意力机制结合隐式神经先验进行自动驾驶感知信息的鲁棒重建，最终提出一个通用的自动驾驶导航鲁棒性增强框架。在CARLA自动驾驶模拟器仿真实验中，该算法显著提升了多个现有自动驾驶模型在外部干扰下的导航性能，使自动驾驶模型在攻击和干扰下的性能衰减率从82.74%下降到了8.84%，证明了所提方法的通用性和有效性。

• 基于BC-MAAC算法的高速入口匝道合并类人决策

  于镝,张昌文,熊双双,刘朋友,

  针对在自动驾驶复杂环境下多智能体强化学习算法决策缺乏人类表现出的智能性和奖励函数设计难度大的问题，提出基于BC-MAAC算法的高速入口匝道合并类人决策方案。将行为克隆思想与多智能体注意力动作—评价算法相融合，提出BC-MAAC算法，并且从Highway-env平台收集的多智能体专家数据中推导出专家策略，利用推导的专家策略与智能体当前策略的KL散度来塑造奖励函数，指导智能体训练过程。同时，应用动作屏蔽机制，在每一步过滤掉不安全或无效的动作，提高学习效率。两种不同交通密度场景的仿真结果表明所提算法整体性能优于基线算法，提升了车辆的通行效率和安全性。简单模式中，所提算法的成功率达到100%，平均速度和平均奖励分别至少提升0.73%和11.14%；困难模式中，所提算法的成功率达到93.40%，平均速度和平均奖励分别至少提升3.96%和12.23%。可见BC-MAAC算法通过专家奖励函数指导网联自动驾驶车辆，能够通过合作更类人的完成高速入口匝道合并任务。

• 基于相似性的个性化联邦学习模型聚合框架

  武文媗,王灿,黄静静,吴秋新,秦宇,

  传统联邦学习中经过加权聚合得到的全局模型无法应对跨客户端的数据异构的问题。现有研究通过形成个性化模型应对，但个性化模型如何平衡全局的共性信息和本地的个性信息是一个挑战。针对上述问题，提出了一种个性化联邦学习模型聚合框架FedPG（federated learning with personalized global model）。FedPG基于客户端模型的相似性，将归一化后的模型参数变化量的余弦相似度作为模型聚合的个性化权重，从而实现面向客户端的全局模型个性化聚合。通过引入平滑系数，该框架可以灵活地调整模型中共性信息和个性信息的比重。为了降低平滑系数的选择成本，进一步提出调度平滑系数的个性化联邦学习模型聚合框架FedPGS（federated learning with personalized global model and scheduled personalization） 。在实验中，FedPG和FedPGS两个框架使得FedAvg、FedProto、FedProx算法在特征分布偏移的数据集上的准确率平均提升1.20~11.50百分点，且使得模型的准确率受恶意设备的影响更小。结果表明，FedPG和FedPGS框架在数据异构和存在恶意设备干扰的情况下能有效提升模型的准确率和鲁棒性。

• 加强决策边界与自监督的在线持续学习方法

  王伟,尤可鑫,刘晓芮,

  针对在线持续学习于图像分类中既要适应新数据，又要减轻灾难性遗忘这一问题，基于重放的方法在减轻在线持续学习的灾难性遗忘方面展现出了优良性能。然而，此类方法中的大多数模型往往更倾向于学习与对象无关的解决方案，这些方案难以泛化且易于遗忘，因此，学习最能够代表类别的特征对于解决灾难性遗忘问题显得极为关键。基于此，提出加强决策边界与自监督的在线持续学习方法。首先，该方法通过加强新类之间的决策边界，帮助模型更好地进行任务的分类。其次，使用了一种融合的自监督学习方法，帮助模型更好地学习每个类的代表特征。通过与主流在线持续学习算法在公开数据集CIFAR-10和CIFAR-100上的实验对比，当内存库M为100时，该方法在CIFAR-10上的平均准确率达到了60.8%，平均遗忘率达到了15.5%。当内存库M为500时，该方法在CIFAR-100上的平均准确率达到了25.9%，平均遗忘率达到了13.7%。这一结果验证了加强决策边界与自监督的在线持续学习方法对减轻灾难性遗忘是有效的。

• 基于匹配的模型卸载边缘联邦学习方法

  顾永跟,张吕基,吴小红,陶杰,

  针对边缘计算环境下联邦学习中因资源异质性导致的“滞后者”效应等问题，提出基于匹配的模型卸载边缘联邦学习方法（Fed-MBMO）。该方法通过收集边缘设备的性能分析结果，将设备分别划分为强、弱客户端，考虑了模型训练的四个阶段时间占比，弱客户端通过冻结部分模型以节省在特征层上反向传播的时间，并将模型卸载至“强客户端”进行额外的训练，最后将强客户端模型的特征层与弱客户端的全连接层进行模型重构。为提高模型卸载效率，综合考虑模型特征层的相似度与任务完成时间构建了卸载成本矩阵，并将问题转换为迭代求解基于二部图的最优匹配问题，提出基于Kuhn-Munkres（KM）的模型卸载算法并进一步分析了Fed-MBMO算法的时间复杂度。实验结果表明，在资源与数据极端异质的情况下，该方法能够加速模型收敛，模型训练时间与FedAvg、FedUE和Aergia相比分别平均减少46.65%、12.66%、38.07%。实验结果证明了所提的Fed-MBMO算法能够有效解决“滞后者”效应问题并显著提高联邦学习效率。

• 基于回环边残差聚焦权重模型的位姿图优化算法

  冒凡,魏国亮,蔡洁,郑劲康,简单,

  基于图优化的同时定位与建图（SLAM）系统中含有大噪声的回环边，可能严重阻碍优化器迅速收敛到最优解，显著降低定位精确性和地图一致性。因此，针对大噪声回环边的优化算法的鲁棒性至关重要。引入K-means聚类思想，对回环边残差值进行分类，进而建立了一种新的残差阈值模型，自适应调整回环边在优化时的权重，减少回环边对优化的影响；然后，基于迭代重加权最小二乘的思想形成了RW-RLSPGO 算法（residual weighted enhancement for recursive least squares pose graph optimization algorithm，RW-RLSPGO）；最后，在模拟和真实的PGO数据集上进行蒙特卡罗实验。实验结果表明，RW-RLSPGO算法在准确性和鲁棒性方面都取得了显著的提高，验证了其在大噪声环境下的有效性。

• 面向类不平衡和重叠的工控数据异常检测的半监督欠采样方法

  顾兆军,扬雪影,隋翯,张一诺,

  工业控制系统异常检测面临着数据缺乏标签信息、类不平衡和类重叠的耦合问题，导致现有的分类器难以精准检测异常数据。现有的数据级采样方法在打伪标签、数据平衡或检测重叠区域时存在着打伪标签结果不准确、采样效果稳定性差以及重叠识别率低等问题。为此，提出一种基于半监督学习的欠采样方法（SSLU-LP）。该方法通过异构集成将标签传播机制和单类分类器结合，补充数据伪标签；利用最小生成树策略构建重叠区域检测模型；采用欠采样策略，通过最近邻搜索有选择性地去除部分多数类样本。最后该方法与四种经典分类器结合，在九个工控数据集上与九种混合算法进行比较。实验结果表明，所提方法可以精准地为无标签数据打伪标签，高效且有效检测出不平衡数据集中的重叠数据，改善了分类器的训练效果，提高了分类器的异常检测性能。

• 基于Ollivier-Ricci曲率的图扩散节点分类算法

  孙宁,李胤萱,张帅,汤璇,魏宪,

  为解决图扩散方法在处理复杂边关系时精度降低的局限性，提出了一种基于曲率的图扩散神经网络。首先，引入Ollivier-Ricci曲率量化图的边曲率，提供关于图结构的几何度量；其次，运用曲率调整随机转移矩阵的权重，根据几何关系进行相应的权重修改；最后，将处理后的曲率矩阵与图扩散矩阵结合，更新权重系数进行模型训练。实验结果表明，与传统的图扩散方法相比，改良后的方法保持了有效地平滑图信号和减少高频噪声的优点，并在不同边和节点数量的数据集上将精度提高0.3~2.0百分点。该方法通过优化图扩散的消息聚合，能够更有效地利用图结构中的节点信息和边权重，从而提升节点分类任务中的模型性能，为未来基于图方法的研究提供了更可靠的方法与实验。

• 交通流优化膨胀控制遗传规划算法

  胡晓敏,段宇晖,欧炜标,黄佳玟,林晓漫,李敏,

  针对遗传规划（GP）算法在大规模动态交通流分配中训练超启发式策略时，算法迭代次数的增加而个体平均大小不断膨胀的问题，提出应用不同GP控制膨胀方法来限制种群中大尺寸个体的遗传，让算法能够在训练过程中找到更小且性能更优的超启发式策略。考虑到超启发式策略在如网格式、环形放射式、自由式的不同结构路网上可能存在性能差异，会影响算法在训练过程中对个体的选择，采用不同结构的路网训练出超启发式策略以进行分析比较。训练后的超启发式策略在不同规模和车流量的大城市路网上进行模拟测试。结论是基于双锦标赛的膨胀控制方法对不同结构路网的效果最优，得到的GP算法对比现有调度方法能获得路网整体更短的平均旅行时间，更精简有效的超启发式策略，提高决策效率。

• 城市居民区回收箱布局和调度双层规划模型及优化算法

  郭谦,刘勇,马良,

  针对城市居民区回收箱布局规划和路径优化问题，首先构建居民区回收箱数量与人口、回收频率、回收阈值的线性函数，并构建双层优化模型，回收总利润最大化作为上层目标，运输成本最小化作为下层目标。其次，为求解具有NP-hard特征的新模型，设计加入团体学习算子和自适应选择策略的人类学习优化算法，并与禁忌搜索算法嵌套构建混合人类学习算法（hybrid human learning optimization algorithm，HHLO）。再次，采用不同规模算例，并将新算法与基本人类学习算法、遗传算法、自适应粒子群算法、红嘴蓝鹊算法进行对比分析，验证了模型的可行性和算法的有效性。最后，通过上海杨浦区某实例进行灵敏度分析，探讨回收箱容量、分时定价策略和分区定价策略对回收中心总利润与居民满意度的影响。

• 增强型霜冰优化算法的复杂环境下机器人路径规划

  谢灿坤,于丽娅,张涛,任文杰,莫代贵,

  针对原始霜冰优化算法（RIME）在移动机器人路径规划问题中存在易陷入局部最优和收敛速度慢等问题，提出一种增强型霜冰优化算法（ERIME）用于对复杂环境下移动机器人进行路径规划。首先，采用基于sine混沌映射的透镜成像种群选择策略对种群初始化阶段进行增强以增加种群多样性，使算法更好地进行探索和开发；其次，使用随机因子控制的最值搜索策略和质心中点引导的开发机制对算法的探索和开发阶段进行改进，增强算法跳出局部最优解的能力，更好地探索全局最优解，并加快算法的收敛速度；此外，建立ERIME算法的Markov链模型，证明了算法的全局收敛性。为验证ERIME的有效性，对该算法采用CEC2017测试集进行验证，并与其他知名的元启发式算法进行比较，结果表明该算法具有良好的性能。最后，将其应用于复杂环境下的移动机器人路径规划问题中，实验结果表明，ERIME可以高效地为机器人进行路径规划，且可以找到一个非常优质的路径。

• 决策学习型蜣螂优化算法的无人机协同路径规划

  张乐,胡毅文,杨红,杨超,马宏远,

  针对多无人机协同路径规划问题，提出了一种决策学习型蜣螂优化算法（DLDBO）。传统蜣螂优化算法（DBO）种群之间缺乏信息互换，容易陷入局部最优解。因此，利用Pearson相关系数计算个体之间的相似性，通过相似性指标判断并作出决策：若不相似，利用折射反向学习计算得到候选解，在一定程度上提高个体之间影响的同时增强算法跳出局部最优的能力；若相似，利用所提出的链式邻近学习引导蜣螂个体，增加影响个体更新的因素，充分促进个体之间的信息交流。在CEC2017测试套件的29个测试函数上进行了充分的对比实验，结果表明，DLDBO性能明显优于其他六种先进的变体算法。利用DLDBO规划无人机群的飞行路径，最终能够得到较为理想的协同路径并且有效避开威胁，优于其余三种优秀的协同路径规划算法，满足了无人机协同飞行的需求。

• 求解外卖配送问题的深度强化学习算法

  张旭阳,刘勇,马良,

  以最小化骑手费用效益比为优化目标，采用最小比率旅行商问题对外卖配送问题进行建模。针对目前算法在求解该问题时计算精度低、算法稳定性差等问题，设计一种基于深度强化学习的DRL-MFA算法。首先，定义外卖配送问题的马尔可夫决策模型来模拟智能体与环境的交互过程；其次，在编码阶段设计多特征聚合嵌入子层，实现特征间的优势互补并提高模型对非线性问题的建模能力；最后，在解码阶段通过注意力机制和指针网络计算解的概率分布，采用策略梯度算法对网络模型进行训练。通过经典算例和长春市仿真案例的相关实验分析，结果表明该算法能够有效地求解外卖配送问题，且与其他启发式算法相比，具有更高的稳定性和求解精度。此外，进行参数灵敏度实验，考虑不同定价策略对外卖配送的影响，使研究结果更具现实意义。

• 基于语义理解增强的数学应用题机器解答方法

  菅朋朋,闫鸣,王彦丽,

  针对现有数学应用题机器解答方法不能自适应理解语义多变的问题文本、求解精度提升受限，提出基于语义理解增强的机器解答方法。首先，设计语义增强的预训练语言模型SeBERT，通过多粒度知识建模策略和连续语义融入策略以实现对题目的精确理解；其次，构建求解模型SeBERT-PT，其采用语言模型-池化-树的求解结构，有效改善了应用题的语义理解偏差并且提高了解题的精确度；最后，引入基于置信度的判断机制，对于不值得信任的预测直接判定求解失败，确保解答精度的同时，提升求解模型训练效率。实验结果表明，该方法在中文和英文数据集上的解题精度分别达到了85.7%和77.9%，均优于其他基线方法，特别是在涉及复杂语义理解和逻辑推理的题目上，表现尤为突出。证明了该方法在提升数学应用题解答精度方面的有效性，也展示了其在跨语言环境下的广泛适用性。

• 低修复成本的局部混合修复阵列码模型

  王宇恒,熊攀,唐聃,蔡红亮,

  具有局部修复性质的水平阵列码将编码矩阵进行分区管理，降低磁盘发生故障时需要读取的数据总量并提升修复效率，但仍存在修复时读写负载集中于单个磁盘的问题。针对局部水平阵列码磁盘读写不均和单双盘修复效率有待提升的问题，结合水平阵列码和垂直阵列码的特点，对其进行局部冗余改造，提出一种具有局部修复性质的混合式阵列码修复模型——LHRC。LHRC根据垂直阵列码的思想将局部水平阵列码的对角校验列迁移至矩阵的中间行，加深数据块与校验块之间的联系，分散读写负载至其他磁盘并减少参与修复的数据总量。通过理论分析，LHRC具有良好的编译码复杂度，改善了磁盘修复时读写不均匀的问题并减少单双盘故障时需要读取的数据总量，提升了三盘故障的修复成功率。实验结果表明LHRC与RDP、LRRDP、DRDP相比，LHRC可将单盘故障修复时间节省3.92%~29.91%、双盘故障修复时间节省7.79%~30.64%。

• 基于MIX-MAPPO算法的多无人机编队控制

  康家境,吴杰宏,

  单一无人机无法有效处理复杂的多任务场景，而无人机编队解决这方面问题具有显著优势。为了满足多任务场景和面向任务的编队聚集以及运行中编队队形保持的需求，设计了一种基于门格海绵分形的无人机编队模型。同时，采用多智能体近端策略优化算法（MAPPO）、近端策略优化算法（PPO）和注意力机制来训练编队控制策略，简化无人机编队模型的建立，根据无人机对其他无人机的关注为所有输入分配权重，增强其在动态环境中的适应性。针对MAPPO算法收敛速度慢和对多个智能体适应性有限的问题，提出了一种基于门格海绵分形结构的MIX-MAPPO算法。实验结果表明，与DDPG、PPO、MADDPG和MAPPO等算法相比，该方法不但成功地实现了稳定的编队，而且具有明显更快的收敛速度和更高的奖励值，说明了MIX-MAPPO算法在编队集群控制领域的优越性。

• 基于跨模态特征重构与解耦网络的多模态抑郁症检测方法

  赵小明,谌自强,张石清,

  抑郁症是一种广泛而严重的心理健康障碍，需要早期检测以便进行有效的干预。因为跨模态之间存在的信息冗余和模态间的异质性，集成音频和文本模态的自动化抑郁症检测是一个具有挑战性但重要的问题，先前的研究通常未能充分地明确学习音频-文本模态的相互作用以用于抑郁症检测。为了解决这些问题，提出了基于跨模态特征重构与解耦网络的多模态抑郁症检测方法（CFRDN）。该方法以文本作为核心模态，引导模型重构音频特征用于跨模态特征解耦任务。该框架旨在从文本引导重构的音频特征中解离共享和私有特征，以供后续的多模态融合使用。在DAIC-WoZ和E-DAIC数据集上进行了充分的实验，结果显示所提方法在多模态抑郁症检测任务上优于现有技术。

• 激励相容理论下再制造绿色供应链网络模糊优化

  王振,叶春明,郭健全,

  为探讨政府干预在供应链回收网络中的作用，基于激励相容理论，建立以最低总成本、最少碳排放和最大大数据投资回报为目标的多周期多目标优化模型，采用多目标三角模糊数和改进混合算法进行求解。结果表明：改进混合算法在处理回收网络多周期多目标方面具有较强的求解能力；政府政策能弥补制造业减排能力弱的问题。结论如下：制造业企业运用人工智能技术回收再制造能够提升竞争力；政府引导能够帮助企业实现产业升级。

• 基于互相关和旋转约束的视觉惯性里程计在线时间校准算法

  蒙军杰,熊军林,

  在融合相机和惯性测量单元（IMU）的数据推测机器人的运动轨迹时，传感器测量记录的时间点对用于估计轨迹的视觉惯性里程计（VIO）的鲁棒性和准确性至关重要。然而，由于传感器数据到达接收端的延迟存在差异，图像数据流和IMU数据流之间通常存在不可避免的时间偏置，为此提出了一种基于互相关和旋转对齐的视觉惯性里程计在线时间校准的算法。首先使用对极几何和预积分算法分别得到相机和IMU各自的相对位姿，并计算出相机的角速度；然后根据相机与IMU的角速度进行互相关计算，得到初步的时间偏置估计；最后利用相机和IMU相对位姿进行旋转约束，通过优化误差函数得到更精确的相对时间偏置估计，该时间偏置值随后用于平移传感器的时间轴以进行校准。实验表明，该算法能够减缓时间偏置对里程计精度带来的影响，并使得VIO能够在具有更大时间偏置范围的数据流下稳定运行。

• 基于视角统一的手姿态估计优化方法

  曹忠锐,谢文军,王冬,钮立超,王婷玉,刘晓平,

  从深度图像中准确估计手的三维姿态是计算机视觉领域的重要任务。然而，由于手的自遮挡和关节自相似性，使得手姿态估计任务极具挑战性。为了克服这些困难，考察了深度图像采样视角对于估计精度的影响，提出了一种基于视角统一（UVP）的网络。该网络旨在将输入的深度图像重采样为更易于估计的“正面”视角，而后通过原始视角下的特征提高关节估计精度。首先，提出了视角转换模块，实现对输入的单张深度图像的视角旋转，提供作为补充的第二视角；然后，提出了视角统一损失函数，确保转换后的第二视角为“正面”视角，最大程度规避自遮挡问题；最后，通过改变卷积组合结构、降低网络深度等网络轻量化手段，进一步优化方法的性能。通过在三个公开的手姿态数据集（包括ICVL、NYU和MSRA）上进行实验，所提方法分别取得了4.92 mm、7.43 mm和7.02 mm的平均关节位置误差，且在搭载RTX3070的计算机上能以159.39 frame/s的速度运行。可见，转换深度图的采样视角，并融合双视角下的特征有利于提高手部姿态估计的精度。同时，所提方法具备自适应性，并表现出优秀的泛化能力，可以推广到大多数基于单深度图像的手部姿态估计模型，为深度学习在三维手姿态估计中的应用提供了有力支持。

• 单目RGB穿衣人体的手部精细化重建

  张冀,任志鹏,张荣华,苑朝,翟永杰,余正秦,

  为解决单目穿衣人体在复杂姿态下手部形状重建存在遮挡和缺失的失真问题，提出了一种结合ECON与MANO手部模型，实现高效穿衣人体的手部精细化重建方法H-ECON（hand-focused explicit clothed humans obtained from normals）。具体而言，该方法首先以类型无关的手部检测器聚焦手部区域并进行翻转和裁剪；然后，引入注意力机制用于增强对手部区域的感知能力，空洞螺旋卷积则更好地捕捉手部不同尺度的特征；最后，独特的融合模块确保了手部重建与整身模型的融合效果。在FreiHAND和HanCo公开数据集上与其他方法的定量定性对比结果表明了H-ECON的有效性，其独立手部模块明显优于ECON中的替代手部模块。H-ECON实现了对人体手部几何和姿态变化的精确描述，进一步缩小了2D图像生成到3D人体网格之间的差距。

• 无人机边缘计算系统任务卸载的URLLC安全设计

  钟冬梅,崔苗,张广驰,

  旨在解决无人机移动边缘计算（MEC）系统中任务卸载的物理层安全问题。在该系统中，多个地面用户将计算任务卸载给一架配备MEC服务器的无人机，一个地面窃听者尝试窃取用户向无人机卸载的任务信息。为保证任务卸载的可靠性和低时延，卸载通信使用超可靠低时延通信（URLLC）技术。通过联合优化无人机的部署位置、用户的卸载链路带宽、用户本地计算和无人机计算的中央处理器（central processing unit，CPU）频率来最大化用户的最小安全计算量。为了解决该问题，首先采用块坐标下降法将问题分解为仅优化无人机的位置和计算时延，以及仅优化无人机和用户的CPU频率和用户卸载带宽两个子问题；然后利用对数函数近似的方法对卸载带宽的速率表达式进行化简，利用连续凸逼近法将非凸的子问题变成可解的凸优化问题；最后交替求解这两个子问题直至目标函数值收敛。仿真结果表明，与现有基准方案相比，所提算法能够有效提高系统的安全计算量。这证明了所提方法的必要性，为实现安全通信和计算平衡提供了解决方案。

• 融合网络中基于带宽感知的资源协同调度算法

  赵季红,宁丽娟,马健,李倩雯,

  针对融合网络中协同视角不足的问题，以及5G和6G网络带宽密集型应用对带宽需求增长的趋势，提出了一种基于带宽感知的资源协同调度方法（bandwidth aware SFC mapping algorithm，BASA）。通过动态感知链路带宽和节点计算能力，获取节点映射策略，然后以带宽、距离为顺序考虑因素，根据节点映射策略协同选择最佳链路映射策略。算法确保了节点与链路映射策略的协同一致性，提高了网络的QoS。实验表明，该方法具有较好的SFC映射准确性和效率，在SFC映射成功率、带宽利用率等方面优于对比算法，算法带宽利用率平均可达75%以上。

• 基于距离预测与多准则决策的水声网络分层路由协议

  张振儒,杜秀娟,田晓静,李冲,韩多亮,

  水下传感器节点随水流移动，导致网络拓扑高度动态，这给水声无线传感器网络路由协议带来了挑战。为了解决水下传感器节点移动和能量受限给传统路由协议带来的挑战问题，提出了基于距离预测与多准则决策的水声网络分层路由协议。在预测节点间的距离预测阶段，该协议提出基于改进灰色预测模型的灰色马尔可夫节点间距离预测模型，并根据该模型预测结果给出了有效邻居节点确定规则；此外，提出基于多准则决策的灰色关联分析模型来计算邻居节点的灰色关联度，选择灰色关联度最高的邻居节点作为最佳下一跳。通过NS3网络仿真模拟器进行了大量的仿真实验。结果表明，基于距离预测与多准则决策的水声网络分层路由协议在提高数据交付率、降低端到端延时和能耗等方面较LEER、DBR、VBF、LR-NMP和IATLR协议具较大的优势。

• 基于跨域因果图的FCC分馏系统攻击故障辨识方法

  杨晓雨,周纯杰,杜鑫,

  针对催化裂化（fluid catalytic cracking，FCC）分馏系统在网络攻击和系统故障具有相似特征情况下难以辨识的问题，提出了一种基于跨域因果图的攻击故障辨识方法。首先，将数据驱动和拓扑知识融合以构建跨域因果图，涵盖物理层和信息层的变量节点和设备节点；其次，结合多源异常证据集，设计了基于弗洛伊德的异常因果传播路径搜索算法，得到异常节点间的因果传播路径；最后根据必经点约束、单点异常约束、必经点最大数量约束等条件，结合异常发生时间，得到异常传播路径的最小树型图，根据根节点位置判断系统异常类型。该方法在FCC分馏仿真系统上验证了有效性，结果表明其辨识准确率为94.84%，对正常工况、故障工况和攻击工况的检测召回率分别为97.11%、93.25%、95.30%，相比同类方案，该方法不仅解决了相似特征带来的辨识难题，还能在保证较高的辨识准确率的同时，给出异常传播路径，为安全防护提供报警信息。

• 基于Alt-Geohash编码的k-匿名位置隐私保护方案

  李晶,刘苛,张磊,

  在对享受基于位置服务（LBS）用户进行位置隐私保护时，传统k-匿名技术在执行匿名操作时没有全面考虑时间开销和位置背景信息。针对上述问题，提出了一种基于Alt-Geohash编码的k-匿名位置隐私保护方案（k-anonymous location privacy protection scheme based on Alt-Geohash coding，KLPPS-AGC）。首先，通过位置泛化和Alt-Geohash编码技术实现对历史数据的快速检索；其次，根据历史查询概率筛选出能与用户构建高位置熵的位置；再次，利用海伦公式改善匿名集的位置分散度；最后，构建安全匿名集实现对用户的位置隐私保护。实验证明，该方案拥有较低的时间开销和较高的隐私性。

• 适用于智能医疗的匿名基于身份的认证密钥协商协议

  倪亮,刘笑颜,谷兵珂,张亚伟,周恒昇,王念平,

  在智能医疗场景中，病人需佩戴各种传感医疗设备，传感医疗设备会在检测过程中收集病人的心率、呼吸频率、脉搏等生理和医疗信息，并将这些医疗信息传输到云服务器，但日益增长的数据量在传输过程中必会带来额外的通信开销和传输时延，若发生数据窃取和窜改，将会造成难以控制的后果。除此之外，近年来量子计算技术飞速发展，基于经典公钥密码体系的公共网络基础设施的安全性面临巨大挑战，保障量子安全已具有现实意义。由此，提出了一个能够抵抗量子计算攻击并适用于智能医疗的基于身份认证密钥协商协议，避免部署公钥基础设施（public key infrastructure，PKI），并证明其在改进的ID-BJM模型下是安全的，其安全性可以归约到环上带误差学习（ring learning with errors，RLWE）问题的难解性。所提协议通过两轮信息交互实现了隐式认证，且可保护自身设备的身份信息，并可抵抗信号泄露攻击，保证在数据传输过程中的安全性，与其他相关的格上基于身份认证密钥协商协议方案相比，在安全性或执行效率方面更具优势。

• 一种基于旋转-平移解耦优化的在线稠密重建算法

  郭帆,吕泽均,张严辞,

  为了解决传统算法中由旋转和平移耦合优化引起的相互干扰以及量纲差异问题，提出了一种基于旋转-平移解耦优化的稠密重建算法。该算法将相机位姿空间拆分成旋转和平移两个独立子空间，并在子空间内独立地搜索两分量的优质解。在每次迭代中，该算法针对旋转和平移的当前估计值设置搜索邻域，并在搜索邻域内采样候选解，通过评估选出最优解以更新估计值。迭代该过程，直到满足结束条件。实验结果显示，该算法有效地减少了旋转与平移优化过程中的相互干扰，从而提高了优化的效率和精度。这证明了在稠密重建中相机位姿估计环节，该算法设计具有一定优势。

• 小数据集上基于语义的局部注意视觉Transformer方法

  冯欣,王俊杰,钟声,方婷婷,

  在小数据集上从零开始训练时，视觉Transformer无法与同规模的卷积神经网络媲美。基于图像的局部注意力方法，可以显著提高ViT的数据效率，但是会丢失距离较远但相关的补丁之间的信息。为了解决上述问题，提出一种双向并行局部注意力视觉Transformer的方法。该方法首先在特征层面上对补丁进行分组，在组内执行局部注意力，以利用特征空间中补丁之间的关系弥补信息丢失。其次，为了有效融合补丁之间的信息，将基于语义的局部注意力和基于图像的局部注意力并行结合起来，通过双向自适应学习来增强ViT模型在小数据上的性能。实验结果表明，该方法在计算量为15.2 GFLOPs和参数量为57.2 M的情况下，分别在CIFAR-10和CIFAR-100数据集上实现了97.93%和85.80%的准确性。相比于其他方法，双向并行局部注意力视觉Transformer在增强局部引导能力的同时，保持了局部注意力所需属性的有效性。