计算机应用研究杂志

计算机应用研究杂志2025年第2期

• 视觉即时定位与建图算法综述

  王华龙,陈彦泽,刘志成,马兴录,

  视觉即时定位与建图（visual simultaneous localization and mapping，VSLAM）技术利用视觉传感器分析图像信息，使机器人在未知环境中实现自主定位和实时三维地图构建，是机器人导航和自动驾驶等任务的关键。为了给研究人员提供有价值的参考，梳理了VSLAM的研究现状和最新进展。首先，深入探讨了机器人视觉SLAM算法，根据不同的传感器类型，概述了六种主流的视觉SLAM算法。对这些算法的基本原理进行系统分析，并对其中的经典算法进行了精炼总结。进一步地，将视觉SLAM算法分类为基于特征、基于直接法和基于学习的算法三大类，并详细探讨了各自的优缺点。最后，展望了视觉SLAM技术未来的发展方向，重点关注了深度学习、多传感器融合及实时性能优化等关键研究领域。

• 公钥加密方案随机性失败研究综述

  王克,江浩东,谢惠琴,郝子迅,

  随机性对公钥加密方案的安全性至关重要，如果随机性不满足要求，那么方案就可能面临安全威胁。基于格的公钥加密方案有望成为未来主流的加密技术，但是由于格密码方案本身的复杂性和新颖性，目前对基于格的公钥加密方案的随机性失败分析缺乏系统和深入的研究。首先梳理传统公钥加密方案随机性失败的刻画以及应对措施；然后深入分析基于格的公钥加密方案的随机性失败的原因和机制；最后与签名方案的随机性失败进行比较，揭示了随机性在公钥加密中的重要作用和关键地位。填补了基于格的公钥加密方案在随机性失败方面的研究空白，并为解决基于格的公钥加密方案的随机性失败提供启发，提升方案的安全性和可靠性。

• 基于通信延迟聚类和节点信誉的PBFT共识算法

  石亦燃,邓小鸿,张丽,刘力汇,刘勇,

  针对现有基于分组策略的拜占庭容错共识算法中存在的主节点不稳定、延迟高等问题，提出一种基于通信延迟聚类和节点信誉的PBFT共识算法（CD-PBFT）。首先，设计了新的基于通信延迟的聚类算法对网络中节点进行分组，将通信延迟融合进欧氏距离公式，让系统中的节点根据混合距离进行聚类，最终使各个集群中延迟之和达到最低，减少通信开销，提升共识效率；其次，提出了基于综合评价的信誉模型，综合考虑节点延迟指数、共识行为和历史信誉，对节点进行信誉评估，依据节点行为和延迟差异进行信誉奖惩；最后，优化主节点选取方式，建立了一种基于节点稳定性和信誉模型的主节点选择机制，通过信誉模型获得节点的信誉值后，引入方差来衡量节点的信誉波动，选择信誉高且方差小的节点担任主节点，提高主节点的安全性。实验结果表明，相较于PBFT，该算法平均吞吐量提高了126.8%，平均时延降低了68.3%。同时，与现有基于聚类的PBFT算法相比，CD-PBFT具有较为明显的性能优势，能够更灵活地应用在大规模节点的联盟链场景中。

• MuSig多重签名的实用拜占庭容错共识算法

  李晶,贾园园,张磊,

  为降低实用拜占庭容错共识算法（practical Byzantine fault tolerance，PBFT）的通信复杂度和提高事务的吞吐量，提出一种MuSig多重签名的实用拜占庭容错共识算法（practical Byzantine fault tolerance consensus algorithm of MuSig multi-signature，MPBFT）。MPBFT共识算法改变了PBFT的准备和提交阶段的信息传输方式，由主节点采用MuSig多重签名算法将接收的备份节点的消息聚合为一个消息，再广播给备份节点验证聚合签名的有效性。通过性能分析和实验验证，MPBFT共识算法将PBFT的通信复杂度由O（n2）降为O（n），具有较好的时间性能和安全性，且在事务延迟、吞吐量和通信开销等方面优于其他三种对比算法。

• 融合多源异构数据的ICO欺诈预测与可解释分析模型

  卢加荣,廖彬,刘怡,陈海龙,

  为了解决首次代币发行（ICO）欺诈检测研究中存在的特征建模单一、模型缺乏可解释性等问题，提出一种融合多源异构数据的ICO欺诈预测和可解释分析模型IICOFP。首先，融合ICO项目基本信息、评级分数、社交媒体等多源异构数据，通过Lasso特征选择和Tomek-Link欠采样更有效地实现对ICO的特征建模；其次，基于GBDT算法训练ICO欺诈预测模型，并引入SHAP框架从多个角度分析欺诈型ICO的影响因素，有力增强模型的可解释性。实验结果表明，该模型的准确率、精确率、召回率、F1分数和AUC值分别达到87.76%、85.37%、90.52%、87.87%和87.82%，各项性能比已有的最佳模型提高了约2%~10%，验证了融合多源异构数据进行特征建模在ICO欺诈预测中的关键作用（实验数据及代码：https：//github.com/Lujiarong1203/IICOFP）。

• 基于改进双动态时空图网络的航班延误预测模型

  魏明,徐子清,孙博,

  针对现有航班延误预测模型中仅考虑机场之间空间拓扑结构的缺陷，提出一种基于多图信息融合的改进双动态时空图卷积网络航班延误预测模型。首先，根据航班延误传播的不同空间相关性，构建基于机场和航路的四种空间邻接矩阵，并进行多图融合提供更加全面空间特征信息；其次，将多图结构转换成超图刻画航班延误航线之间的空间相关性，利用门控时间卷积提取其时间序列相关性，利用超图卷积提取其空间相关性，并设计两种特征增强模块进一步避免部分点和边空间特征信息丢失现象。最后，以美国2009—2019年的50个机场之间航班延误预测为例，将本模型与五个主流基线模型进行对比，完成了消融实验。实验结果表明，相较于其他基线模型，该改进模型能够更好地在该问题上拟合实际情况。

• 基于深度时序聚类的城市卡口短时交通流量预测

  郭健,郑皎凌,乔少杰,邓鸿耀,孙吉刚,李欣稼,

  目前，基于深度学习的交通流量预测方法存在不足。首先，基于图卷积网络的预测模型使用简化的路网拓扑，忽视了实际交通组织信息，影响预测准确性。其次，基于聚类的预测模型未考虑交通流的区域和时间相似性，未能有效利用时空模式，导致聚类结果对预测提升有限。此外，过大的训练样本增加了训练和预测时间，影响实时性。为了解决上述问题，提出了基于深度聚类的城市卡口短时流量预测模型（deep temporal clustering traffic flow prediction，DTCTFP）。首先，构建包含实际交通组织信息的路网拓扑，利用图卷积网络挖掘卡口间的时空特性；其次，引入改进的动态时间规整和最短路径分析方法，将相似的交通流对象归类到同一簇，使模型充分利用流量、时间、位置等特征信息，提升预测精度；最后利用基于簇的循环神经网络进行预测，提高模型的实时性和计算效率。基于重庆大渡口交通数据进行了实验验证，结果显示，相较于最新基准模型，在MAE、RMSE、MAPE指标上，平均降低了15.02%、10.72%、10.98%，并通过消融实验证实了所提出的聚类方法能够提升14.5%的预测准确性。

• 基于分量感知动态图Transformer的短期电力负荷预测

  朱莉,高靖凯,朱春强,邓凡,

  准确的短期负荷预测对于电力系统的稳定运行和有效调度至关重要。电力负荷数据因存在非线性、非平稳性而导致预测精度低。分解可以降低序列非平稳性的影响从而有效地提高预测精度，但现有分解预测方法缺乏对分解分量间关系的捕获且显著增加了预测时间。为此，提出分量感知动态图Transformer（componentaware dynamic graph Transformer，CDGT）模型。首先，引入联合对立选择（joint opposite selection，JOS）算子和随机扰动改进雪消融优化算法（snow ablation optimizer，SAO），使用联合搜索和随机扰动的SAO（jointly searched and stochastic perturbed SAO，JSSAO）对变分模态分解（variational mode decomposition，VMD）进行参数寻优。VMD对原始的负荷数据进行分解得到不同频率的分量序列，然后使用图神经网络（graph neural network，GNN）来识别和建模分量之间的复杂关系。同时，使用引入频域指数滑动平均（exponential moving average，EMA）注意力的Transformer来学习分量内部的依赖关系。一次输出所有分量结果，线性相加后得到负荷预测值。通过两个公开负荷数据集的实验表明，CDGT优于一系列先进的基线以及分解预测方法，在澳大利亚数据集和摩洛哥数据集上，MAE分别降低了5.51%~31.08%和15.02%~75.49%。

• 融入自注意力和对比学习的多行为推荐

  张志伟,孙福振,孙秀娟,李鹏程,王绍卿,

  现有的多行为推荐模型忽略了不同行为之间存在的优化不平衡问题。为解决这一问题，提出了一种融入自注意力和对比学习的多行为推荐模型（multi-behavior recommendation integrating self-attention and contrastive learning，SACL）。首先，根据用户与商品的交互行为类型构建独立的交互视图，通过图神经网络挖掘用户与物品之间的关联关系，提取用户的不同行为特征和兴趣偏好特征。其次，在行为间与用户间进行对比学习，捕捉不同行为下的相同用户特征，增强辅助行为信息的利用率。然后，基于自注意力机制设计出一个多行为优化模块，根据用户的多行为特征以及对比学习特征设计定义不同的编码方式，生成具有行为依赖关系的元知识；设计了一个自注意多行为损失权重网络，根据元知识平衡不同行为的训练损失权重，从而区分对目标行为的影响差异并降低辅助行为噪声。提出的模型在Tmall和IJCAI-Contest数据集上进行的实验表明，相较于最优基线DPT，SACL的命中率（HR）平均提升了10%，归一化折损率（NDCG）平均提升了14%，验证了SACL模型对平衡优化多行为推荐任务的有效性。

• 面向下一个兴趣点推荐的细粒度时空多语义超图学习

  李婉秋,张超群,汤卫东,曾志林,李灏然,

  现有的下一个兴趣点（point of interest，PoI）推荐技术存在三个主要问题：使用过于简单的方法构建用户兴趣模型、忽略用户和PoI之间在时空维度上的互动以及未能充分挖掘用户间复杂的高阶交互信息。针对这些问题，提出一种新颖的超图学习模型FSTMH，细粒度地融合时间、空间和语义信息，用于下一个PoI推荐。FSTMH包括细粒度嵌入模块和多层次嵌入模块。前者通过使用地理图卷积网络和有向超图卷积网络进行学习，获取对应的嵌入信息，并通过对比学习提升PoI表示的质量，使用细粒度超图卷积网络学习该模块的PoI嵌入；后者将多层语义超图输入到多层超图卷积网络，学习多层次语义的PoI嵌入表示。最后，模型将两个模块的PoI嵌入向量进行组合，生成最终的top-K预测结果。通过在广泛使用的三个社交网络公共数据集上进行多种实验，结果均表明FSTMH模型表现出色，说明该新模型可作为提高下一个 PoI 推荐的有效方法。

• 基于双端权重约束的异质超网络表示学习

  陈毅艰,朱宇,王晓英,黄建强,曹腾飞,王威,

  与传统网络不同，超网络具有复杂的高阶元组关系，而现有大多数超网络表示学习方法不能很好地捕获复杂的高阶元组关系。针对上述问题，为了更好地捕获复杂的高阶元组关系，提出了基于双端权重约束的异质超网络表示学习方法。首先，该方法提出一个超边多源随机游走融合算法，将超边融入到基于超路径的随机游走节点序列中；然后，受到知识表示学习模型TransE的启发，该方法引入超边感知器模型与hyper-gram模型进行加权融合，以便于捕获超网络中复杂的高阶元组关系；最后，在四个真实超网络数据集上的实验表明，对于链接预测任务，该方法的性能几乎优于所有基线方法。对于超网络重建任务，在GPS数据集上，该方法的性能优于所有基线方法；同时，在drug数据集上，在超边重建比例大于0.3时，该方法的性能优于所有基线方法。总之，所提方法能够有效地捕获超网络中复杂的高阶元组关系。

• 基于双路径投影层和注意力机制的知识蒸馏

  周勤,范永胜,桑彬彬,何攀,

  现有的知识蒸馏技术主要集中于知识表示、目标损失函数和蒸馏位置的选择，而忽视了特征对齐和融合的重要性，从而限制了学生模型的学习能力。为此，提出了一种基于双路径投影层和注意力机制的知识蒸馏方法。该方法首先在空间维度上对齐学生和教师模型的特征，通过双路径投影层在通道维度上对齐师生特征。同时，添加一个集成注意力机制的适配器模块，以确保多尺度特征的均衡融合。采用轻量并行化注意力机制进行深层次的特征融合，并利用教师模型的判别分类器进行推理。在CIFAR-100和Tiny-ImageNet数据集上进行实验验证，结果显示相比于基线学生模型，WRN-40-1模型在CIFAR-100数据集上的top-1准确率提高了5.85百分点，ResNet-10模型在Tiny-ImageNet数据集上的top-1准确率提高了8.09百分点。实验结果表明，该方法能够有效提升学生模型的学习能力，证明了特征对齐和融合在知识蒸馏中的重要作用。

• 基于深度图文细粒度对齐的弱监督多模态情感分析

  刘洲,马立平,张海燕,

  针对现有多模态情感分析方法在模态对齐上不够精细，深度特征融合时易丢失重要信息的问题，提出了一种图文深度交互模型。该模型摈弃使用图像区域强监督的方式检测图片中的物体，首先将图片平等划分成更精细的区域序列，通过双路融合流的深度融合层来对齐多模态数据中蕴涵的潜在模式，并使用自适应门阀优化残差注意力信息的传递。在MSED和MSVA数据集上进行实验，相比较基线模型，在准确率和F1分数上分别取得了最高1.06%、0.74%和0.75%、0.63%的提升。最后通过可视化细粒度对齐效果和消融实验证明了所提方法的有效性。

• 基于边扰动的链接预测解释方法

  陈耿靖,郭躬德,林世水,

  多数链接预测模型是解释性较差的黑盒模型，因此不少学者提出了针对链接预测的解释方法，但这些方法存在着解释的目标模型单一、缺乏泛化能力、解释结果准确率不足等缺陷。为弥补这些不足，提出一种基于边扰动的链接预测的解释方法。首先利用广度优先搜索得到从头实体到尾实体的所有路径，随后搜索路径所经过实体的邻居节点，形成待解释三元组的训练子图；然后采用边扰动的方式在训练子图上重新训练嵌入模型，计算每条边对预测结果的影响程度；最后通过双向的束搜索得到对预测结果影响程度最大的路径，作为待解释三元组的解释路径。实验表明，该方法在公共数据集上的性能超过了大多数的链接预测解释方法，ACC相较于最先进的方法提升了2.3%，AUPR提升了1.9%。同时在生物医学数据集上针对使用链接预测技术的药物重定位任务进行结果的解释实验，其解释体现了良好的可理解性、启发性。提出了一种不依赖于特定模型且有效的解释方法，该方法通过边扰动和路径搜索得到解释路径，使结果的解释更加直观和易于理解，同时能够为不同领域的知识图谱应用提供支持。

• 基于变化参与实例的空间并置模式增量挖掘方法

  芦俊丽,昌鑫,罗浩瑜,刘士虎,

  空间并置模式是一组空间特征的子集，它们的实例在空间中频繁关联。空间并置模式挖掘是空间数据挖掘的一个重要分支。然而，空间数据库随时间不断变化，高效的空间并置模式增量挖掘显得尤为重要。提出基于变化参与实例的空间并置模式增量挖掘方法，相比传统的增量挖掘算法，不进行耗时的变化表实例生成操作，直接搜索变化参与实例。为加速变化参与实例搜索过程，提出了实例级搜索优化策略、启发式模式剪枝技术，进而提出了IMCP-CPI，讨论了算法的复杂度、正确性和完备性。在真实和模拟数据集上进行了大量实验验证IMCP-CPI的性能。结果表明IMCP-CPI远优于当前已知的5个空间并置模式增量挖掘算法，其效率提升数倍甚至数个量级。在变化数据占比为原数据集5%的新数据集中，当距离阈值d很大或者参与度阈值min_prev很小时，IMCP-CPI的性能比当前并置模式挖掘较优算法CPM-Col及改进算法CPM-iCol提升2~3倍。此外，当变化数据占比分别小于等于原数据集的25%和50%时，无论在参数变化还是可扩展性方面，IMCP-CPI均优于CPM-iCol和CPM-Col，这对具体实践中的方法选取给与了参考意见。

• 结合变量决策层和全局学习率的启发式优化算法

  何飞,王晓峰,唐傲,华盈盈,彭庆媛,王军霞,

  冲突驱动子句学习（conflict-driven clause learning，CDCL）是现代SAT求解器的主流框架，而基于变量活性的分支算法是其高效求解的关键因素之一。将全局学习率（global learning rate，GLR）和变量决策层结合分析，得到两个有关CDCL搜索行为的重要推论：在GLR较高时，增加低决策层变量的碰撞分数可以降低搜索成本；而在GLR较低时，增加高决策层变量的碰撞分数可以充分探索解空间。通过实验数据分析，验证了两个推论的正确性。依据推论，提出一种结合GLR和变量决策层的Gdb启发式策略来优化现有分支算法，Gdb使用变量决策层设计两个权重w1和w2，分别用于较高和较低GLR情况下的变量活性。此外，还分析了EVSIDS和LRB两个分支算法的搜索行为，并针对 LRB 进行再次加权。实验结果表明，Gdb 分支策略有效提升了CDCL求解器的效率。

• 基于结构化张量学习的多视图聚类

  李心雨,康可涵,彭冲,

  多视图聚类方法随着数据获取途径日益多样化成为研究热点，但大多数聚类方法低估了噪声和数据多结构互补性信息对聚类结果的影响，并且忽略了聚类结果对低秩张量优化过程的反向引导作用。为解决这些问题，提出了基于结构化张量学习的多视图聚类（multi-view clustering based on structured tensor learning，MCSTL）。首先，对初始表示张量进行再次去噪使其更具准确性和鲁棒性；同时，互补地学习局部结构、全局结构和各视图间的高阶相关性，提高表示张量与原始数据本质簇结构的一致性；然后，从跨视图信息融合的亲和矩阵中学习到统一的特征矩阵，利用其隐含的聚类结构信息反向引导表示张量的优化过程；最后，对特征矩阵施加了正交约束，使其提供数据的软标签信息，并对模型进行直接聚类解释。实验表明，MCSTL在6种聚类评价指标上均表现优异，30个指标数据中有27个达到最优，从而充分验证了MCSTL的有效性和优越性。

• 未知环境下基于突变定位SAC算法的移动机器人路径规划

  胡立坤,韦春有,

  针对缺乏完整环境信息的条件下移动机器人局部路径规划算法性能提升及深度强化学习智能体训练速度慢的问题，提出了突变定位算法和改进的soft actor-critic （SAC）算法，并将两者结合为突变定位SAC算法。突变定位算法能够在缺乏完备环境信息的情况下计算子目标点位置，减少移动机器人规划路径的长度。同时，通过引入基于虚拟势场的critic网络改进损失函数和多阶段训练方法，提高SAC智能体的训练速度。实验结果表明，与DDPG、SAC、PER-SAC和HER-TD3相比，突变定位SAC算法在训练时间上分别减少了46.68%、39.50%、20.18%和27.79%。此外，突变定位SAC算法在不同环境下规划路径的长度平均减少了13.71%、10.26%、10.90%和15.89%。

• 基于stacking融合机制的自动驾驶伦理决策模型

  刘国满,盛敬,罗玉峰,

  虽然自动驾驶技术在线路规划和驾驶控制方面取得较大进展，但遇到伦理困境时，当前自动驾驶汽车仍然很难作出确定、合理的决策，导致人们对自动驾驶汽车安全驾驶产生怀疑和担忧。所以有必要研究自动驾驶伦理决策模型和机制，使得自动驾驶汽车在伦理困境下能够作出合理决策。针对以上问题，设计了基于stacking融合机制的伦理决策模型，对机器学习和深度学习进行深度融合。一方面将基于特征依赖关系的朴素贝叶斯模型（ACNB）、加权平均一阶贝叶斯模型（WADOE）和自适应模糊模型（AFD）作为stacking融合机制上基学习器。依据先前准确率，设定各自模型权重，再运用加权平均法，计算决策结果。然后将该决策结果作为元学习器训练集，对元学习器进行训练，构建stacking融合模型。最后，运用验证集分别对深度学习模型和stacking融合模型进行验证，依据验证中平均损失率和准确率以及测试中正确率，评价和比较深度学习模型和stacking融合机制决策效果。结果表明，深度学习模型平均损失率最小为0.64，最大平均准确率为0.7，最高正确率为0.61。stacking融合机制平均损失率最小为0.35，最大平均准确率为0.90，最高正确率为0.75，说明stacking融合机制相对于深度学习模型，决策结果准确率和正确率方面有了较大改进。

• 迭代贪婪算法优化分布式阻塞流水车间成组鲁棒调度问题

  王一正,王玉亭,韩玉艳,李寰,高开周,

  为了优化复杂生产环境中生产计划的鲁棒性，确保不同场景下生产调度的稳定性，此研究将多生产线单元制造问题抽象为分布式流水车间成组调度问题，并在此基础上考虑了实际生产中常见的零缓冲区、加工时间不确定性和交付时间窗口等约束。首先，构建了以鲁棒性为优化目标的混合整数线性规划模型并使用Gurobi求解器验证其正确性；然后，提出了一种改进的空闲时间插入方法以适应阻塞约束和成组约束；接着，将上述改进空闲时间插入方法融入到自适应协同迭代贪婪算法中，该算法针对问题的多场景、问题求解的时间复杂度等，分别设计了有针对性的初始化方法、自适应破坏策略以及快速重构和局部搜索方法。最后，在生成的810个实例中，与其他高效的元启发式算法相比，所提出的算法在有限的时间内得到了鲁棒最优解。研究结果表明，该算法能够应对不确定因素和复杂的约束，在解决各种规模的问题上都表现出了良好的性能。

• 基于算子学习的多目标深度强化学习模型求解消防设施选址问题

  刘勇,刘宇轩,马良,

  针对消防设施选址问题，构建考虑时效性、市民等待救援的焦急心理和建设成本的三目标消防设施选址模型，以实现更科学的消防设施布局。鉴于该问题的NP难特性，提出基于算子学习的多目标深度强化学习模型（multi-objective deep reinforcement learning，MDRL）。设计多种优化算子作为强化学习的动作空间，训练策略网络以选择最佳优化算子来改进解决方案。针对多目标问题，设计基于优势差异的方法（MDRL-AD）和基于支配性评估的方法（MDRL-DE）。采用四种规模的测试算例及实际案例进行数值实验，将MDRL和改进的NSGA-Ⅱ、MOPSO、L2I算法进行比较，并利用Hypervolume指标、Spacing指标、Ω指标、IGD指标对算法性能进行评估。实验结果表明，MDRL-AD方法更适用于求解小规模算例，MDRL-DE方法则在求解大规模和超大规模算例时相比其他算法优势明显。MDRL在非劣解集的收敛性和均匀性方面明显优于其他对比算法，为消防设施布局规划提供了一种有竞争力的解决方案。

• 边云环境中基于深度强化学习的任务卸载和资源分配方法

  何达航,王昱,左利云,

  边缘计算允许物联网设备卸载任务到边云环境中执行，以满足任务对资源的需求。由于边云环境的高度随机性和动态性，启发式算法和基于Q表格的强化学习算法难以实现异构任务的高效卸载决策，所以提出了一个新颖的竞争和双深度Q网络（novel dueling and double deep Q network，ND3QN）的深度强化学习算法，用于任务高效卸载和资源分配。ND3QN联合优化任务完成时间和费用，并创新地构建了包含环境动态信息的状态；设计了能有效指导算法训练的奖励函数；实现了细粒度卸载，即任务卸载到服务器的虚拟机。实验结果表明，ND3QN在不同探索率和学习率下的收敛速度和收敛值存在明显差异，且在任务丢弃率、完成时间和费用等方面优于基线算法；消融实验证明了状态和奖励函数改进的有效性。因此，ND3QN可有效提升边云环境中的任务卸载和资源分配效率。

• 面向细粒度应急物资配送的空间众包任务分配算法

  刘俊岭,吴晴晴,孙焕良,许景科,

  应急物资的“最后一公里”配送为整个救援行动的末端环节，是提高整个救援行动效率的关键所在。为了解决细粒度的应急物资配送任务分配问题，提出了一种基于K-means聚类的博弈论任务分配算法，该算法能够保证所有任务在容忍时间内得到分配的同时最小化工人数量；然后，设计了一种延迟更新优化策略以进一步提升算法的运行效率；最后，在真实数据集上进行实验，结果表明所提算法与随机任务分配算法、贪心任务分配算法、K-means聚类任务分配算法相比，在工人数量方面分别减少了38%、28%、10%。结合延迟更新优化策略后，算法在最优分配结果的基础上提升了12.5%的运行效率，验证了所提算法的有效性与实用性。

• 基于通道动态窗口法的避障方法

  刘春玲,刘佳昕,郭楷文,

  针对移动机器人在复杂室内环境下的局部路径规划算法会面临躲避动态障碍物效率低、绕路及不能抵达目标点的问题，提出了一种解决室内路径规划的通道动态窗口算法。该方法选用基于密度的应用噪声空间聚类算法（DBSCAN）先对障碍物分割，在相邻障碍物之间建立通道，并将生成的通道离散化生成一系列的通道点。通过设计的通道点评价函数，选择出最优通道点作为动态窗口法的临时通道点，为动态窗口法提供正确的方向。采用通道动态窗口法对真实环境中的ROS机器人进行路径规划，结果表明，通道动态窗口法在路径长度、运行时间和采样次数的性能上均优于动态窗口法，表现出更强的适应性和鲁棒性，避免了移动机器人躲避障碍物不及时和陷入局部位置的问题。该算法既能独立执行局部路径规划任务，也能与 A* 算法相结合进行全局路径规划。

• 结合对比学习的双分支多维时间序列异常检测方法

  周丹,凌捷,

  多维时间序列异常检测是维持复杂工业系统有效运行的必要环节，如何准确识别大量设备中的异常模式是一项重要挑战。现有方案大多对多维时间序列下实体存在的动态依赖关系提取不足并且会受异常数据影响难以重构出正常的模式。为此，提出一种结合对比学习的双分支多维时间序列异常检测方法。首先，通过图结构学习和图特征增强得到实体之间的关联图以捕获动态变化的实体相关性，以及使用长短期记忆网络对时间依赖关系进行提取得到时间编码；接着，插入分块重组并采用图卷积操作提取不同尺度间的时空融合关系；最后，将融合后的关系特征进行联合对比训练得到正异常差异表示以评估异常。在SWaT、WADI、SWAP和MSL四个公开工业数据集上进行实验，与近年来的方法相比，所提方法取得了较好的F1分数，分别为91.63%、90.60%、90.06%和93.69%，比MTGFLOW方法平均高出1.52百分点。实验结果表明，所提方法在提取动态依赖关系和区分正常与异常模式方面具有显著优势，验证了其在多维时间序列异常检测中的有效性和先进性，并显示出广泛的应用潜力。

• 一种新的异构多核平台下多类型DAG调度方法

  左俊杰,肖锋,黄姝娟,沈超,郝鹏涛,陈磊,

  异构多核处理器在异构环境中受限于处理器种类，只能在特定处理器上执行。现有调度方法通常使用多类型DAG（directed acyclic graph）任务模型进行模拟，但调度方法往往忽略不同核上的通信开销，或未考虑处理器与节点的对应关系，导致调度时间开销较大，处理器资源未充分利用，任务效率低。针对上述问题，提出了PNIF（processor-node impact factor）算法。该算法引入了两个对节点优先级具有重大影响的比例因子，将它们加入到节点优先级的计算中从而确定任务执行顺序。实验结果表明，PNIF比PEFT、HEFT、CPOP在调度长度上分别平均提升5.902%、19.402%、25.831%，有效缩短了整体调度长度，提升了处理器资源利用率。

• NA-ROB:基于RISC-V超标量处理器的改进

  景超霞,刘杰,李洪奎,刘红海,

  重排序缓存（ROB）是超标量处理器中的重要模块，用于确保乱序执行的指令能够正确地完成和提交。然而，在大规模超标量处理器中，存在ROB阻塞以及ROB容量有限的问题。为了解决上述问题并提高处理器性能，提出了零寄存器分配策略，通过将没有目的寄存器的指令单独存储来避免占用ROB表项。同时，引入容量可动态调整的缓存结构（AROB），将长延时指令与普通指令分别存储在ROB和AROB中，以降低长延时指令导致的阻塞。改进后的超标量处理器被命名为NA-ROB，经过SPEC 2006基准测试程序的实验评估，结果表明，NA-ROB超标量处理器相比于传统的ROB超标量处理器，平均IPC提升了66%，同时ROB的阻塞概率降低了48%。因此，所提出的改进方法显著提升了处理器的整体性能和效率。

• 基于误差分量模型的两阶段深度校正算法

  李平,喻洪流,

  为了提高消费级RGB-D相机的深度精度，提出了一种基于误差分量模型的两阶段深度校正算法。该算法根据误差特性建立误差分量模型，引入从短距离到长距离迭代计算思想，设计了两阶段深度校正算法。探究了像素离散化对校正效果的影响，将算法应用于洗浴机器人中，并与其他深度校正算法进行对比。结果表明，该算法可减小深度误差，且像素离散化采样越密集，效果越好。在实际应用中，该算法仍能有效减小深度误差，与其他校正算法相比，在远距离处具有优势。该算法能有效提升消费级RGB-D相机的深度精度，且数据收集场景简单，适用于可以产生RGB图像、深度图像和点云的传感器。

• 基于多特征提取和对比学习的知识图谱链接预测

  李华昱,李海洋,王翠翠,满笑军,

  针对传统知识图谱链接预测方法提取图谱节点特征角度单一，且在训练过程中较少考虑节点间复杂的交互作用，构建的负例三元组质量较低等问题，提出了一种链接预测方法，旨在充分利用知识图谱节点间的相互作用和图结构蕴含的交互信息，考虑从多特征角度识别出三元组中的缺失事实。首先，通过不同的节点特征提取方式从不同角度获得节点的嵌入表示，并聚合邻居节点特征以增强其实体语义信息；其次，用多个卷积操作提取实体和关系之间的全局关系和过渡特征，通过深度特征提取的方式处理实体和关系的信息交互；最后，通过引入对比学习，干预负例三元组的构建，同时增强负例三元组的特征，提高所构建三元组的质量，最终通过计算余弦相似度筛选出预测实体。实验结果表明，提出的方法在知识图谱链接预测任务中的多个评价指标相比对比模型均有提高，同时验证了所提方法在处理多关系的复杂知识图谱时的有效性。

• 时空约束下资源受限的多智能体柔性重叠组织建模

  郭靠,刘玮,王宏为,徐帆,王紫昊,

  在资源受限的多智能体系统中，智能体通常需要与其他智能体协作并获取资源，从而实现增加总体收益或完成复杂任务的目的。而开放系统中资源需求和供应的不确定性导致了信息不对称和竞争加剧，从而增加了资源分配的复杂性和协作成本。因此，构建时空约束下的柔性重叠组织框架。该框架一方面融合时空约束提升信息的时效性及资源分配的合理性，另一方面支持柔性重叠组织使智能体能够同时订阅多个资源，进一步缓解资源受限的问题。此外，提出了时空约束下的资源选择算法解决资源的不均衡使用；同时提出了协作策略生成算法来降低资源竞争。最后，在开放的多智能体系统仿真环境中对所提方法进行评估，在不同资源需求、智能体流动性的情况下对任务完成数量、任务成功率和资源利用率进行分析。实验结果表明，使用时空约束下的柔性重叠组织框架可以有效缓解资源受限问题并提高任务成功率和资源利用率。

• 基于多尺度潜在特征表示的工业控制协议模糊测试方法

  连莲,孙世明,王国刚,宁博伟,何戡,孙逸菲,宗学军,

  工业控制协议（ICP）由于缺乏认证、授权和加密等安全措施，存在大量漏洞，对工业控制系统（ICS）的安全构成重大威胁。模糊测试作为一种主流的漏洞挖掘技术，在ICP中的应用存在测试用例接收率低和多样性不足的问题。为了解决这些问题，提高ICP漏洞挖掘效率，提出了基于多尺度潜在特征表示（multi-scale latent feature representation）的工业控制协议模糊测试方法。该方法将Transformer与生成对抗网络（GAN）在潜在空间中相结合，使用Transformer获取协议报文潜在特征的向量表示，并通过一个动态的多尺度判别器捕捉潜在表示序列中ICP不同尺度的语义信息，融合局部字段特征和全局语义特征，提升测试用例的接收率。此外，引入自对抗学习策略对生成对抗网络进行训练，降低潜在特征表示的冗余，增加测试用例的多样性。基于上述方法，设计了一个通用的ICP模糊测试框架MLFRFuzzer，采用S7comm、Ethernet/IP和Modbus/TCP三种ICP对其性能进行评估，实验结果表明MLFRFuzzer生成的测试用例接收率更高并且更具多样性，异常触发率相较于DCGANFuzzer、WGANFuzzer和PeachFuzzer分别提高23.76%、44.07%和71.96%，验证了MLFRFuzzer的有效性与普适性，与传统的ICP模糊测试方法相比，具有更强的漏洞挖掘能力。

• 基于二进制重写的混合分析构建控制流图方案

  李自友,黄晓芳,殷明勇,

  控制流图（CFG）是二进制程序分析的基础。传统静态分析方法构建控制流图速度快，代码覆盖率高，但不能解决间接跳转问题；动态分析方法能够分析间接跳转，但代码覆盖率低、性能开销大。为更加高效构建完备的控制流图，提出静态动态结合的混合分析方案。首先使用静态分析获取程序的初始控制流图，采用模糊测试的方法获取目标程序不同执行流的输入数据，诱导重写后的目标程序执行获取间接跳转地址；融合静态分析和动态分析结果，从而高效构建完备的控制流图。通过实验验证，该混合分析方案相比于现有的混合分析方案，能够构建更加完整的控制流图，相比于基于动态二进制插桩的混合分析方案效率更高。

• IRS-D2D混合通信车联网场景下的资源优化策略

  吴微,徐涴砯,

  针对城市道路车联网存在视距链路阻塞和资源有限等问题，提出一种基于混合通信车联网场景下的智能反射面（IRS）辅助的资源优化策略。该方案构建了IRS辅助的车联网系统，并在该系统中使用D2D技术增加距离基站较远车辆的数据传输能力。为了提升系统的频谱效率，在该系统中引入认知无线电技术（CR），将D2D用户下垫式地接入基站用户信道，在不超过基站用户预设干扰门限的情况下传输数据。针对所构建的IRS-D2D混合通信车联网系统模型，提出基于系统和速率最大化的有限资源优化分配问题。在满足用户通信服务质量的条件下，通过联合优化功率分配、IRS相移和频谱资源分配的方法，实现系统和速率的最大化。由于提出的优化问题是一个多变量的混合整数非凸问题，难以在多项式时间内求得最优值，故采用两阶段联合分配方案。具体地，在第一阶段，联合优化功率分配和IRS相移，通过松弛变量法得到局部最优解。在第二阶段，使用交替优化算法进行频谱资源分配。仿真结果表明，IRS辅助车联网的资源优化策略提升了系统的和速率和频谱效率，所提资源分配方案优于现有方案。由此IRS-D2D的通信技术可以应用在车联网中。

• RIS辅助多MEC服务器的联合任务卸载和资源分配策略

  王丹,赵静,王嘉程,

  针对传统集中式计算无法有效应对海量设备产生的庞大数据，且移动边缘计算（MEC）服务器资源受限容易引起资源拥塞以及复杂的通信环境导致用户任务卸载传输受阻甚至中断的问题，提出了一种可重构智能表面（RIS）辅助多MEC服务器的联合任务卸载和资源分配方法。由于最大化系统卸载效用问题是一个混合整数非线性规划问题，难以直接求解，于是整体求解过程采用交替优化法，进行迭代求解。通过联合优化RIS处相移矩阵、MEC服务器端中央处理器（central processing unit，CPU）的计算资源、卸载用户和MEC服务器的关联决策以及用户端上行传输功率，最大化系统卸载效用。具体地，通过最佳相位规划，拟凸优化技术以及凸优化技术分别求解RIS最佳相移、用户发射功率分配以及MEC服务器计算资源分配决策，并设计了一种改进的启发式算法求解用户与MEC服务器的关联决策。仿真结果表明，将RIS和改进的启发式算法结合的方法较传统求解方法中的启发式算法相比，系统的平均卸载效用提升了约22.89%，并且方法比基准方案中采用基于局部搜索的经典求解方法的卸载效用提升了约14.02%。因此，该方法有益于提高用户的通信服务质量。

• 物联网边缘计算网络中基于深度强化学习的动态SFC部署策略

  王丽艳,郑先锋,杜娅荣,

  针对物联网（Internet of Things，IoT）终端的移动性和服务请求的随机性所导致的IoT网络的动态变化，在物联网边缘计算网络（IoT-mobile edge computing，IoT-MEC）中对物联网服务功能链请求流（IoT-service function chain request，IoT-SFCR）进行动态SFC部署是一个具有挑战性的问题。首先将IoT-MEC网络中的动态SFC部署问题分解为两个子问题，即虚拟网络功能（virtual network function，VNF）部署子问题和路由路径确定子问题。然后利用马尔可夫决策过程（Markov decision process，MDP）对其进行建模。为了使IoT-SFCRs的资源消耗成本和端到端时延的加权和最小，并考虑网络的负载均衡，接着提出了一种采用目标网络和经验重放方法的深度强化学习（deep reinforcement learning，DRL）算法，对每个到达的IoT-SFCR实现动态SFC部署。仿真结果表明，在三种典型网络类型下，与现有算法相比，该算法的SFC部署成功率提高了17%，平均奖励提高了23.8%，高效地解决了IoT-MEC网络中SFC的动态部署问题。

• 基于EMO-GAN的恶意URL检测框架

  耿海军,蔚超,胡治国,郭小英,池浩田,杨静,

  随着万维网的广泛应用和网络威胁的日益严峻，统一资源定位符（uniform resource locator，URL）的安全性成为了网络安全领域的研究热点，如何有效检测并防范恶意URL已经成为了业内非常关注的问题。针对恶意URL检测中存在的数据获取困难、特征表示不足以及模型概念漂移挑战，提出了一种基于EMO-GAN的恶意URL检测框架（EMO-GAN-based malicious URL detection framework，EMO-GANUDF）。该框架通过结合极度随机树（extremely randomized trees，ET）和边缘生成对抗网络（margin generative adversarial network，MarginGAN）进行半监督学习，有效解决了数据获取困难问题。在特征提取上，该框架提出了一种综合统计、字符和词汇特征的特征表示方法，实现了URL的高效特征表示。此外，为了应对模型概念漂移问题，该框架提出了一种支持在线学习（online learning）的分类器，增强了模型拓展性和适应性。在多个数据集和不同检测方法上进行对比实验，所提方法在Malicious URLs公开数据集上达到了99%的准确率和84%的F1分数，较其他检测方法取得了更好的效果，证明了其有效性及优越性。

• 面向分布式最优潮流的隐私保护方法

  徐雅雯,欧阳晓丽,徐建,

  电力系统中包含大量敏感数据，保护这些数据的隐私安全对用户至关重要。针对在分布式最优潮流（optimal power flow，OPF）算法中，由于迭代过程中信息交换频繁导致的隐私泄露问题，提出一种面向分布式最优潮流的隐私保护方法。该算法采用完全分布式计算方法来进一步增强隐私性，并引入了自适应惩罚参数方法以提高计算效率。在算法的迭代过程中对各节点间交流的传输变量添加差分隐私噪声，从而阻止攻击者通过窃听传输变量真实值而推测算法中的关键参量，实现了模糊关键参数的OPF问题的分布式求解框架。此外，对于所提算法的收敛性和最优性进行了理论证明，并在IEEE 9-总线系统中进行仿真验证。仿真结果验证了该算法具有收敛性与准确性，隐私保护性能也优于对比算法。该算法有效地解决了在迭代过程中由于信息交换导致的隐私泄露问题，在保持计算效率的同时，显著提高了数据隐私的安全性。

• 基于线性同态hash和秘密分享的高效可验证聚合方案

  高琦,孙奕,王友贺,李宇杰,

  针对目前联邦学习可验证聚合方案存在用户通信开销过大、无法容忍用户退出以及用户退出导致验证效率降低的问题，提出了一种基于线性同态hash和秘密分享的高效可验证聚合方案（LHSSEVA）。首先，采用线性同态hash和同态承诺实现聚合结果的可验证性，保证验证信息通信开销与模型维度无关，同时防止服务器通过伪造聚合hash欺骗用户接受错误聚合结果；然后基于椭圆曲线离散对数问题及其同态性保护输入的隐私，同时保证验证的正确性；接着通过融入秘密分享使验证过程可以容忍用户随时退出，并确保用户退出不会导致验证效率降低；最后理论分析证明了方案的正确性、可靠性和隐私性。仿真实验结果表明了方案的可行性和高效性，与VeriFL方案相比，具有更低的计算和通信开销，特别是存在用户退出时，显著提高了验证效率，具有更强的退出容忍性。

• 基于神经隐式场的模糊多视图三维重建

  徐紫慧,王逸群,

  基于神经隐式表面的重建方法因其能高保真地重建场景而受到广泛关注。然而，这些研究主要集中在理想输入的重建上，对于模糊输入重建效果并不理想。为了解决以上问题，提出了Deblur-NeuS，一种基于神经隐式场的模糊多视图三维重建方法。通过引入模糊核预测模块和隐式位移场来模拟模糊过程以重建模糊视图和表面，并为模糊表面增加模糊点云监督，优化隐式表面的学习。在测试阶段移除模糊核模块与隐式位移场，即可直接提取更清晰的几何表面。在模糊数据集上的实验结果显示，重建的表面质量以及图像渲染的质量都得到了显著提升。该方法增强了网络对模糊输入的鲁棒性，能从运动模糊图像中恢复几何表面细节。

• 基于潜在有价值样本挖掘的半监督三维目标检测

  孙立辉,李佳霖,刘夏,

  为了解决当前半监督三维目标检测算法中，传统的固定阈值方法在过滤伪标签时不够灵活，舍弃了大量有价值的伪标签，没有充分利用潜在有价值样本的问题，提出了一种基于潜在有价值样本挖掘的半监督三维目标检测方法。首先，不再使用固定阈值过滤伪标签，采用基于得分聚类的自适应阈值生成方法，分别为不同的类别生成过滤伪标签时需要的阈值，保留更多有价值的伪标签；其次，由于标签由类别和边界框信息组成，提出了一种联合置信度过滤伪标签的方法，使用对象置信度、分类置信度和IoU置信度的乘积来过滤伪标签，改善伪标签的质量；最后，对样本数量较少的类别生成稠密伪标签，筛选未通过联合置信度过滤的部分数据，以软伪标签的形式保留伪标签，更充分地利用潜在有价值的样本。在KITTI数据集上，与PV-RCNN方法相比，所提方法在仅1%标记数据的情况下，汽车类提高了6.5百分点，行人类提高了9百分点，自行车类提高了25百分点，实验结果证明了所提方法的有效性。

• 基于偏移过滤与未知特征强化的开放世界目标检测

  王超,苏树智,朱彦敏,徐阳,

  开放世界目标检测（open world object detection，OWOD）是一个计算机视觉挑战，聚焦于现实世界环境，其不仅要检测出标记出的已知物体，还需要能处理训练过程中被忽视的未知物体。针对已知和未知物体的检测混淆、密集未知目标和小目标遗漏等问题，提出了一种新的基于偏移过滤和未知特征强化的开放世界目标检测器（offset filter and unknown-feature reinforcement for open world object detection，OFUR-OWOD）。首先设计一个未知类特征强化（unknown class feature reinforcement，UCFR）模块，通过自适应未知对象得分的方法来强化未知类目标特征，进而提高模型对未知类对象的训练准确度。然后，将重叠框偏移过滤器（overlapping box offset filter，OBOF）应用于目标预测框，根据目标位置和大小，获得不同偏移得分，以过滤冗余未知框。通过丰富实验证明，该方法在COCO-OOD和COCO-Mix上优于现有一些最先进的方法。

• 基于扩散模型微调的局部定制图像编辑算法

  杜佳俊,兰红,王超凡,

  针对现有基于扩散模型的图像编辑方法存在无法灵活控制图像编辑区域以及生成个性化内容等问题，提出一种基于扩散模型微调的局部定制图像编辑算法。该方法借助稳定扩散模型作为基础框架，首先从给定的一组图像和词嵌入中学习概念嵌入，并且为了提高模型的训练效率，解决由少量数据训练而产生的过拟合问题，在微调过程中通过分析训练过程中各层参数变化的程度降低训练参数数量；然后在联合分割模型中通过局部选择步骤得到掩码特征，进一步精确识别编辑区域边界，从而保护了非编辑区域内容；最后将参考图像、掩码特征和与定制概念绑定相关的条件文本描述共同输入微调模型中，使其在编辑区域精确生成定制内容，增加了在编辑区域生成用户定制内容的灵活性。在DreamBench数据集上的实验结果显示，相较于其他先进方法，该方法在CLIP-T、MS-SSIM评价指标上分别提高了12.2%、13.9%，表明该方法在文本对齐和结构一致性等方面均优于其他的主流方法，为用户提供了更加准确的个性化概念图像编辑方法。

• 基于多层次图拓扑对比细化的动作识别

  唐櫞,魏维,郑程,李晨,蒋浩文,

  动作识别是计算机视觉领域中的前沿探索，得益于图卷积网络（GCN）处理非欧几里德数据的优势，该方法已成为从骨架数据中提取特征的主流方法。针对目前GCN忽视跨序列信息、对运动轨迹相似度高的模糊样本难以区分等问题，提出一种结合对比学习的图拓扑对比细化方法（graph topology contrast refinement block，GTCR-Block）。首先，根据模型的识别情况，将样本划分为可信样本和模糊样本；其次，建立样本级记忆库（sample-level memory bank，Bsam）和全局级记忆库（global-level memory bank，Bglo），存储跨批次图拓扑，使用对比学习方法使图拓扑具有类内聚合、类间分散的特性，将模糊样本在特征空间中分隔开。最后，采用多层次的策略学习更多的判别特征表示。实验结果表明，在不增加额外参数的情况下，在NTU RGB+D数据集达到了X-Sub基准93.3%和X-View基准97.4%的准确率，在 NTU RGB+D 120数据集达到了X-Sub基准89.4%和X-set基准91.2%的准确率。采用GTCR-Block能够有效提升动作识别的效果。

• 融合音频内容、风格和情感特征的人脸动画生成方法

  张欣茹,朱欣娟,高全力,

  现有的音频驱动人脸动画技术主要注重唇部运动与音频的同步性，忽略了对人物面部表情或头部运动的再现能力。为此，提出了一种融合音频内容、风格和情感特征的高质量人脸动画生成方法（ACSEF）。首先，设计了情感动画模块（EAM），从音频中提取隐含的情感辅助特征来估计更加准确的面部情感标志位移，然后与语音内容和说话者风格动画的面部地标位移进行融合，提高landmarks（面部地标）预测的准确性和生动性。其次，设计了一个基于U-Net模型的注意力增强解码器（AADU），使得估计的地标与图像最终解码为逼真的包含唇音同步、头部运动和面部表情的理想视频帧。实验表明，该方法既能增强面部情感表达，又可使图像更加清晰，效果优于对比基线模型。