计算机应用研究杂志

计算机应用研究杂志2025年第5期

• 移动边缘计算环境下的信任评估技术综述

  朱雨润,任爽,

  随着物联网设备规模的增长和5G网络的普及，移动边缘计算成为满足数据处理和计算需求的重要技术。为保障系统的安全性和可靠性，信任评估技术在该领域的应用日益受到关注。为此，系统梳理了移动边缘计算中的信任评估技术，主要任务包括总结现有信任评估方法，回顾最新研究进展，重点探讨区块链技术和零信任架构在信任评估中的应用，主题范围涵盖信任评估技术的应用场景、当前挑战及未来发展方向等。

• 带时间窗的车辆路径问题元启发算法综述

  张玉玺,雷冰冰,王晓峰,朱炫骏,宋家欢,

  带时间窗的车辆路径问题（VRPTW）是车辆路径优化问题（VRP）重要问题之一，广泛应用于物流配送等领域。随着物流需求和复杂性的增加，传统算法在求解VRPTW时表现出效率低和适应性不足等局限。近年来，元启发算法在该问题的求解上取得了显著进展，因此有必要对其求解算法进行系统梳理和深入研究。梳理了VRPTW的基本模型，对比了精确算法、启发算法及元启发算法的应用，重点分析了元启发算法的研究进展、优缺点及其改进策略。最后，探讨了算法未来研究方向和发展趋势，为进一步研究提供了理论支持。

• 基于深度学习的视网膜血管分割研究进展

  张文豪,瞿绍军,颜美丽,

  医学图像分割作为语义分割中的重要一环关系人类健康，一直以来备受关注和重视。其中，视网膜血管分割任务是对眼底视网膜图像中的血管像素进行分割提取，能够帮助医生快速诊断眼部疾病。但是，视网膜血管形态复杂、结构细小，分割难度大。随着深度学习领域研究不断深入，技术的不断进步使得图像分割精度大幅提升。为了更好地了解视网膜血管分割方法的发展，全面总结了近年来基于深度学习的视网膜血管分割研究成果。首先介绍了视网膜血管分割常用数据集，讨论了关键评价指标和损失函数；然后将成果按照基于网络结构设计的方法（例如U型网络变体）、基于模块设计的方法（例如注意力模块）、基于生成对抗模型的方法和基于Transformer的方法进行分类总结，分析各方法的优缺点并比较模型性能优劣；最后，针对目前视网膜血管分割领域存在的几大问题和挑战，讨论了对应的解决方案和思路，并对未来发展方向进行展望，以期进一步推动视网膜血管分割技术的进步，具有较好参考价值。

• 拥有一次性从陷门的可编辑区块链

  王杰昌,刘玉岭,赵新辉,张平,刘牧华,

  一些可编辑区块链方案不具备陷门撤销及更新的功能，一些方案不限制利用陷门进行编辑的次数，还有一些方案计算时间开销较大。针对这些问题，基于椭圆曲线密码学，分别设计参数生成、陷门生成、哈希、验证、陷门更新、预编辑、修改、编辑验证等算法，利用主陷门撤销的同时更新了从陷门。该从陷门只能对指定消息进行一次修改，构造出拥有一次性从陷门的变色龙哈希函数，并对其正确性、可更新性、主陷门抗碰撞性、从陷门一次性进行了形式化证明。以构造的变色龙哈希为基础，提出了新的可编辑区块链方案，并将其应用于慢性病卡审核。最后对方案进行了性能分析和实验评估，结果表明，与已有方案相比，该方案安全可控，其算法平均节省了约85.4%的时间开销，且其效率优势随关键算法执行次数的增大而增大。

• 在区块链环境下基于新型模糊加权零不一致性的医疗数据访问控制模型

  董建行,姜茸,田生湖,

  随着医疗数据量的持续增长，传统数据存储与访问方式已难以适应当前需求。为确保医疗数据的安全访问控制，结合区块链平台，创新性地融合了新型模糊加权零不一致性（FWZIC）与逼近理想解（TOPSIS）方法，提出了基于TFWZIC的综合评分访问控制模型（TF-ABAC）。该模型首先依据医生对数据内容的评价，利用FWZIC和TOPSIS计算数据的综合评分，以此评估数据的重要性；随后，基于用户的访问历史记录，生成医生的信任值，并据此设计智能合约部署于区块链上，以精准控制用户的访问权限；同时，模型还引入了奖励机制，针对不同访问行为给予用户相应的奖惩，从而强化了医疗数据的安全访问管理；最终，通过仿真实验验证，TF-ABAC在访问控制方面展现出显著优势，有效提升了医疗数据的安全防护水平。

• 一种通信高效的去中心化层次联邦学习架构

  吴钊,宋林涛,李晓丽,

  传统的联邦学习架构需要一个中央参数服务器来进行模型的收集、聚合和分发，这种中心式的架构过于依赖单个的中央服务器，从而面临中央参数服务器不可信问题和通信拥堵问题。为克服这些难题，将基于区块链的去中心化联邦学习架构与基于边-端-云三层架构的层次联邦学习进行整合，构建一种通信高效的去中心化层次联邦学习架构的方案，整个联邦学习系统划分为不同群组，群组间的交易处理、数据存储、区块共识相互隔离，同时不同群组间的交易可以并行执行，即保障了区块链系统的隐私性，也提升了效率。跨群组之间的消息互通会带上验证信息，是可信和可追溯的。此外，为了提高不同群组间模型传递的通信效率，引入了磁盘冗余阵列中的RAID10思想，采取模型切分与并行传输的策略，将群组内的客户端划分成多个通信组，并将模型拆分成多个部分，通信组并行传输模型的一部分，进一步提升了通信的并发性和通信效率。在Fisco平台搭建起来了相关实验平台，针对MNIST数据集展开了实验。实验结果表明，在采样2类、3类、5类数据样本的情况下分别达到了90.63%、90.67%、91.58%的准确率，同时群组间模型传递的通信效率也得到了提升。

• 基于图神经网络的去偏因果推荐

  荀亚玲,李欣意,韩硕,李砚峰,王兴,

  推荐系统通常依赖用户的历史交互数据进行模型训练，虽然能够较好地反映用户过去的行为偏好，但在捕捉用户的潜在兴趣方面存在局限性，同时也面临数据稀疏性问题；此外，推荐系统往往过度关注流行度较高的项目，而未能充分考虑用户的真实偏好，进一步限制了推荐的多样性和个性化水平。针对上述问题，提出一种去偏因果推荐方法GDCR（graph neural network-based debiased causal recommendation）。首先，GDCR引入图神经网络GNN来聚合用户-项目交互图和社交网络图中的信息，过程中不仅考虑了用户对不同项目的评分差异，还根据用户之间关系的紧密程度进行深入分析，从而获取更丰富、全面的用户表示和项目表示。然后构建因果图描述数据的生成过程，并分析导致过度推荐热门项目除了受流行偏差影响外，还受到一致性偏差的影响，由此，应用后门调整策略来消除上述偏差。在MovieLens和Douban-Movie两个公开数据集上，与八种基线方法进行了对比实验，结果表明，GDCR方法相较于其他先进的推荐方法展现出显著的性能优势，进一步验证了该方法在缓解数据稀疏性问题和提升推荐准确性方面的有效性。

• 隐式关系增强的图神经网络推荐算法

  熊中敏,张军,

  在推荐任务中用户社交网络信息和用户-项目交互信息可以用来提高推荐性能。但现有的社交推荐算法往往仅使用初始的社交图与交互图，未充分挖掘用户间以及项目间潜在的链接关系，同时没有考虑社交关系中的不可靠性。为此，提出融合隐式关系的图神经网络推荐算法（IREGraphRec）。首先，在多视角下挖掘实体间潜在信息来获取可靠的用户社交信息及用户项目交互信息，并将其重构为基于用户偏好的异构信息网络，运用图谱嵌入和定义多种元路径方式获得特征向量表示，同时使用注意力机制为其在信息聚合中分配不同的权重。最后，在图神经网络中进行多轮学习来获得最终的预测结果。在Epinions等三个公开的数据集上与S4Rec等传统网络模型进行对比，在MAE上降低了1.65%，在RMSE上降低了2.34%。实验结果和分析证明提出模型更具优势。

• 基于多门控网络属性信息融合的序列推荐

  李新义,张彬,宋温温,

  现有的序列推荐模型在整合属性信息时未能同时考虑噪声干扰和属性信息的利用率，无法充分有效融合属性信息进而影响推荐性能。针对此问题提出一种基于多门控网络属性信息融合的序列推荐模型。该模型通过在注意力机制中考虑属性信息的值向量来提高属性信息的利用率，此外，将门控机制引入到前馈神经网络中来降低噪声的影响。首先，给定用户的历史交互物品序列，通过嵌入层生成物品表征及其对应的属性信息表征。其次，经过解耦表征融合注意力机制，从多个表征中生成融合属性信息的混合表征；然后，通过多门控前馈神经网络中的多个门控线性结构对混合表征进行噪声过滤，以提取更为精确的混合表征；最后，从混合表征中得到用户的最终表征，用于物品预测和属性信息预测任务以提高模型推荐性能。在beauty、sports和toys这三个公共数据集上进行实验测试，与效果较好的基线模型相比，该模型在recall@20指标上分别提升了1.40%、1.76%和1.24%，在NDCG@20指标上分别提升了3.50%、3.48%和2.01%。实验结果表明，所提模型能够在减少噪声干扰的同时提高属性信息的利用率，从而有效提升推荐的性能。

• 一种基于确定性环境模型的离线强化学习方法

  汤瑞航,黄初华,秦进,

  现有的基于模型的离线强化学习方法中，大多着力于研究不同形式的保守主义应用，而忽略了对该类方法至关重要的部分——环境模型的研究。为了补充对环境模型影响的研究，提出了一种基于确定性模型的离线强化学习算法（deterministic model-based offline reinforcement learning，DMO）。首先，DMO针对离线数据与在线模型算法中数据特性的不一致，提出了一种适合离线RL问题的确定性建模环境的方法。其次，DMO使用转移中状态动作对在分布内的程度来衡量整个转移的不确定性，进而提出了基于不确定性衡量的奖励调整和模拟轨迹截断控制方法。DMO在D4RL的十二个机器人控制任务中进行了评估。最终在所有的测试任务中，DMO在以TD3+BC、BEAR、COMBO等算法为基线的比较中实现了8.2%~38%的平均得分提升。

• 基于动态人群超图卷积网络的自闭症诊断方法

  王国华,王丽芳,薛小红,王千山,李海芳,

  近年来图神经网络已被广泛应用于自闭症辅助诊断，现有研究大多采用手工计算的方式构建被试间相似图以实现诊断，难以准确建模被试间的复杂关系。此外，多数方法还忽略了对脑区自身特性的利用。为解决以上问题，提出了一种结合功能连接和动态低频波动振幅两种特征的动态人群超图卷积自闭症诊断方法DPHCN。采用多角度超图构建结合动态超图卷积实现自闭症诊断，在包含17个站点的公开数据集ABIDE-I上对所提方法进行了评估，达到了患者和正常被试间87.4%的分类准确率，优于许多现有方法。此外，还在ADHD-200数据集上进行了实验，并利用基于梯度的显著图法识别了对分类重要的大脑功能连接，结果表明所提方法有良好的泛化性和挖掘潜在生物标志物的能力。

• 基于网络孪生的车路协同感知共享方案

  夏春星,刘建航,狄永锟,黄庭培,杨乐乐,

  车路协同感知在保证行车安全方面中发挥着重要作用。通过接收路边基础设施共享的协同感知信息（CPM），车辆可以获取更丰富的道路状况和交通流量等实时信息，从而提高驾驶安全性和交通效率。然而，现有的CPM共享策略面临着诸多挑战，包括数据频繁交互导致信道拥塞、无差别数据共享导致信息冗余等问题。为此，提出了一种基于网络孪生的车路协同感知共享方案（CPCS）。该方案依托孪生体所收集的感知信息，通过修正运动状态与量化道路用户意图相关性，基础设施有选择地与车辆共享道路信息，有效提高信息准确性。此外，鉴于车辆感知需求的多样性和实时信道繁忙率的变化，设计了多车请求场景下CPM自适应传输频率调整和动态带宽分配算法，避免信道拥塞与资源浪费。仿真结果表明，所提方案在提升车辆感知服务质量以及减少信息冗余方面表现出显著成效。

• 基于新型多目标深度强化学习模型求解固定式-移动式-无人机式协同配送的AED选址问题

  揭慧鑫,刘勇,马良,

  当前单一固定式自动体外除颤仪（automated external defibrillator，AED）存在数量不足、覆盖不均的问题，难以同时满足时间、成本方面的需求。为优化AED资源的配置与使用效率，考虑固定式AED、移动式AED、无人机式AED三种方式协同配送，以成本最小、配送时间最小建立双目标AED选址模型。由于该模型属于NP-hard问题，提出了新型多目标深度强化学习模型（novel multi-objective deep reinforcement learning，NMDRL），并针对多目标特点，设计双向协同图注意力机制以及多重最优策略增加Pareto解的多样性和分布性。在四种规模的算例上进行消融实验以及灵敏度分析，验证了双向协同图注意力网络、多重最优策略、门控循环单元各组件的有效性。在三种规模下的对比实验表明NMDRL算法在HV值、IGD值、支配性指标上优于NSGA-Ⅱ、MOPSO以及其他多目标深度强化学习算法，且模型微调步骤可以有效增强算法的多样性和分布性。最后，以上海市杨浦区为研究对象进行数值实验，并针对无人机AED成本参数进行灵敏度分析，验证了模型及算法的可行性，为AED实际布局提供了有效对策。

• 基于前置归一化Transformer的融合多模态行人过街意图预测模型

  陈振东,刘广聪,叶振宇,

  预测行人的过街意图是自动驾驶系统中的行人与车辆交互重要环节之一，目的在于提前预测出道路两侧行人的过街行为，作出减速或避让的决策。为了能够提升识别行人过街意图的准确性，受到前置归一化注意力机制的启发，提出了一种基于前置归一化注意力机制的行人过街意图预测模型，对行人不同模态特征进行提取并互补融合。该模型使用单模态特征增强模块（UFE）对单一模态进行关键特征提取，随后使用多模态特征交互模块（MFI）进行不同模态之间的特征融合。实验证明，在PIE和JAAD数据集上的准确率均达到91%，并且对模态信息的不同融合策略进行了广泛的消融实验，证明了其有效性，为自动驾驶系统提供更准确的行人过街意图预测。

• 基于混合自编码器的双通道多层次对比学习立场检测

  曹均皓,朱小飞,程佳玮,

  立场检测旨在识别作者对特定文本的态度或立场（同意、不同意、中立）。现有仅基于文本信息的方法在跨域场景中的表现存在局限性。为此，针对如何利用社交关系信息辅助立场检测展开了研究。研究从评论和回复数据中提取社交关系信息，并将其构建为归纳社交关系图。同时，提出了一种结合自编码器（autoencoder，AE）和变分自编码器（variational autoencoder，VAE）的混合自编码器立场检测框架，用于精确建模作者的社交关系特征，以提升立场识别的效果。为进一步学习鲁棒的社交关系特征，设计了一种双通道多层次对比学习方法，通过在混合自编码器内部以及不同社交关系图之间进行特征对比，增强模型对社交关系的建模能力。在DEBAGREEMENT数据集上进行了域内和跨域任务的实验，结果表明该框架在测试中的表现优于多个基线模型。研究结论验证了社交关系信息在立场检测任务中的重要性，并为未来相关研究提供了新的思路和方法。

• 基于优先融合与模态注意力机制的虚假新闻检测

  张廷,袁虎,赵小兵,

  针对现有多模态虚假新闻检测方法侧重提取图像语义层面特征，忽略图像的频域特征，缺乏对图像内容的细粒度编码，所导致的文本和图像信息不匹配以及融合不充分的问题，提出了一种基于优先融合与模态注意力机制的虚假新闻检测模型。该模型通过优先融合模块有效整合文本特征、图像频域特征和图像空间域特征，并利用模态注意力机制动态调整各模态特征的权重，增强多模态信息间的协同作用以进行虚假新闻检测。在Weibo和Gossipcop两个公开多模态数据集上进行对比实验，所提出的模型准确率分别达到了91.3%和90.5%。实验结果表明，该模型能够捕捉模态间特征的复杂交互，有效融合不同模态的信息，提高了虚假新闻检测的准确率。

• 基于改进黑翅鸢优化算法的动态无人机路径规划

  王兴旺,张清杨,姜守勇,董永权,

  针对复杂山体地形和障碍物威胁区域环境下的无人机（UAV）路径规划问题，提出改进黑翅鸢优化算法的动态无人机路径规划方法，旨在提升无人机在动态复杂环境下的路径规划性能及安全性。首先，通过设计山体地形、障碍物、动态威胁区域和动态目标，建立山体动态环境模型；其次，提出一种自适应攻击策略，加快算法前期收敛速度，平衡算法全局搜索和局部挖掘的能力，设计线性锁优策略，获取优质个体，加速种群收敛；最后，通过设计可变缩放因子改进差分进化策略，并将其融入黑翅鸢算法中，以提高算法避免陷入局部最优的能力，同时提出了动态响应机制以应对环境动态变化。为了验证所提算法的性能，与一些现存的智能算法在CEC2022测试函数中和不同规模的环境模型中进行实验对比。结果显示，与标准黑翅鸢算法相比，所提算法的收敛精度提高了6.25%，标准差减少了54.6%。实验结果表明，所提改进黑翅鸢优化算法在收敛速度和收敛精度方面具有显著优势，能够有效处理动态无人机路径规划问题，提高无人机在复杂环境中的路径规划性能。

• 考虑车辆和任务匹配相关性的自动化仓库AGV避碰路径规划

  孙卓,戚子炀,

  针对短期任务分配和避碰路径规划的结合问题，考虑自动导引车（AGV）与任务之间的相关性，首先引入任务分配机制（TA），从而可以按照任务分配总成本从低到高的顺序生成多种任务分配方式。对于每种任务分配方式下的AGV避碰路径规划问题，建立限制的主问题模型并设计改进的分支切割和分支定价（BCP）算法求解，得到所有AGV的避碰路径且路径长度之和最短，并针对添加割平面以及分支约束后产生的限制的主问题模型不可行问题，创新性地引入福克斯定则法，将求解有助于恢复模型可行性方案的过程转换为在特殊权重的三维时空地图上求解最短路径的问题，以快速恢复模型可行性或证明模型不可行。设计精确算法BCP-TA将TA与BCP相结合，利用在相同任务分配方式下，所有AGV的最短避碰路径长度之和一定大于等于其最短避障路径长度之和的性质帮助算法快速收敛，从而找到最合适的任务分配方式使得所有AGV的避碰路径长度之和得到全局最小值，即求得短期结合问题的最优解。最后实验部分，在不同大小的地图下调整AGV的数量以及AGV与任务之间的相关性强度，将BCP-TA算法与现有求解短期任务分配和避碰路径规划结合问题的精确算法CBS-TA以及两阶段法的运行速度和结果进行比较，实验结果表明算法运行环境越复杂，BCP-TA在计算效率和求解结果上的优势越明显。

• 面向复杂非结构化三维环境中的AMR路径规划

  谢星星,彭滔,唐灿,彭俊虎,

  针对复杂非结构化三维环境中自主移动机器人（AMR）路径规划的安全性和规划效率问题，基于真实地形模型数据提出了一种融合改进Q-learning（DEM initialization Q-table reward random exploration-exploitation balance Q-learning，DIRRQ-learning）与改进动态窗口法（DWA）的三维路径规划算法。首先利用数字高程模型数据（DEM）来评估地面地形的复杂程度，建立了复杂非结构化的三维环境模型。其次，在三维环境模型的基础上，通过改进奖惩机制和引入地形特征初始化Q值表改进Q-learning，并调整了探索与利用的平衡策略以加快收敛速度，设计了DIRRQ-learning三维全局路径规划算法实现了全局路径规划。在全局路径规划的基础上，针对实时三维环境模型中的未知障碍物通过改进DWA算法，实现动态实时避障的AMR局部路径规划。最后实验结果表明：在全局路径规划方面，DIRRQ-learning相比传统Q-learning算法在路径安全性方面提升了18.2%，收敛速度提高了20.79%；在局部路径规划方面，改进的DWA相比传统DWA算法在路径安全性方面提升了2.4%。因此，提出的三维路径规划算法显著增强了复杂非结构化三维环境中的路径安全性与规划效率，从而提高了AMR的路径规划通行能力与效率。

• 基于内在奖励机制的多机器人社交编队导航

  刘伟,符浩,周帅,

  针对多机器人社交编队导航存在的相对过度泛化问题，通过激励机器人探索联合观测空间的方式，提出了基于内在奖励机制的多机器人社交编队导航算法。首先，将随机网络蒸馏内在奖励与椭圆回合内在奖励相结合，形成双时间尺度内在奖励，提升多机器人的探索能力，从而获得最优的多机器人联合策略；其次，通过将内外奖励设计与集中式训练分布式执行的框架相结合，采用集中式的内在奖励学习方式，激励多机器人探索联合观测空间，克服多机器人社交编队导航的相对过度泛化问题；最后，通过所提算法与基线算法的仿真对比实验，建立多机器人社交编队导航的评估机制，并进行相关的定量与定性分析。实验结果表明，从成功率、碰撞率、导航时间和队形误差等指标的定量和定性评价来看，所提算法优于基线算法。与现有的多机器人社交编队导航算法相比，所提算法能够获得更好的编队导航性能。

• 基于特征对齐的异质协同感知架构与算法

  凡浩,李永,

  协同感知可以有效解决单一自动驾驶车辆感知距离受限、易被遮挡的问题，是未来自动驾驶落地不可或缺的一环。然而，各公司的自动驾驶车辆往往配备不同的传感器和感知模型，这使得它们产生的特征图是异质的，需要多方共同训练特征融合模型或者修改预训练模型的参数才能实现协同感知，灵活性很差，限制了协同感知的落地应用。为了解决该问题，提出了一种将协同感知和单车感知解耦且高灵活性的异质协同感知框架。该框架在协作系统中共享协同感知特征融合模型，对于每类将要加入协作的异质车辆，固定预训练模型参数后，在其本地训练一个特征对齐模块来适配公用的协同感知模型，实现异质协同感知到同质协同感知的转换。通过对比异质特征的差异，提出了一种融合了局部和全局注意力机制的特征对齐模块，能够有效地实现异质特征到同质特征的转换。实验结果显示，所提方法在异质协同感知数据集OPV2V和OPV2V-H上的平均精度达82%，优于其他八种协同感知方法。实验结果证明，所提方法在保证架构灵活性的前提下，能够有效实现异质特征之间的对齐。

• 考虑空闲时隙与多种任务序列的云工作流调度方法

  蒋新唤,王芸,王晖,朱肖泽,吴志强,

  具有期限约束的工作流调度是云计算中一个具有挑战性的问题。结合不同任务调度序列和虚拟机空闲时隙的利用对调度性能的影响，提出一种改进人工蜂群（artificial bee colony，ABC）的云工作流调度方法（PNABC）对该问题求解，目的是满足期限约束条件下降低工作流执行费用和提高虚拟机利用率。在PNABC中，首先在观察蜂搜索阶段引入邻域搜索代替概率搜索选择好的食物源（调度解），避免了PNABC过早陷入局部最优；其次提出一种结合任务子期限和空闲时隙的解码规则将食物源解码为调度解决方案，该规则通过适当延迟任务的执行来提高虚拟机的利用率；最后针对ABC算法随机迭代中存在调度解违背任务优先级关系的情况，设计了一种结合调度解和就绪任务子集的有效任务调度序列生成方法。将PNABC方法应用于不同规模的工作流实例上。实验表明，PNABC方法在满足期限约束、优化工作流执行费用和提高虚拟机利用率方面比对比算法表现更优。

• 一种基于权重网络的约束多目标任务卸载优化方法

  赵文卓,唐宏,冯琛,戴佳妤,

  在移动边缘计算（MEC）网络的现有研究中，部分研究专注于对时延或能耗单方面的优化。然而，在实际的计算卸载场景中，用户体验受到多个相互冲突的目标约束，仅对一个目标进行优化难以满足复杂的应用需求。此外，由于这些目标之间容易发生冲突，部分研究多个优化目标通过加权和的方式组合成单一的优化目标，这类做法易丢失目标需求信息，为此提出一种基于权重网络的约束多目标任务卸载优化方法（WNDQN）。首先，通过引入权重网络，使决策中心根据环境信息选取智能体给出的最关联权重值，并执行该权重值所在智能体所推荐的动作；其次，通过引入基于损失值的经验回放机制和动作探索机制，有效缓解算法陷入局部最优解的问题，显著加快收敛速度，提升算法的稳定性。实验结果表明，该方法能够在边缘客户端设备电量有限的条件下，加速神经网络的收敛，实现时延和能耗的动态平衡，有效减小边缘客户端的加权代价，显著改善用户体验。

• 基于K-means++算法与YDSE算法的多农机协同优化

  彭汪忆楠,赖惠成,于逸然,张过,

  针对农业生产中农机磨损问题常被忽视，导致任务分配和路径规划不合理的问题，提出一种高效的任务分配与路径规划算法，基于磨损感知的多农机协同优化方法（wear-aware multi-machine collaborative optimization method，WAMMCO），以提高农业生产效率。首先，开发了一种融合荷兰式拍卖机制和惩罚因子机制的改进K-means++算法，并引入偏置处理，以实现农机工作负荷的均衡分配；其次，基于杨氏双缝实验（YDSE）原理，设计了一种元启发式算法，该算法结合离散化处理和多扰动策略，以优化农机作业路径并寻找最短作业路径；最后，结合贪心算法（GA）和农机的实际磨损情况，实现了农机的高效分配。仿真实验结果表明，在任务分配阶段，该算法比相同偏置约束下的constrained-balanced K-means++算法具有更快的运算速度；在路径规划阶段，与ACO、GWO、BWO、HO等算法相比，该算法在寻找全局最优解和收敛时间上表现更优；在农机分配阶段，不同农机数量下，该算法展现出其可行性、有效性和合理性，为农业生产智能化管理提供了新的技术支持，显著提升了农机作业的综合性能。

• 基于改进人工蜂鸟算法的装船调度优化方法

  刘文远,周如意,厉斌斌,

  为提升散杂货进出港作业效率，减少船舶在港时间，提出一种基于改进人工蜂鸟算法的装船调度优化方法。首先，在综合考虑泊位、装船设备和堆场三部分因素相互影响的条件下，以船舶总在港时间为优化目标，构建协同调度优化模型。然后，鉴于人工蜂鸟算法在求解离散问题的局限性，对人工蜂鸟算法进行离散化改造，进而提出一种改进型人工蜂鸟算法，引入自适应飞行参数控制蜂鸟个体的飞行方式，同时通过改进最优个体引导策略优化AHA的位置更新过程，进一步平衡 AHA的全局探索与局部开发能力。为了进一步增强算法避免局部最优解的能力，引入了变异策略调整和优化蜂鸟的位置。最后，在基准测试函数上进行有效性实验，并与其他群智能优化算法进行对比，验证改进算法的寻优性能。进一步通过对散杂货港口的历史数据进行测试，采用改进算法进行求解计算，并与基础的人工蜂鸟算法进行了比较。实验结果表明，该策略缩短了船舶的在港时间，能够得出相对较优的调度方案，为港口船舶优化调度提供新方案，有一定的实际意义。

• 面向运行时复杂数据的零序列化远程过程调用mRPC

  刘中一,阎松柏,黄向平,崔华,

  远程过程调用是云计算平台的核心组件之一，其可传输数据的复杂度与效率由序列化技术决定，C++语言相关数据传输序列化实现较少，尚欠缺完全支持标准模板库容器和指针嵌套的方法。设计了一种面向复杂数据对象的高性能远程过程调用方法，利用内存映射技术的零序列化协议与精细化内存映射管理技术，扩展了基于C++数据结构的可传输数据类型，同时提高了传输效率与开发效率。实例验证中，与主流远程调用方法相比，该方法在客户端和服务端最好情况下可提升27.20%和76.79%的性能，并节约43.13%的编程时间。该方法简洁高效，可有效解决C++语言在数据传输序列化方面的不足，特别适用于由传统架构向新型分布式架构转换的场景，也为云计算和微服务等领域的数据传输提供了新的解决方案。

• 基于UVM的PCIe交换芯片Switch子系统验证平台的设计

  郑锐,沈剑良,刘冬培,李智超,曹睿,

  PCIe是一种高速串行计算机扩展总线标准，据此设计的PCIe交换芯片可将CPU提供的PCIe通道扩展出更多的PCIe接口。然而，随着PCIe交换芯片设计复杂度和验证向量剧增，传统基于Verilog搭建的验证平台难以实现对逻辑复杂的Switch子系统高效地验证，且缺乏功能覆盖率模型。为解决上述问题，采用UVM通用验证方法学，搭建了针对PCIe交换芯片中Switch子系统的验证平台，采用层次划分设计，支持覆盖率驱动，且较于一般UVM验证平台作出效率优化。具体而言，首先，对平台组件Reference Model建立通信对象和通信方式进行优化设计；其次，对平台组件ScoreBoard的比对方式和接收报文端口进行改进；最后，依据PCIe协议及交换芯片特点，对功能点进行梳理分类后针对性地设计了测试用例，对Switch子系统进行全面验证。经信号波形及覆盖率数据的分析表明，改进后的验证平台在没有人为过滤的情况下实现了96.8%的代码覆盖率和100%的功能覆盖率，仿真时间平均减少了约10%。该平台显著提升了验证效率，高效地支撑了PCIe交换芯片的验证工作，为相关UVM验证平台的搭建提供了参考。

• 支持上下文感知的图结构混合访问控制模型

  陈函,袁凌云,张黔会,戴晖,保昊辰,

  针对现有访问控制模型在高负载情况下性能不足、缺乏对上下文信息的综合考虑等问题，提出一种支持上下文感知的图结构访问控制模型G-RABAC（graph-based role and attribute-based access control）。首先，G-RABAC结合RBAC（role-based access control）与ABAC（attribute-based access control）模型，将基于ABAC的访问控制策略可视化为授权图，定义角色间的关系为特殊的主体属性，实现了属性和上下文信息的高效管理。其次，构建了基于G-RABAC的访问控制框架，并设计了基于上下文的访问控制决策算法和风险感知算法，实现了支持多维上下文感知的访问控制。在此基础上，集成区块链和G-RABAC模型，设计了用户身份合法性验证合约，结合Web3.0技术有效监控和处理用户访问行为，提升了访问控制的安全性和透明性。实验结果表明，G-RABAC模型的访问控制效率显著提升，与所选基线方案相比，访问控制时间开销基本维持在230 ms以内，且能够在多用户并发场景中支持安全且细粒度的访问控制，具备更高的灵活性和扩展性。

• 服务功能链部署的能耗与负载均衡联合优化

  王昌达,李柔,张治平,

  针对如何在部署服务功能链SFC（service function chain）的同时兼顾低能耗与网络负载均衡，提出了一种以节点负载状态预测为基础的SFC部署方法NIR-IACA（improved ant colony algorithm based on node importance ranking）。首先，使用基于粒子群优化的CNN-GRU模型（particle swarm optimization-based CNN-GRU model，PCNN-GRU），结合广义网络温度（GNT）预测网络节点的负载状态，并据此为SFC部署提供备选节点；其次，基于最短路径优先策略的改进蚁群算法（ant colony algorithm，ACA）设计SFC部署节点选择策略（high availability and resource scheduling，HARS）且对选定节点进行虚拟链路映射，优化目标兼顾基础设施网络低能耗与负载均衡的要求。基于Clearwater VNF公开数据集的实验结果表明，提出的NIR-IACA方法与现有的MC-EEVP算法、DPVC算法以及RQAP算法相比平均节省13.09%的能耗，并提高12.98%的负载均衡能力，且在维持相对较高SFC请求的接受率的同时，可以较好地实现SFC部署的能耗与负载均衡联合优化。

• 动态稀疏阶估计的自适应盲频谱感知算法

  梁燕,王晶,邵凯,

  受奈奎斯特-香农采样定理的限制，宽带频谱感知（WBSS）的首要难点是对宽带信号的采集和恢复。根据自适应压缩频谱感知（ACSS）提出了一种动态稀疏阶估计（SOE）的自适应盲频谱感知（adaptive and blind compressed spectrum sensing，ABCSS）算法。ABCSS采用调制宽带转换器（MWC）结构，针对广义信息准则（GIC）算法只能实现静态SOE的问题，将GIC算法应用于ACSS分时隙方案中实现动态SOE，并且联合SOE瞬时值设计了GIC-OMPa算法保证信号重构的实时性和准确性；在ACSS固定步长调整采样率的基础上，联合SOE瞬时值和反馈函数，设计一种采样率动态调整策略，通过实验数据统计分析设计了步长补偿数，提升时间性能和压缩采样率性能。结果表明，ABCSS相比ACSS以更少时间达到0.9以上的高检测概率，同时有效降低了虚警概率；在频段占用数大于22时压缩采样率明显降低。故ABCSS相比ACSS能够提升WBSS的实时性能和压缩采样率性能。

• 基于洋流模型的势博弈UWSN分簇路由算法

  李华,汤敏丽,魏连锁,谭永前,

  为了解决水下无线传感器网络节点网络能耗不均和“能量热区”问题，提出一种基于洋流模型的势博弈水下传感器网络分簇路由算法。该算法首先采用基于竞争时间的簇头选举方式，通过综合考虑剩余能量和节点密度对竞争时间的影响来决定广播时间；同时，通过定义竞争半径函数，使距离基站更近的簇群规模更小；然后，构造基于势博弈的节点入簇模型，当该模型达到纳什均衡状态时，得到最优簇群划分方式，完成节点入簇；最后，在簇间数据传输阶段，基于节点深度与剩余能量设计了一种簇间路由选择机制，根据邻居簇头的深度和剩余能量决定各个邻居簇头的转发概率，进而选出最优传输路由。实验结果表明，该算法能有效解决能耗不均和节点“能量热区”问题，相较于LEACH、EEUC、UCUBG和IMCMR-UWSN算法，所提算法将网络生命周期延长了69%、52%、45%和29%，同时具有更高的网络吞吐量。结论表明，该算法在提高网络性能和延长生命周期方面具有显著优势，为水下无线传感器网络的设计与优化提供了新思路。

• 面向异构数据的安全自适应联邦学习框架

  李功丽,刘芳芳,雷宏志,王梦涛,

  联邦学习（FL）作为一种分布式学习范式，实现了本地训练和远程聚合，可以有效保护用户数据的安全。但是，也产生了推理攻击和投毒攻击等一系列问题，特别是在数据异构场景下投毒检测变得更加困难。针对上述问题，在数据异构场景下提出了一种安全自适应联邦学习方案（SAFL）。首先，SAFL利用边缘节点之间的相似性设计了一种聚类分层的隐私保护FL架构，并提出了基于零共享的轻量级FL安全求和协议，在保护模型参数隐私性的同时防止边缘节点与服务器之间合谋；然后，构造了一种密文下投毒检测方案并根据检测结果自适应裁剪确定簇内聚合系数，提高模型的鲁棒性；其次，提出了基于Wasserstein距离的自适应簇间聚合方案，增强全局模型的精度；最后，对SAFL进行安全分析，并将SAFL与现有方案进行比较。结果表明，在数据异构和盲化模型参数的情况下，SAFL仍能够有效检测恶意边缘节点，模型准确率提高约6.2%~45.6%，优于现有方案，并保持较低的计算和通信成本。

• 具有抗共谋攻击的可扩展分层属性基加密

  韩志翔,田野,张虹,

  云存储中的属性基加密技术可以实现细粒度访问控制，提升数据安全性。其中分层属性基加密方案通过构建层次化的访问控制策略，有效降低了计算和存储成本。然而，现有分层属性基加密方案由于分层访问控制结构的参数设置易受用户合谋攻击，且在处理访问策略具有细微差异的文件时策略复杂度较高。为此，提出了一种具有抗共谋攻击的可扩展分层属性基加密算法，该算法支持在加密过程中扩展层次节点，使访问策略不同的文件能够共享同一层次节点进行加密，简化了访问策略具有细微差异的文件加密过程。通过引入用户身份噪声向量，同解密过程中间值相绑定，使得用户无法通过中间值得到解密信息，防止恶意合谋获取敏感信息。安全性分析证明该算法在CPA模型下是安全的。实验结果表明，该算法在保持较低性能损耗的同时，有效抵御了共谋攻击，并显著提高了处理访问策略具有细微差异文件的效率。

• 面向电力物联网设备的基于PUF的轻量级认证协议

  张跃飞,袁征,冯笑,乔雅馨,

  随着电力物联网设备的普及和应用范围的不断扩大，对于这些设备的安全性和认证机制的需求日益增加。传统的认证方式存在着密钥管理复杂、计算成本高等问题，因此迫切需要一种轻量级且高效的认证协议来满足电力物联网设备的安全需求。针对这一问题，提出了一种新的基于物理不可克隆函数（PUF）的轻量级认证协议，该协议通过改进传统PUF认证机制，设计扩展挑战-响应对（CRP）结构，低成本实现对电力物联网设备的高安全认证。在介绍了电力物联网设备安全性挑战和PUF技术原理的基础上，详细阐述了提出的认证协议的设计思路和关键步骤，并对其在应用中的安全性和性能进行了分析和评估。研究结果表明，所提出的基于PUF的轻量级认证协议在安全性和效率上均具有较好的性能，能够有效应对电力物联网设备面临的安全威胁，具有一定的实用和推广价值。

• 双通道转义融合网络实现双平面X线片重建脊柱三维模型

  凌健航,张俊华,

  治疗脊柱侧弯的关键是准确了解患者站立姿态下的脊柱三维结构，但采用CT成像无法满足站立姿态要求，且面临着辐射强、适用人群受限等问题。针对这些问题，提出了一个能从双平面X线片中重建出脊柱三维模型的卷积神经网络，称为2XR3DS-Net。通过在双通道卷积网络中引入结合了通道注意力机制的残差网络，增强了从X线片中提取脊柱信息的能力，提升了重建整体的质量。同时，设计了一个转义融合模块解决来自不同X线片的二维特征语义不一致的问题，增强重建对象在细节上的表现。重建三维模型时采用通道参数共享的三维反卷积模块，减少了模型参数量，缩减了模型的训练时间。2XR3DS-Net从17组不同的测试集上重建出的脊柱三维模型在豪斯多夫距离、平均表面距离和三维交并比上分别平均达到3.40 mm、0.55 mm和0.60。与其他方法相比，该方法的重建结果在豪斯多夫距离、平均表面距离，三维交并比方面均表现得更好，实验结果证明了该方法的有效性。

• 结合滤波和投影角特征交互的稀疏视图锥束CT重建

  何希,张红英,

  现有稀疏投影视图锥束CT重建方法存在重建图像质量低、重建时间长、无法端到端重建等问题。针对这些问题，提出一种深度滤波多投影角特征提取网络FMA-Net。首先，在频域对投影数据进行处理，以有效抑制噪声和伪影；其次，引入多投影注意力模块与视觉状态空间模块，提升网络对投影数据特征的提取能力，提高投影特征信息的利用率；最后，使用多投影角特征交互模块获取同一投影点在不同投影角度下的相似信息，从而提高锥束CT重建数据点质量。在21个真实核桃和1 018个肺部CT投影数据上与FDK、SART、SART_TV、CGLS、CNCL、DIF-Net进行对比实验。结果表明，FMA-Net在18、21、24、27四种不同投影图像数量条件下与六种典型方法的重建图像相比表现最优。核桃数据集上平均RMSE下降14.6%，平均PSNR上升4.3%，平均SSIM上升1.75%，LIDC-IDRI肺部数据集上平均RMSE下降16.3%，平均PSNR上升5.4%，平均SSIM上升5.5%，同时重建速度领先。所有结果表明FMA-Net可快速从稀疏投影视图中重建出高质量的锥束CT图像。

• 基于扩散模型的手部网格重建算法

  陈家林,周永霞,

  单目图像重建手部网格是一项极具挑战性的任务，主要受到视野受限和手部遮挡等问题的影响，导致图像和网格之间存在非唯一的映射关系。为了解决这一问题，提出了一种基于扩散模型的手部网格重建算法（DiffHand）。该算法通过引入噪声来模拟网格重建过程中的不确定性，将手部网格的重建视为反向扩散过程，并在此过程中根据外部条件选择最佳网格。为了有效模拟手部网格的结构连通性，设计了U型去噪网络。该网络首先引入了拓扑感知特征嵌入层，通过融合空间拓扑信息和门控机制，增强了顶点特征之间的空间关系，同时减轻了噪声干扰。其次，设计了双分支图卷积Transformer模块，用于提取顶点的局部和全局特征并进行有效融合，以增强不同特征之间的互补性。最后，选择2D关节采样特征作为扩散模型的条件输入，通过交叉注意力进行特征融合，进一步优化重建过程。实验结果表明，该算法在FreiHAND数据集上的PA-MPJPE指标达到了6.0 mm，显著优于其他先进算法，充分验证了其优越性和有效性。

• 融合单目先验信息的快速神经隐式表面重建算法

  吴锦湖,杨晓君,王靖,

  近年来，神经隐式表面重建方法已成为多视图三维重建的热门技术。然而，现有的方法存在一些缺点，主要表现在训练时间较长，其主要原因有两个：首先，相机与物体表面之间存在大量空旷区域，而这些区域的信息对最终的重建质量贡献较低；其次，每个射线样本都需要通过庞大的多层感知器（MLP）进行查询，这导致训练时计算负担过重，影响效率。此外，在进行三维重建时，由于缺乏几何约束，导致重建结果不够理想。为了解决这些问题，提出了FM-NeuS算法：在射线行进时，使用跳过空区域和在遮挡区域终止射线的策略，以减少每条射线上采样点的数量，从而加速模型的训练；采用融合多分辨率哈希编码的轻量型MLP，加快采样点的查询效率，减少训练时间，并提升重建物体的表面细节；利用单目先验知识约束表面几何，以提高重建质量。大量的实验证明，该方法能够产生高质量的表面，并且其训练速度比NeuS快20倍。

• 融合迁移校正与自适应知识蒸馏的小样本目标检测

  张英俊,薛凡,谢斌红,张睿,

  针对目前基于微调范式的小样本目标检测方法存在模型偏差和检测器难以区分类无关知识的问题，提出一种融合迁移校正与自适应知识蒸馏的小样本目标检测方法（TCAD-FSOD）。其中，对于偏差问题，设计了物体感知RPN模块（OA-RPN）和分布校正模块（DCM）。OA-RPN利用背景筛选机制校正有偏差的RPN结果，DCM利用基类信息辅助校正有偏差的新类分布。对于检测器难以区分类无关知识的问题，提出了自适应温度知识蒸馏模块（ATKD）。ATKD通过自适应温度生成器进行精细的知识蒸馏，使检测器能够渐进式地显式学习基类与新类之间与识别相关的共性知识。实验结果表明，相较于目前已知的最新算法结果，该方法在PASCAL VOC数据集的性能最高提升可以达到2.7%，在COCO上最高提升了0.7%，说明TCAD-FSOD算法能够有效缓解模型偏差，提升对新类的识别能力。

• 基于CNN和视觉状态空间的遥感影像语义分割

  张仕洁,张斌,赵文豪,

  随着深度学习的发展，基于CNN和Transformer的语义分割在遥感领域得到了广泛应用。然而，这些方法仍存在局限：前者缺乏远程建模能力，后者受制于计算复杂性。最近，Mamba所提出的视觉状态空间（visual state space，VSS）模型展现了其能够对远程关系进行有效线性计算的能力。受此启发，提出了一种基于CNN和视觉状态空间的遥感影像语义分割网络，以克服现有方法的局限。首先，构建一个由CNN和VSS分支组成的架构，并行提取多尺度特征信息，挖掘局部相关性并捕获远程上下文依赖关系，并将VSS代替Transformer应用于解码器；其次，设计了协同调制模块学习空间权重调制特征，以自适应融合双分支语义信息，增强语义信息间的依赖关系；最后，使用额外的辅助头优化网络，通过辅助损失函数引导模型在训练中更多关注关键区域。该方法在LoveDA和Vaihingen数据集上进行实验验证，其mF1指标分别为69.61%和90.53%，mIoU指标分别为53.95%和83.13%。实验结果表明，所提出的模型在这两个公共数据集上表现优于其他分割模型。

• 面向图像分割的由粗至细超像素模糊聚类方法

  张传斌,朱嘉贤,王俊波,蔡文伟,白伟华,

  为提高超像素分割算法的边界贴合精度，提出了一种基于由粗至细超像素模糊聚类的图像分割方法（CFSFC）。该方法首先对图像实施精细预分割，继而采用高斯分布模型描述超像素特征，并通过均值和标准差向量构建超像素的特征向量。在此基础上，将Wasserstein-2距离引入目标函数，设计了一种新颖的基于超像素的模糊聚类方法，从而实现对特征向量的有效聚合。实验结果表明，与现有的超像素分割方法SLIC、WSGL和MMGR-WT相比，CFSFC的边界位移误差（BDE）指标分别降低了0.855、1.068和1.236。此外，在抗噪声能力和计算效率方面，该算法也展现出优于现有方法的性能，说明CFSFC具有良好的分割精度和稳定性。

• 基于神经辐射场的视觉SLAM全局优化方法

  周志远,周非,张宇曈,谢源远,

  神经辐射场最近在密集同时定位和地图构建（SLAM）上取得显著的进展，然而在相机跟踪和重建过程中会累积跟踪误差。为此提出一种基于深度学习的密集视觉SLAM方法，用于全局优化姿态和场景模型，首先通过构建关键帧图执行回环闭合优化，再利用逐步构建的全局像素点集执行全局BA优化。这些优化通过利用输入帧完整的历史学习全局几何来进行优化，同时更新隐式的连续曲面表示，以确保三维重建的全局一致性。在各种合成和真实世界数据集上的结果表明，其在跟踪鲁棒性和场景重建方面优于基线，重建场景对比基线更加接近于真实场景，对比NICE-SLAM的轨迹误差，在Replica数据集上平均提升80.0%，在TUM RGB-D数据集上平均提升43.2%。