课程文献中心 更多>>

关键词： 轨迹跟踪   分布式模型预测控制   拉盖尔函数   延时补偿   离散控制屏障函数  

摘要： 针对无人机编队轨迹跟踪中的时延效应显著与计算资源需求高的问题，提出一种基于延时补偿策略与拉盖尔函数的松弛分布式模型预测控制算法。以分布式模型预测控制框架为基础，建立无人机编队离散运动模型，并引入拉盖尔函数将控制输入参数化，显著提高计算效率。通过离散控制屏障函数与松弛变量机制，实现对约束条件的动态调整，避免障碍冲突和机间碰撞。针对采样延时、计算延时和通信延时引起的误差累积问题，提出多延时耦合补偿同步机制，有效保障编队协同稳定控制。仿真实验结果表明，在随机扰动条件下，该算法可显著降低轨迹跟踪误差，提升动态响应速度，同时满足高实时性与高可靠性的需求，为无人机在复杂环境中的编队轨迹跟踪问题提供了有效解决方案。

关键词： 铁路运输   集结模式   联合优化   中欧班列   双目标优化  

摘要： 中欧班列大多开行“点对点”直达列车，这需要较长集结时间来满足编组数量，导致运输时效性大幅下降。对此，本文将直达模式与集结模式引入中欧班列，并开展开行方案与运行图联合优化研究。针对运输成本低与运输时间短的双目标优化，借助于ε约束法来寻求双重目标的帕累托前沿，并设计了嵌入CPLEX的启发式算法框架。以中欧班列西通道上7个车站和20票货物为背景，对本文模型的可行性与有效性进行验证。结果表明：降低中欧班列的运输成本需要以牺牲其运输时间为代价，开行直达与集结班列分别有助于降低成本与缩短时间。“集结+直达”模式比全直达模式虽然增加了9.6%运输成本，但却缩短了20.3%运输时间。相比于运行图联合优化，开行方案单独优化的结果无法满足列车接续以及运输时限约束。

关键词： 社会团体发现   图卷积神经网络   节点表示   时序图  

摘要： 在一些社会事件中，发现引起事件的社会团体对这些事件的治理具有着重要的意义。针对现有社会团体发现任务中忽略团体对人物特征节点影响以及时间因素对团体发现影响的问题，提出了基于团体的节点表示模型G-GCN模型(group graph convolutional network)，在对人物节点进行表示时融合团体的特征用来增强节点表示。时间迁移对于团体发现有着重要意义，所以在G-GCN基础上提出了时序图神经网络模型TG-GCN模型(temporal-group graph convolutional network)，引入了时间变化对节点表示变化的学习，实现了跨越时间的信息序列聚合表示，将相邻的事实转换为团体发现的演化表示。实验使用Yelp和Amazon数据集，团体划分的准确率提升了0.1，证明了TG-GCN对于团体发现任务的有效性。研究为事件治理提供了新视角，强调了节点表示与时间因素的重要性，对社会事件动态理解与预测具有价值。

关键词： BEV感知   平面图定位   视觉定位   几何-语义联合匹配  

摘要： 视觉平面图定位任务通过视觉观测数据与场景平面图表示的匹配实现位姿估计。实际应用中，有效融合视觉观测与平面图之间的几何和语义关联对提升定位精度至关重要。然而，现有方法存在两个主要局限：一是未能充分挖掘相机视野内的语义信息，二是缺乏几何与语义线索的联合匹配机制。针对上述问题，本研究提出基于BEV(Bird Eye View，鸟瞰图)感知的视觉平面图定位框架，其包含三个核心模块：首先，BEV语义建图模块通过多模态图像投影变换构建局部场景的BEV语义表征，实现观测数据的结构化表示。其次，预期观测生成模块在平面图空间内生成预期观测数据库，通过可微分渲染方法实现观测数据的快速生成。最后，多层次匹配定位模块提出几何-语义联合匹配机制，通过层次化匹配策略融合BEV观测中的几何布局和语义类别信息，实现与平面图的精确匹配。实验结果表明，本框架在公开数据集Structured3D和自建仿真环境数据集IndoorEnv上的定位召回率分别分别取得了从0.32%到3.12%和从4.82%到58.77%的提升，显著优于现有基线方法Laser和F3Loc，验证了所提方法在复杂室内场景中的有效性和鲁棒性。

关键词： 模块划分   模块化指数   供应链   风险  

摘要： 为了解决基于产品属性的模块划分方法常导致供应链设计空间受限这一问题，提出了一种考虑供应链网络结构的外包产品模块划分方法。首先，构建了反映产品组件间关联关系的功能关系矩阵和结构关系矩阵；其次，构建了反映供应链网络结构的供需关系矩阵和风险关系矩阵；然后，采用层次分析法和加权法，将上述四个矩阵合并为综合设计结构矩阵，并基于模块化指数Q构建了模块划分优化模型；最后，以冰箱及其供应链网络为应用实例进行模块划分，结果表明：1）所述方法可以平衡权衡产品架构性能和供应链架构性能；2）所述方法可以实现外包产品及其供应链网络集成的模块划分。

关键词： 因果图结构学习   一体化铸造   根因分析   智能铸造  

摘要： 铝构件一体化铸造质量影响因素多且关联耦合，厘清质量影响因素与铸造质量指标间的因果关系是高效解决质量问题的基础。为提高PC（Peter-Clark）算法在铸造质量问题根因分析中条件独立性检验效率，减少马尔科夫等价类问题，本文提出了汽车铝构件一体化铸造质量因果图结构学习的新方法。该方法有效地结合从铸造工艺知识中整理出的“不相邻规则”、“分离集筛选规则”和“定向规则”三个规则。其中，“不相邻规则”移除全连接图中不相邻边形成部分连接图，减少边缘独立性检验次数；“分离集筛选规则”剔除分离集合中对相邻节点独立性检验无影响的变量，减少条件独立性检验次数；“定向规则”引入知识指导辅助定向，避免马尔可夫等价类问题。所提出方法应用于副车架铸造质量因果图结构学习，使因果图输出时间和有效边占比较改进前分别提高42.6%、25.62%，马尔可夫等价类问题减少12.57%。

关键词： 深度学习   图神经网络   中医学  

摘要： 随着人工智能的兴起与高速发展，深度学习作为人工智能领域中的重要一环已在材料学、生物医学、文学艺术等多方面、多领域取得了大量成果，体现了极高的泛用性与价值。图神经网络（Graph Neural Networks， GNN）作为一种新兴的深度学习方法，克服了以往深度学习只能在欧式数据框架下的缺点，展现出其在处理非欧式复杂数据，尤其是图数据时的强大能力，显示出其巨大的潜力。当前，图神经网络已经被较广泛的应用于医疗领域，并初步运用于中医药临床与基础研究，在中医处方推荐，疾病症候诊断，中药靶点预测等方面取得了一定的成果。通过对图神经网络在中医药领域的应用现状进行梳理，结合目前图神经网络技术的特点展望该技术在中医药领域的未来发展，认为图神经网络在临床诊断、处方施治、中药研究、典籍利用等方面具有广阔的应用前景。以期为之后的基于图神经网络的中医药相关研究提供思路与启发，使中医学能够与时俱进，提升智能化与客观化，更好的为人民医疗卫生与祖国健康事业服务。

关键词： 图注意力网络   社会化序列推荐   正则化限制   自适应融合方法   推荐系统  

摘要： [目的]现有社会化序列推荐研究容易引入与用户兴趣不相似的好友信息，且未能考虑不同用户受社交影响的程度存在差异，致使推荐性能受限。为弥补现有研究不足，提出一种基于图注意力网络的自适应社会化序列推荐方法。[方法]首先，利用自注意力机制对用户行为序列建模，获取用户动态兴趣表示。其次，设计一种正则化限制的图注意力网络聚合好友特征，以准确建模用户社交兴趣表示。最后，提出一种基于注意力的自适应融合方法，准确融合动态兴趣与社交兴趣，生成推荐结果。[结果]与主流基线模型相比，所提方法在HR@10上最高提升10.8%，在NDCG@10上最高提升5.3%。[局限]所提方法对于社交网络结构的依赖性较高，当社交关系数据稀疏时，性能提升不明显。[结论]本文方法可以更充分地利用社交信息，有效预测用户行为，提高推荐性能。

关键词： 损伤识别   主成分分析   全局传递比函数   损伤指标  

摘要： 基于全局传递比函数和主成分分析，提取特征值构建损伤指标，并结合损伤指标的统计信息设计阈值，从而提出一种对结构损伤的有效识别新方法。该方法无需事先筛选全局传递比函数，而且将全局传递比函数频带的筛选转化为主成分的选取，避免了经验判断和频带选择对损伤识别结果的影响。数值模拟与模型试验的结果表明，该方法在连续梁、空间钢桁架及钢制信号塔等多种工程结构形式中均表现出良好的适用性，在不同荷载激励条件下均可有效地识别单损伤与多损伤工况。即使在较高噪声水平和较低局部损伤程度的情况下，虽然损伤识别结果可能扩散至邻近区域，但该方法整体上仍展现出较强的抗噪声能力。

关键词： 虚拟机调度   图神经网络   强化学习   资源优化   动态负载分配  

摘要： 随着云桌面系统的广泛应用，虚拟机调度算法面临着如何有效应对复杂多变负载的挑战。传统算法在资源利用率、系统延迟和负载均衡等方面表现欠佳。本文提出一种基于图神经网络与强化学习相结合的云桌面虚拟机调度优化算法。将云桌面环境中的虚拟机及其资源需求建模为图结构，利用图神经网络预测虚拟机的负载情况。结合强化学习策略，根据预测结果动态调整资源分配和虚拟机迁移决策，优化系统性能。使用4K视频处理、办公应用、网络应用等场景的多种数据集，评估算法的资源利用率、系统延迟和负载均衡等指标。实验结果表明，基于图神经网络与强化学习的调度算法在多个数据集上均表现出优异的性能，在资源利用率上提升了12%以上，系统延迟减少了15%，负载均衡效果优于常用资源调度算法。