农作物害虫被认为是降低全球农业生产产量和质量的主要因素。准确识别农作物病虫害，对农作物进行早期保护，减少农业经济损失已刻不容缓。由于农作物害虫的生态特征和田间背景复杂，农作物害虫在外部形态外观上表现出较高的类间相似性和显着的类内变异，这使得现有的识别方法存在分类精度低、泛化能力差的问题。在复杂的自然环境识别任务中。为了解决这个问题，提出了一种混合卷积神经网络和基于变压器的模型，即Pest-ConFormer，具有多尺度弱监督特征选择机制，在细粒度视觉分类中表现出了出色的多尺度判别性特征提取（FGVC）任务。该方法采用混合卷积变换器编码器架构以自监督屏蔽自动编码器方式进行预训练作为骨干，以学习害虫在不同尺度上的高度辨别性特征。接下来，设计了一种基于注意力机制的具有自上而下的类 FPN 特征路径和自下而上的类 PANet 特征路径的双路径特征聚合结构，以学习高级全局上下文信息和低级局部详细特征

全球市场的活力不断增强，加上不可预测事件的发生，给制定高效的供应链战略带来了巨大的挑战。物流网络固有的动态特性需要背离传统的供应链方法。本研究提出了一种利用进化算法 (EA) 的动态电子采购的高级解决方案。在涉及买家和供应商的传统供应链中，一个关键挑战是找到能够在价格和数量波动的情况下满足消费者需求的具有成本效益的供应商。传统的优化技术在这些动态条件下通常无法有效执行。此外，检测优化过程中的变化是动态优化问题的另一个障碍。最近的进展证明了 EA 在解决各种现实世界动态优化问题方面的功效。

对于游客来说，制定旅行计划是一项艰巨的任务。因此，这是由于选择兴趣点 (POI) 来规划行程时会考虑多种约束和偏好，以识别 POI 并优化总体路线的吸引力。该文献将该问题称为旅游行程设计问题（TTDP）。本文考虑了 TTDP 的一种特殊变体，其中 POI 被分组为对应于不同目的地的集群。此外，对每个 POI 的访问必须在特定的时间间隔内进行。对于同一行程中可以访问每个集群的 POI 数量存在最小和最大限制。此外，我们提出了在不确定性和随机性下直觉模糊评分和指数旅行时间下具有聚类 POI 的旅游行程设计问题。这个问题是找到一条可行的路线，使收集到的总分最大化。路线必须在指定的初始位置开始和结束，并且其持续时间限制为特定的最大值。针对这个问题提出了一个数学模型。测试问题由所提出的模型生成和解决。通过使用不同的参数来获得测试问题的解决方案。结果表明，所提出的方法是一种允许游客获得其他旅行计划并了

螺栓装配在现代制造业中得到广泛应用。并且随着工业自动化的发展，自动化装配的需求越来越大。为了形成全自动、高度智能的螺栓装配系统，提出了一种基于策略的机器人和多相机。该策略设计了一种高置信度的部件重建方案，其中使用Mask R-CNN对工件进行识别和分割，然后通过局部点云数据及其特征来确定工件的形状、尺寸和姿态。使用基本几何形状的信封。结果表明，基于多摄像头系统的工件识别准确率超过96%，孔的最大定位精度为0.334mm。基于历史紧固过程数据，提出了一种改进的人工水母搜索优化器BP神经网络，自动确定螺栓紧固速度和扭矩的最佳值。 AJSO优化后的BP神经网络将速度过程参数最大预测误差从0.117mm/s降低到0.051mm/s，将扭矩过程参数最大预测误差从0.052N·m降低到0.027N·m。最后，通过使用双机器人单元进行轴承座装配的实验案例证明了该策略的可行性。

银行间同业拆借网络在促进交易的同时，也给银行体系带来了风险传染。为了解决现有研究中的挑战，本文使用多代理方法对银行间借贷网络进行建模，并通过双向匹配机制（BiMM）生成动态网络。此外，我们根据现实的银行资产负债表数据将银行分为三类。鉴于不同类别的银行表现出不同程度的传染性，我们提出加权债务排名（W-DebtRank）。然后利用W-DebtRank对动态网络中异构银行的风险传染进行综合模拟分析。该方法解决了四个问题：银行的异质性、网络的动态性、贷款策略的实用性以及风险分析的全面性。该模型使用 SRISK 度量和基于蒙特卡罗的 SYMBOL 仿真模型进行验证。论文通过多视角的模拟实验，深入研究了银行间的风险传染过程。

人们开发了许多深度学习方法来应对识别食物图像的挑战，包括卷积神经网络、深度特征提取和深度特征融合方法。这项研究提出了一种名为 ASTFF-Net 的新架构，它使用深度特征融合来解决食品识别中的各种挑战，包括两个类别之间的相似模式、多对象问题、光照条件、相机位置、噪声对象和模糊图像。 ASTFF-Net 是一个强大的自适应时空融合网络，旨在有效应对这些挑战。 ASTFF-Net 架构由三个网络组成。在空间特征提取网络中，ResNet50架构用于提取鲁棒的空间特征，并利用归约操作来最小化参数大小。随后，空间特征通过一维卷积（Conv1D）以将特征拟合到循环神经网络中。在时间特征提取网络中，空间特征被赋予长短期记忆，允许网络从各种长序列模式中学习。在自适应特征融合网络中，鲁棒的空间和时间特征被融合并分配给Conv1D，然后是softmax函数。 ASTFF-Net 架构还旨在减少网络参数的数量并

在制造数据爆发式增长的背景下，制造大数据联盟是一个旨在促进高效决策和技术创新的协作组织。研究如何有效促进制造业大数据联盟成员之间的数据共享具有重要意义。在本文中，我们提出了一种演化博弈模型来研究如何促进制造大数据联盟中的数据共享。然后，分析了基于间接数据共享模式的协同收益分配方法，并计算了理想事件发生的概率。我们通过模拟进化稳定策略来探讨制造大数据联盟中数据共享的影响因素。我们的研究结果表明，参与者的初始意愿对其分享行为有着深远的影响。此外，最优区间收入分配系数可以提高制造大数据联盟共享数据的概率。激励收入和社会惩罚等因素对主动共享策略的演变产生积极影响。相比之下，投机性收入和数据共享成本等因素抑制了主动共享策略的演变。

多模态命名实体识别 (MNER) 旨在通过利用多种模态的信息（尤其是文本和视觉信息）来识别文本中预定义类型的实体。大多数努力集中在改进跨模态注意机制以促进模态之间的指导。然而，它们仍然存在一定的局限性：（1）很难建立统一的表示来弥合不同模态之间的语义鸿沟； (2)挖掘文本和图像之间的隐含关系至关重要但具有挑战性。在本文中，我们提出了名为 ICKA 的 MNER 指令构建和知识对齐框架来解决这些问题。具体来说，我们首先采用多头跨模态注意机制，通过融合文本图像对的特征来获得跨模态融合表示。然后，我们整合预先训练的视觉语言模型（VLM）中的外部知识，以促进文本和图像之间的语义对齐并获得模态间连接。接下来，我们构建由模态特征组成的多模态指令，并使用模态间连接作为它们之间的桥梁。然后，我们将指令集成到语言模型中，以有效地整合多模态知识。最后，我们使用带有门控机制的条件随机场（CRF）解码器来执行序列标记。所提出的方法在

由于第四次工业革命，人工智能（AI）已成为解决大数据、图像识别、目标检测和预测问题相关最复杂挑战的新技术。本文介绍了使用深度学习 (DL) 技术在制造过程中开发和实施镀锌组件识别系统。本文旨在训练和评估不同的深度学习算法，以在不同的环境光条件和表面处理下识别五个镀锌部件和一个装配托盘。所提出的方法首先创建 5.5K 图像的自定义数据集，其中包含与装配组件匹配的六个类。然而，在训练阶段开始之前，会创建 5% 到 10% 之间的子集。已对八个深度神经网络进行了基准测试：Swing Transformer、Convnextv2、Xception41、Data-efficient image Transformer、Inception_v4、ViT、Resnet50 和 Efficientnet_b0。训练阶段使用 k 6 和不同运行之间的渐进数据大小的 k 倍方法来执行，训练期间使用的平均数据为

指数分布优化器（EDO）是最近提出的基于指数概率分布模型的优化技术。与大多数群体智能算法 (SIA) 一样，EDO 非常擅长处理常见的优化问题。然而，在解决多模态和中心偏差问题时，它表现出全局和局部搜索能力不平衡以及求解精度差等局限性。在此基础上，我们引入了指数分布优化器的改进版本，其中包含称为 EDO_DPM 的维度扰动模块 (DPM)。通过测试维度扰动的影响，我们的方法采用了维度演化策略。同时，为了调节 DPM 的使用频率，根据种群的进化状态设计了一个称为进化状态因子（ESF）的调整参数。此外，为了缓解非全维扰动的不足，算法中嵌入了反弹操作。 EDO_DPM 的功效已通过 20 种不同类型的函数和 CEC2017 基准测试套件的测试得到证实。与最先进算法的比较分析表明，EDO_DPM 管理多模态问题的能力以及解决中心偏差问题的能力显着增强。同时，在CEC2017上通过比较优秀的改进变体

流行度偏差对新闻推荐系统的影响很大，它增加了热门新闻的曝光率，并且频繁地推送给不相关的用户，导致系统的性能不太理想。现有的流行度去偏方法旨在优化推荐的公平性，使不流行的新闻有更多的机会被推荐。但他们忽视了新闻的时效性，一些过时的新闻由于受欢迎程度不高而被推荐给用户。不幸的是，用户对过时的新闻不感兴趣。此外，现有的去偏方法采用与内容无关的流行度计算，无法准确捕捉新闻流行度的动态变化，从而降低了去偏的有效性。在这项研究中，我们引入了一种名为 ime 的创新方法和内容感知的 ausal odel（简称 ），它使用当前效果良好的因果推理技术来减轻流行度偏差。不同之处在于，首先，考虑到新闻的时效性，我们设计了一种新颖的因果图来分析用户交互。基于该因果图，对新闻的时效性、新闻的流行度、新闻内容与用户兴趣的匹配度三个因素对用户交互的影响进行建模，以解决用户交互的问题。去偏见后向用户推荐过时的新闻。其次，

早期自杀意念检测长期以来被认为是一项对社会和个人都有利的重要任务。在这方面，事实证明，通常可以通过分析社交媒体上共享的内容来识别该问题的第一个症状。事实证明，机器学习分类模型在从社交媒体上共享的帖子中捕获行为和文本特征方面很有前景。这项研究提出了一种新颖的机器学习模型，利用自然语言处理和最先进的深度学习技术来检测社交媒体帖子中的自杀风险。我们提出了一种集成 LSTM-TCN 模型，该模型受益于自注意力机制，可以检测两个著名社交网络 Twitter (X) 和 Reddit 的用户的自杀意念。此外，我们对数据进行了全面分析，从统计和语义上检查自杀帖子，这可以提供有关自杀意念的丰富知识。我们提出的模型 (AL-BTCN) 优于最先进的模型，准确率、召回率和 F1 分数超过 94%。研究人员、心理健康专家和社交媒体服务提供商都可以从这项研究的结果中受益。

方面情感三元组提取（ASTE）旨在识别评论中由方面术语、观点术语和情感极性组成的三元组。尽管之前针对单个领域训练特定模型的方法已经取得了令人耳目一新的结果，但每个领域中有足够标记样本的假设并不总是成立，并且大多数模型在缺乏标记样本的领域中的性能可能会显着下降。为此，我们探索跨域设置下的ASTE任务，以解决未标记样本场景中的情感三元组提取问题。在本文中，我们提出了一种域一致的句法表示方法，旨在通过最小化域之间句法表示的差异，将从资源丰富的源域挖掘的知识转移到未标记的目标域。具体来说，我们设计了一个词性感知网络，用于捕获扮演任务相关实体角色的单词的词性规则，以及一个依赖感知网络，用于学习单词之间的潜在依赖关系。同时，采用最大平均差异（MMD）来最小化域之间包含规则信息的句法表示的差异，以获得域一致的句法表示，从而传输挖掘的知识并为分类器决策提供域不变特征。在八个不同领域数据集上的广泛实验结果证明了我们方法的优越性。

类不平衡和概念漂移可能会降低数据流学习中分类器的性能，因为它们的共现呈现出复杂的学习场景。如果数据中出现缺失值，这种情况会变得更加复杂。为了应对这一挑战，本文提出了一种新颖的集成方法，即不完整、非平稳和不平衡数据流的 BINary 分类 (Bin.INI)。作为 Bin.INI 的一部分，Adapt2Regress 使用完全可用的少数子空间构建线性回归模型池，并在新颖的 sigmoid 衰减函数下进行监控，以在漂移数据环境中提供插补支持。我们使用 Min++ 来平衡不平衡复杂性方面的数据，这是之前提出的重采样组件。此外，还提出了 2 阶段集成剪枝技术 (2STEP)，该技术在第一步根据多种多样性度量对分类器进行分组，并在第二步使用新颖的自定义指标 Sigmoid 加权不平衡分数选择最佳子集。通过使用Adapt2Regress、Min++和2STEP，该方法可以有效地处理数据流中不完整、不平衡和漂移的数据。实验在

情感计算的核心在于解码人类情感的关键任务，这一领域熟练地将情感识别与情感分析的细微差别交织在一起。这一动态学科利用了一系列数据源，从复杂的文本信息到微妙的听觉信号和视觉提示的动态领域。它的主要挑战之一是从面部表情和语气等身体暗示中辨别情绪，尤其是当这些情绪被巧妙地隐藏时。生理信号产生的精确信息是无价的，但在现实世界中获取这些信息的复杂性仍然是一个巨大的挑战。我们全面的系统回顾标志着三模态情感计算的重大进军，整合文本、音频和视觉数据以提供整体理解。我们分析了过去二十年著名会议和期刊中的 410 多篇研究文章。这项广泛的研究对一系列情感识别方法进行了分类和批判性评估，从单模态到多模态方法，包括双模态和三模态，为它们的结构组成和实际有效性提供了深刻的见解。在总结我们的探索时，我们强调了情感计算的关键方面，并为未来的突破性研究制定了路线。这包括完善数据集成技术、克服情感识别方面的挑战以及解决该领域固有的关键道德问题。

神经主题建模因其黑盒推理特性而引起了自然语言处理界的广泛关注，并取得了一些进展。然而，现有方法具有三个主要缺点：（1）。难以整合外部语义知识来提高话题质量； （2）。变分自动编码器（VAE）的后塌陷问题损害了主题多样性； （3）。无法捕获提取主题的语义范围。为了共同解决这些限制，我们使用 von Mises-Fisher 分布的混合模型对主题进行建模，以纳入单词语义知识，并提出基于 Wasserstein 自动编码器的球形嵌入主题（SET）模型。在三个广泛使用的文本语料库上进行了实验，结果表明 SET 获得了更加连贯和多样化的主题，优于最先进的方法。此外，我们的实验也验证了 SET 捕获主题语义范围的能力。

现有的基于深度学习的低空小物体检测器通常模型架构复杂，需要大量的计算资源，使得在边缘计算设备上部署实时检测任务具有挑战性。为了解决这个问题，我们提出了 EL-YOLO，一种高效、轻量级的机载应用对象检测器。最初，为了保持轻量级设计并提高模型精度，我们提出了一种称为稀疏连接渐近特征金字塔网络（SCAFPN）的新方法。该方法旨在消除特征融合过程中的层间干扰，从而提高模型的性能。此外，为了建立小对象尺度信息的远程上下文关系，我们设计了一种跨空间学习多头自注意力机制（CSL-MHSA）。为了评估 EL-YOLO 的机载小物体检测能力，我们将其部署在嵌入式 NVIDIA Jetson Xavier Nx 平台上，并采用 NVIDIA TensorRT FP16 量化加速。在 VisDrone2019-DET 和 AI-TOD 数据集上，EL-YOLO 与 YOLOv5s 相比，mAP50 分别提高了

受益于云计算的灵活性、可扩展性等诸多优势，越来越多的研究机构和企业正在使用云平台来部署其科学或商业工作流应用程序。从云服务提供商的角度来看，如何合理调度工作流程以提高用户满意度和资源利用率是一个很大的挑战。这一挑战在动态云环境中变得更加突出，其中用户提交的工作流的工作负载不断变化且不可预测。传统的针对固定工作流程或实时独立任务设计的调度方法不适用于此类场景。在本文中，我们提出了一个动态环境中多个实时工作流程的在线调度框架。在此框架中，调度器采用基于深度强化学习的算法（R-DQN）根据当前情况将工作流中的每个任务分配给合适的虚拟机实例。其目标是实现最优的任务调度和资源分配，从而最小化工作流程完工时间和最大化资源利用率。我们对我们的方法的设计和实现进行了全面的概述，并在 WorkflowSim 平台上使用具有不同结构和规模的各种工作流程基准进行了实验。实验结果表明，我们的算法在完工时间和其他指

癌症仍然是导致死亡的主要原因，据世界卫生组织 (WHO) 报告，目前全球死亡人数估计为 1000 万人，预计到 2040 年将超过 1600 万人。除了毁灭性的生命损失之外，不正确的癌症诊断和医疗错误进一步增加了死亡率。为了应对这些挑战，迫切需要自动化和计算机化的诊断技术，以减少错误并改善癌症患者的治疗。近几十年来，广泛的研究集中在开发针对各类癌症的自动、准确的检测技术。本文利用经典机器学习 (ML) 和深度学习 (DL) 方法，对五类癌症进行了全面回顾：胰腺癌、食道癌、前列腺癌、结直肠癌和白血病。值得注意的是，这些癌症的选择源于它们的致命影响以及观察到的涵盖这些特定类型的综合文献调查的稀缺性。总共考虑了 191 篇同行评审出版物，这些出版物的出版时间跨度为 2018 年至 2023 年。对 ML 和 DL 模型分别进行了癌症检测技术的分析和审查，其中 87 篇文章关注基于 ML 的技术，104

方面类别情感分析 (ACSA) 涉及识别句子特定方面的情感类别。尽管在提取语义和分类表示的预训练语言模型方面取得了进展，但由于数据隐私保护，敏感数据的共享仍然具有挑战性。联邦学习 (FL) 提供了一种解决方案，无需访问原始数据集即可进行分散模型训练。然而，孤立的数据会遇到文本异构性的困难，这对于基于方面的情感分析至关重要。为了解决这些问题，本文提出了一种称为均衡增强机制以增强方面类别情感分析联邦学习（EAFL-ACSA）的新方法。 EAFL机制将FL的数据隐私保护功能与各种增强数据表示无缝集成。我们的统一模型通过 FL 保护数据隐私，并通过数据增强合并多种功能来增强加密数据。此外，我们框架中纳入的参数高效调整机制增强了模型性能并生成微调的增强句子。对五个基准数据集的广泛测试表明，EAFL-ACSA 始终优于最佳模型，在保护数据隐私的同时实现了具有竞争力的性能水平。均衡数据增强机制不仅推进了

空气质量指数（AQI）的预测可以提供空气质量信息，帮助个人进行个人防护和环境保护，并帮助政策制定者实施控制空气污染的措施。在AQI时间序列的预测中，单步预测任务的挑战性较小。然而，随着预测序列长度的增加，预测误差往往会显着增大。此外，仅将单变量特征作为模型输入可能会导致预测输出出现偏差，因为模型无法基于单个特征捕获序列的总体趋势。为了解决这个问题，我们利用延安市的历史空气污染数据集开发了一种新颖的时间序列预测模型，名为 Temporal feature Encoded Informer (TE-Informer)。该模型结合了注意力机制和周期性编码，利用多个污染物系列作为特征输入。它通过更全面的时间和全局特征丰富了 Informer 架构来预测 AQI 系列。实验结果表明，通过周期时间编码增强的Informer模型在从输入信息中提取特征方面具有显着的优势。在多步AQI时间序列预测的背景下，该模型的MSE（均方误差）为24

元启发式算法以其精简的结构和鲁棒的性能逐渐成为解决复杂优化问题的主流方法。随着元启发式算法的发展和广泛应用，创新成果日益涌现。为了更好地概述该领域的相关工作并明确其前景，本文基于Web of Science数据库，对1994年至2023年元启发式算法应用的1676篇文献进行了分析。首先，利用大量文献数据，从文献计量学的角度分析元启发式算法应用领域发展的总体趋势、核心作者和主流期刊。其次，结合可视化软件CiteSpace，绘制了元启发式算法应用领域的主要合作图谱，获得了该领域作者、国家、机构之间的关联关系。再次，利用共词分析和聚类分析探讨元启发式算法应用的研究热点，得出该领域的6个热门研究主题。最后，通过共被引文献聚类图和时区图，总结了元启发式算法应用领域的重要引用文献以及基于时间的发展前沿的演变，得出该领域的三个发展阶段。对元启发式算法应用的整体综述可以为对该领域感兴趣的研究人员提供帮助。

车辆路径问题（VRP）是一种典型的组合优化问题，特别是在物流行业。本文提出了一种称为 CEOA 的约束进化优化算法，用于求解具有同时交付、取货和时间窗口的多目标 VRP (VRPSDPTW)。具体来说，我们首先根据约束满足情况定义权值向量，权值向量可以在搜索过程中根据种群解的反馈进行自适应调整。随后，根据权重值向量的反馈，采用环境选择策略来为不可行和可行的情况识别有希望的解决方案。此外，考虑到当前问题的数据特征，交叉和变异操作被定制以更好地与 VRPSDPTW 保持一致，这在解决方案构建方面得到了进一步解释和详细说明。实验结果证明了与其他最先进的方法相比，所提出的 VRPSDPTW 算法的有效性。

麻雀搜索算法（SSA）是一种基于麻雀捕食行为的元启发式优化算法。然而，SSA在解决具有复杂约束的优化问题时容易陷入局部最优。为了提高其优化效率和整体性能，本文基于统一实验设计理论开发了一种多策略改进的SSA（ISSA）。具体来说，环绕差异（WD）作为实验统一设计的均匀性度量，充分利用宏观调控、自适应动态管理策略和边界重新分配管理机制来量化ISSA每次迭代中的总体均匀性。受均匀设计概念的启发，最初采用WD来衡量种群均匀性，并采用阈值接受（TA）算法来产生均匀性更高的初始种群，从而增加种群的多样性并加快收敛速度​​。其次，调整生产者宏观个体迭代策略，避免种群向原点收敛。然后，引入基于WD的动态种群均匀性隶属函数，根据全局最优的相对变化量来调整种群均匀性隶属函数，并根据隶属函数调整危险感知者的数量。此外，ISSA还提出了一种基于种群均匀性的新边界更新策略。通过将ISSA在23个标准测试函数和最近

由于越来越依赖监控系统来维护公共安全，视频异常检测是一个重要的研究领域。在公共场所安装监控摄像头的具体目标是监控盗窃、破坏、交通事故等事件。然而，异常检测 (AD) 依赖人工监督，容易出现错误，这凸显了迫切需要获奖理由：开发能够自动检测视频片段中异常情况的高效算法。此外，视频数据中的异常模式通常具有复杂的背景、意外事件、对象尺度的变化以及异常的外观，这使得它们的检测具有挑战性。因此，我们引入了一种新颖的双流变压器网络（TDS-Net）来应对这些挑战。 TDS-Net 同时提取 RGB 和流特征，使用变压器网络进行顺序模式学习。 RGB 特征的并行提取允许模型学习模式，而专用流模块可以熟练地处理运动特征。这种创新网络对于视频异常检测的重要性在于，它增强了识别和分析视频数据中异常模式或事件的能力。此外，与上海科技大学、CUHK Avenue 和 UCF Crime 等基准数据集上的基准方法相比，TDS-Net

本文介绍了一种新颖的集成间隔粗糙枢轴配对相对标准重要性评估（IRN PIPRECIA）模型与间隔粗糙组合折衷解决方案（IRN CoCoSo）相结合，标志着商用车可持续交通流管理的重大进步。这一创新合并在文献中尚属首次，它在方法上增强了基于关键参数（包括乘用车当量 (PCE) 85%、AADT、道路状况和事故数据）的路段评估。我们的模型系统地填补了整体交通性能分析的研究空白，为优先考虑道路安全和效率提供了独特的工具。关键的科学贡献是该模型能够将因果和后果性交通因素整合到一个框架中，提供一种新颖的多标准决策 (MCDM) 方法。通过各种验证模型验证的结果显示了集成模型在现实场景中的有效性，证实了其稳健性和稳定性。凭借强大的工程应用潜力，我们的工作支持城市规划者和交通管理者做出明智的、可持续的决策。该模型超越了传统的流量分析，有望转向更具适应性、数据驱动的基础设施管理。未来的研究将旨在通过先进的

本文考虑了可修复异构系统中的冗余分配问题 (RAP)，该系统由具有有限数量修复人员的 G 子系统组成。子系统内的二元状态组件的单位成本随着时间的推移保持不变。假设独立故障和修复过程的指数特征。为了评估子系统和系统的可用性，开发了适用于三种待机模式（冷、暖和热）的连续时间马尔可夫链（CTMC）。冗余系统的特征和维修人员数量有限的假设对现有的 RAP 科学文献做出了贡献。开发了两种受自然启发的元启发式方法，以最大限度地提高相干系统的可用性，作为目标函数，在组件购买的成本限制下优化冗余。所提出的方法在 15 个单元的大型系统上进行了测试。算法的有效性和性能根据代数/迭代次数和种群/群体大小进行评估。遗传算法（GA）被证明在寻找全局最优解方面非常有效，并且在计算性能方面优于粒子群优化（PSO）。元启发式算法的分析可以为未来的冗余优化研究提供有价值的见解。大型系统的敏感性分析清楚地表明，维修人员的数

头影测量标志的准确识别和精确定位为临床医生提供了对颅面畸形的重要见解，有助于评估治疗策略以改善患者的预后。当前的方法在很大程度上依赖于使用多个 CNN 来预测地标坐标，这使得它们的计算量很大并且不适合转化为临床应用。为了克服这一限制，我们提出了一种新颖的、端到端可训练的两阶段回归框架，用于头影测量地标检测。在初始阶段，采用单个神经网络同时估计所有地标的位置，从而能够识别潜在的地标区域。在第二阶段，语义融合块利用网络内多分辨率特征层次结构来产生高级语义丰富的特征。然后根据粗略检测到的地标位置裁剪这些特征图，并使用并发细化损失来微调和细化地标位置。所提出的框架展示了增强正畸临床工作流程和治疗结果的潜力。这是通过利用单个 CNN 主干来实现的，该主干增强了多分辨率语义融合解剖特征，从而以计算高效的方式有效增强了表示学习。所提出的框架的性能在两个公开可用的解剖标志数据集上进行评估。实验结果表明，我们的框架在临床可接受的

基于深度学习的息肉分割技术可以快速、准确地帮助医生定位病灶，但其发展受到像素级标注的限制。基于半监督学习（SSL）的息肉分割方法是缓解标注压力的有效解决方案。对于主流的半监督息肉分割方法，由于息肉分割网络的深度极深，并且使用标记数据进行训练有限，导致息肉分割网络容易出现特征表达瓶颈。而使用区域数学评估来细化伪标签，而不是使用像素级的伪标签细化方案，是一个偏差方向。为了解决这一限制，基于SSL，提出了一种新颖的并行协作平均教师框架（PCMT）。 PCMT有几个有效的组成部分：（1）使用具有深度监督分支的分割网络，该网络由并行协作均值教师框架训练来解决特征表达瓶颈，（2）预测不确定性指南以提供更可靠的伪标签，（ 3）类对比正则化，用于加强前景和背景特征之间的亲和力。分别使用五个公共数据集上的 10%、20%、50% 和 100% 标记数据对 PCMT 和最先进的半监督方法进行了比较。大量实验结

微任务是将一项工作分解为更小的任务，并将其分配给一组自愿完成任务并获得报酬的工人。然而，质量的联合估计和付款的确定仍然是微任务众包研究中尚未探索的领域。本文通过引入称为动态质量支付 (DQP) 的动态工作人员质量和支付估计算法，解决了微任务平台上未估计支付的限制。该方法利用蜂群优化（BCO）算法，集成了工人质量估计和付款确定。 DQP 结合高斯过程模型 (GPM) 来初步估计工人质量，然后根据工作质量优化付款。使用 Amazon Mechanical Turk 的两个数据集对该算法进行了实证测试。此外，DQP 算法与新颖的微任务和质量估计算法进行了比较，展示了卓越的性能。实验结果表明，DQP不仅降低了微任务处理的成本，而且可以准确地估计工人的质量。

光学遥感图像的不断发展为物体检测样本提供了宝贵的数据源。为光学遥感深度学习研究标记这些样本至关重要但耗时。众所周知，传统的手动标记方法成本高昂且效率低下，因此需要自动化解决方案。这项工作提出了一种自动标记遥感物体检测样本的创新框架。该框架包括四个主要步骤：对偶学生模型、空间计算、决策边界教师以及图像和标签生成。双学生模型在公共数据集上进行训练，并通过空间计算技术用于对象检测和分析。决策边界教师用于构建样本分类表面以区分正目标和负目标。通过应用多损失联合优化函数，训练过程的性​​能得到进一步增强。实验评估是使用谷歌提供的覆盖日本的高分辨率遥感图像进行的。结果表明，四个目标类别的自动标记实例增加了 58.9%。与最先进的广域目标检测框架相比，我们提出的框架将 F1 指标提高了 2.88%。此外，联合函数的性能优于其他高级损失函数，使机场的准确率提高了 0.64%，高尔夫球场的准确率提高了 2.45%，体育场的准确率提高了

刷牙是被广泛认可且有效的日常口腔护理方法。然而，缺乏监控刷牙过程的实时反馈可能会阻碍个人保持口腔卫生。目前，只有高端电动牙刷才提供基于内置传感器的评估功能，这对于大多数人来说是买不起的。在本文中，我们提出了一种新颖且经济高效的可穿戴声学系统（硬件和软件），用于监测日常刷牙质量。我们的系统结合了喉咙麦克风和蓝牙耳机来捕捉刷牙噪音，这些噪音分别是刷牙过程中从空气和人体产生的独特声学信号。通过利用这两种不同导电介质中刷牙声音的独特特征，我们引入了一种基于单输入多输出（SIMO）建模和频率响应函数（FRF）的智能检测算法来检测相应的刷牙区域。通过实验，我们发现与之前研究中使用的一般统计特征相比，频响函数的散度提供了更稳定的特征。经过比较各种机器学习算法后，我们选择XGBoost作为最终的检测模型。此外，我们在后处理阶段利用对称最近邻（SNN）滤波器来进一步减少连续检测中的抖动噪声。在对不同志愿者收

低对比度图像分割是一项具有挑战性的任务，因为它需要以最小的强度差异将目标对象与背景区分开，同时还要处理噪声和模糊等因素。近年来，主动轮廓模型（ACM）因其在图像分割方面的高精度和高效率而受到欢迎。然而，它经常难以处理低对比度图像分割。为了解决这个问题，我们在本文中提出了一种 KIS 感知的 ACM（KACM）。首先，基于Koschmieder成像系统（KIS），将观察到的低对比度图像建模为真实图像和两个成像因素的组合：场景传输函数和成像环境中的全局光强度。接下来，我们使用最大后验（MAP）准则在对数域中追求真实图像，并建立活动轮廓模型。在该模型中，真实图像服从分段对数正态分布，而场景传输函数被描述为马尔可夫随机场（MRF），其先验概率被定义为吉布斯能量函数。最后，引入了一种结合变分法和三步时间分割方法的梯度下降的交替迭代算法来求解所提出的模型。我们通过定性和定量实验验证了所提出的模型，证明

获取用户和项目的高质量表示至关重要，这有助于促进广泛的推荐场景。利用图神经网络进行知识感知推荐是最近的趋势。然而，现有的基于 GNN 的知识感知模型存在两个缺陷：（1）它们的用户表示是粗粒度的，无法捕获用户的多兴趣分布。 （2）监督信号仅来自历史交互，由于数据稀疏而无法提供高质量的表示。在本文中，我们提出了一种新颖的模型，CMGAN with ，专为个性化知识感知推荐而定制。具体来说，CMGAN 采用​​协作知识图编码器，通过关系感知嵌入聚合增强节点表示。然后，动态多兴趣生成器精心制作细粒度的多兴趣表示，根据每个用户的历史交互熟练地提取不同的兴趣。此外，CMGAN 通过集成多级对比学习来进行创新，以细化节点和多兴趣粒度上的表示。它由协作知识图对比学习和多兴趣对比学习组成。前者追求获得分布更均匀的节点表示，而后者则旨在获得分布更明确的兴趣表示。对三个基准数据集的一系列实验表明，我们的模型超越了当前最先进的模型。该代码可在

移动互联网和便携式设备的日益普及导致了空间众包的流行。空间众包中乘车共享服务的蓬勃发展改变了城市交通。但由于供需失衡，部分请求可能会被拒绝，或者工人可能会长期闲置。幸运的是，以协作方式跨多个平台共享任务和工作人员可以减少不均匀分布的负面影响。在本文中，我们提出了一种多平台的乘车共享问题（MPRP）规划，它将空间众包中的路线规划和任务分配集成在一起。我们研究如何通过与多个共享出行平台的协调来提高平台的总收入。为了解决这个问题，我们提出了reedy ulti-latform oute lanning算法（G-MPRP），它扩展了动态规划插入操作并以贪婪的方式分配工人。为了克服 G-MPRP 的缺点，我们进一步提出了基于 ack 的多平台外部规划算法（P-MPRP），该算法通过基于排名的函数来打包请求。大量的实验结果表明所提出的算法可以显着提高收入。

利用相似性度量的基于模型的测试用例优先级已被证明在软件测试中是有效的。然而，其中相似性度量的效用因测试场景而异，阻碍了其普遍有效性和性能优化。为了解决这个问题，我们提出了一种基于多样性驱动的学习排序模型的 TCP 方法，称为 DLTCP，用于优化早期故障检测性能。我们的方法首先采用鲸鱼优化算法从现有候选池中搜索一组合适的相似性度量。此搜索过程决定应使用哪些指标。根据每个选定的指标，对测试用例进行优先级排序。得到的测试用例排名用作 DLTCP 的训练数据。最后，所提出的方法结合随机森林来训练测试用例优先级排序模型。因此，它可以融合多个相似性度量来提高 TCP 性能。我们进行了大量的实验，使用检测到的平均故障百分比 (APFD) 作为指标来评估我们方法的性能。实验结果表明，DLTCP 对七个经典基准模型的平均 APFD 值为 0.953，比现有算法高 11.37%。它可以很好地选择一组相似性度

本文提出了一种新颖的点对点（P2P）电力交易，用于可再生能源纳米电网集群的电力管理。与兆瓦级智能电网的电力管理不同，千瓦级纳电网的电力管理需要对用电设备进行单独控制。 P2P交易具有去中心化架构、参与者行为、分布式能源等复杂要素的特点。为此，提供帕累托最优解决方案的多目标优化被应用于能够进行P2P交易的纳米电网集群的功率管理。 P2P电力交易的目标是利润最大化，同时电网耗电量最小化。然而，由于P2P交易的常规规则和Pareto最优解的权衡特性，P2P交易的结果并不是最优的。为了提高 P2P 交易在总电费方面的性能，引入了强化学习（RL）算法。对于强化学习，深度神经网络应用于 P2P 电力交易。每个纳米网格集群的强化学习代理学习P2P交易的行为，然后完成P2P交易。在所提出的强化学习技术中，采用图卷积网络来分析图结构数据，并利用双向长短期记忆网络进行数据预测，从而提高了P2P交易的性能。通过

HPC（高性能计算）系统中发生的 D&I（动态和交互）事件在科学应用程序的初始结构中无法静态考虑，可能会扰乱系统负载均衡器的行为，导致系统故障甚至停止。它的活动。负载均衡器负责创建结构，以便在流程执行过程中响应D&I事件，从而根据当前系统状态以及D&I事件发生后，以高性能正确管理负载均衡。为了实现这一目标，负载均衡器需要有关进程需求的性质以及运行时计算系统的资源容量的信息。负载均衡器选项是观察 D&I 事件，而不分析其性质或确定导致它们在科学应用程序中发生的因素。考虑到D&I事件对系统和负载均衡器状态的因果负面影响，强化学习可用于基于知识和预先观察的执行模式找到负载均衡管理的解决方案。在本文中，我们提出了一种名为 ExaQ 的负载均衡机制来解决具有 D&I 性质的事件的挑战，这些挑战在负载均衡机制的初始响应结构中没有考虑。我们通过分析事件来使用强化学习，在选择涉及响应结构的资源时指导负载平

传统的统计模型和基于多元线性回归（MLR）的混合模型广泛应用于大坝变形监测领域。然而，单一形式模型在对监测数据中存在的有价值信息提供全面解释方面经常面临挑战，并显示出某些局限性。集成模型为这一问题提供了有效的解决方案，但当前构建集成模型的方法常常为候选模型分配不适当的权重，导致集成模型中过度拟合的问题加剧。本研究通过开创性地将顺序蒙特卡罗近似贝叶斯计算（ABC-SMC）应用于大坝变形监测并引入基于ABC-SMC的监测方法来解决这个问题。 ABC-SMC方法用于计算候选模型的后验概率和参数的后验分布，从而提高对模型和参数的理解。因此，可以使用候选模型的后验概率形成集成模型。本研究通过有限元法或多项式方法构建模型的静水分量，温度分量采用周期三角函数或主成分分析，老化分量采用指数或对数形式。混凝土重力坝的案例研究表明，与 Metropolis-Hastings 近似贝叶斯计算（ABC-MH）和优

在智能网联汽车（ICV）环境中，ICV系统能够收集、处理并向每辆车传输大部分交通信息，从而使驾驶员能够做出更明智、更安全的决策。尽管如此，智能网联汽车仍无法完全避免交通冲突和事故。因此，开发智能网联汽车的风险评估模型对于其部署至关重要。为了研究智能网联汽车环境中换道车辆风险的动态模式，本研究开发了基于人工势场（APF）理论的定量关系模型。该模型将强制变道（MLC）车辆的总势场（TPF）与纵向/横向重力势场（LGPF/TGPF）和纵向/横向斥力势场（LRPF/TRPF）相关联。随后，开发了三套人机界面（HMI）系统来描绘不同的智能网联汽车环境：基线、警告组和指导组。基线提供基本数据，警告组补充前方车辆图标和实时车距信息，而指导组还增强速度和语音指导功能。随后，进行了 43 名参与者的模拟驾驶实验，模拟高速公路合流路段的 MLC 场景。采用枚举和梯度下降的方法，确定不同类型风险领域之间的定量关

本研究调查了社交网络中集体和个人层面意见形成的动态。尽管社会学家对影响集体意见动态的社会学因素进行了深入研究，但其定量分析仍然有限，而且个人意见的演变往往被忽视。为了解决这一差距，我们开发了一种新颖的多智能体系统模型，该模型集成了复杂的网络拓扑和社会学因素来模拟舆论动态。我们的模型阐明了集体意见的三种主要模式： 、 和 ，并提供了描述不同社会参数下这些状态之间转变的分析关键性。此外，我们还研究了个人观点的演变，揭示了回音室的形成，并确定了个人在何种情况下尽管受到多数人的影响而改变立场。这些见解对现实世界的应用具有实际意义，例如舆论调整。研究结果强调了网络结构和社会学影响在塑造舆论动态方面的重要性，为理解和潜在指导舆论形成提供了新的范式。

尽管特征价格模型 (HPM) 在预测住宅物业价格方面早先受到好评，但房地产市场的利益相关者对使用传统 HPM 的自动估值模型 (AVM) 的不准确性表示担忧。此外，尽管在将人工智能和图像数据集成到 AVM 方面取得了重大进展，但澳大利亚的研究还很缺乏。本文利用澳大利亚第三大城市布里斯班 128 个城区 2018 年至 2020 年 34,399 套房产的实际销售数据，研究了捕捉房产视觉特征的图像数据如何提高估价准确性。我们开发了一种卷积神经网络模型，用于从 320,000 张街景和鸟瞰图像的大规模数据中提取视觉特征。我们开发融合模型来将这些额外的视觉特征集成到 HPM 中。通过多种实验设计，我们首选的融合模型使均方根误差降低了 28.35%。通过使用视觉数据，人工智能支持的 AVM 的预测错误将会减少，这将增强 AVM 最终用户在投资、报告、风险管理、税收估算和城市规划方面的商业信心。

多步骤的碳价格预测对于在生产、运营和投资方面做出明智的决策至关重要。然而，许多预测方法由于在测试期间不可用而未能纳入中间时间序列数据。本研究利用特权信息学习 (LUPI) 框架内的此类数据。在 LUPI 中两种流行机制的指导下，我们开发了两种预测模型 - 特权信息增强最小二乘支持向量机 (LSSVM+) 和配备广义蒸馏的门控循环单元 (GRU) 网络。这两种方法均在单变量和多变量时间序列建模场景中使用欧盟配额 (EUA) 碳期货价格进行严格评估。结果强调了基于 LUPI 的方法在促进多步碳价格预测方面的优越性，从而在碳市场中做出更具战略性的决策。

虽然安全对于人工智能的重要性不言而喻，就像硬币的两面一样，但过度关注安全性能而不考虑任务性能可能会导致智能体变得保守从而犹豫不决。如何在安全和任务绩效之间取得平衡一直是一个紧迫的问题。为了解决这个问题，我们引入了协作促进（CP），旨在协调安全和任务目标，从而实现双重目标的松散耦合优化。 CP是一种新颖的双策略框架，其中安全目标和任务目标分别分配给安全策略框架和任务策略框架作为其主要目标。演员-评论家框架是使用价值函数构建的，以指导这些主要目标的增强。借助模仿学习，通过行为克隆实现二级目标优化，每个框架都将对方视为其领域的专家。安全策略框架采用加权和的方法进行多目标优化，建立主次关系，以促进安全和任务目标的松耦合优化。在安全导航和安全速度领域，我们针对特定任务和特定安全算法对 CP 进行了基准测试。大量实验证明CP达到了预期目标。

亲属关系验证的目的是从面部图像推断不同个体之间是否存在亲属关系。然而，流行的亲属关系数据集通常很小并且存在数据不平衡的问题。大多数现有方法构建复杂的网络来提取特征，但忽略一些隐含信息，例如家庭信息。他们使用具有固定负样本的平衡数据集进行训练，忽略了多个负样本中的有价值信息，导致性能和鲁棒性较差。为了解决这些问题，我们基于元学习和关系网络的在线重新加权策略，提出了一种新颖的端到端亲属关系验证框架，称为在线重新加权关系网络（ORNet）。我们新颖的关系网络旨在通过使用多尺度特征并从亲属关系数据集中挖掘家庭信息来提取细粒度特征并减少代际差异。此外，我们设计了一个轻量级的元重新加权网络，它使用一个小的、干净的元集来指导训练示例的自适应权重。这是使用基于元学习的在线重新加权策略的一步随机梯度下降 (SGD) 来完成的。这有助于找到有效的硬负样本并减少不平衡问题。对三个公共亲属关系验证数据集的广泛实验

受第四次水产养殖工业革命（也称为水产养殖 4.0）愿景的启发，水产养殖（海洋动物养殖）行业正在寻求采用数据驱动的人工智能 (AI) 来帮助显着改善业务运营。主要障碍之一是动物行为数据的手动注释，这是一项耗时的任务，需要生物学家高度集中注意力。为了应对这一挑战，本文提出了针对工业场景量身定制的新型自动动物行为监测。我们的方法引入了一种基于实时机器学习的实例分割系统，该系统专门用于养殖大量虾的水下环境。所实现的系统在每秒 30 帧 (fps) 下的准确率达到 89%，尽管存在遮挡和重叠的挑战，但仍可以在光照条件差和高浊度水域的高密度区域中准确检测虾。我们方法的一个关键创新是针对时间序列和视频分析实施了新的密度聚类算法。这种方法提供了一种更有效、更准确的动物行为监测方法，大大节省了生物学家的时间和精力，并提高了自动化水产养殖系统的能力。

人工智能（AI）指数的出现可以评估各国在人工智能发展方面的进展，帮助投资和政策选择决策。通常，这些指数是使用确定性权重从各种标准的线性加权和得出的。然而，这种方法无法捕捉标准之间的相互作用，并且确定性权重的使用容易引起争议。为了缓解这些问题，我们基于 Choquet 积分 (CI) 和随机多标准可接受性分析 2 (SMAA-2) 进行方法分析。我们评估不同人工智能维度之间的相关性，并使用 CI 对其进行建模。此外，我们应用 SMAA-2 使用加权和和 CI 进行敏感性分析，以评估指标相对于权重的稳定性。最后，我们介绍了一种基于 SMAA-2 的排名方法，该方法考虑多组权重来得出国家排名。在计算分析中，我们使用英国新闻网站 Tortoise 提出的全球人工智能指数中使用的数据集来评估我们的方法。结果表明，我们的方法有效地减少了偏见。此外，我们仔细审查了权重调整导致的排名变化，并证明我们提出的

知识追踪旨在监督学生对概念的掌握，推断他们的知识状态，并预测他们未来的表现。目前的研究主要对知识状态进行建模来代表学生对概念的整体掌握情况，反映他们对学习内容的理解。然而，知识状态在不同的认知场景下表现出不同的变化。这种单一形式的知识状态对于真实反映真实学习环境中概念状态的变化过程具有挑战性。为了解决这个问题，我们提出了一种具有多状态扩散表示的知识追踪模型。该模型捕捉学生在各种认知模式下的知识状态，从而表示静息状态并推导出不同任务中的执行状态。具体来说，我们首先在练习中构建三个关系结构进行初始化。接下来，在分类器引导的扩散过程中，我们表示静止状态并提取概念状态的关系以捕获历史练习的影响。最后，通过合并通道注意力来推断执行状态。通过在三个数据集上将所提出的模型与四个相关模型进行实验比较，该模型在 AUC、ACC 和表示质量方面表现出了一定的优势，表明了其有效性。此外，该模型还结合历史练习的影

近年来，森林火灾频发，造成大面积破坏，对环境和人类造成重大威胁。及时发现火灾对于遏制火灾蔓延至关重要，深度学习的最新进展有望主动发现此类事件。本研究论文对包含 25,015 张图像（涵盖火灾、烟雾、非火灾、白天和夜晚）的大量数据集进行了全面分析。该数据集用于预训练 15 个模型，包括 、 、 和 。最有效的模型被集成到集成学习中，使用加权多数集成学习获得了 96.54% 的验证准确率和 92.04% 的测试准确率。该算法是利用 TRUBA 高性能计算中心的并行计算基础设施精心开发的，采用 ，从而加快了执行速度。此外，还实现了火灾探测系统的实时原型，以验证所提算法的实际适用性。这项工作不仅在火灾探测方法上引入了实质性创新，而且标志着在建立有效的森林火灾预警系统方面迈出了重大一步。该研究依赖于对大型、多样化数据集的综合分析、多种深度学习模型的集成以及对所开发算法的实时验证，所有这些都有助于火灾探测研究的进步。

工业操作系统（IOS）对于支持智能制造至关重要，特别是通过资源实例化调度（RIS）技术管理和利用异构生产资源。然而，RIS 面临着从众多服务质量不同的选项中有效选择最佳资源服务组合的挑战。为了促进RIS问题的求解并提高解的质量，本文提出了一种基于鲸鱼优化算法（WOA）和深度强化学习（DRL）的新型混合算法，称为DWOA。它首先结合DRL算法，从WOA搜索过程中探索和开发的历史数据中学习经验，并训练最优行为决策模型。随后，利用训练好的模型，DWOA可以有效地指导搜索代理在全局探索和局部开发之间取得更好的平衡，从而提高其收敛速度和求解质量。通过 CEC2017 基准函数和各种规模的 RIS 问题来评估 DWOA 方法的有效性和效率，并与 11 种最先进的方法进行比较。实验结果表明我们的方法收敛速度更快，并为 RIS 问题提供更好的解决方案。

本文探讨了具有分数阶（FO）动力学的弱耦合微机电系统（MEMS）谐振器的动态行为和控制方法。在动力学分析环节，利用Lyapunov指数、分岔理论和相图分析系统参数、耦合刚度和FO对周期性、伪周期性和混沌振荡等复杂动力学行为的影响。为了抑制混沌振荡，提出了一种动态事件触发的有限时间规定性能控制器。未知的非线性函数通过具有自适应律的区间3型模糊系统（IT3FS）来近似。构建了一种新颖的有限时间规定性能函数（有限时间 PPF）来建立跟踪误差的约束边界。与现有的PPF相比，所提出的方法允许在达到稳态之前更灵活地设置收敛边界。随后，使用非线性变换函数将受约束的跟踪误差映射到无约束的形式，无论误差约束是对称的还是不对称的。为了避免反步设计过程引起的“复杂性爆炸”，使用了跟踪微分器（TD）。此外，为了减轻通信资源的压力，设计了事件触发机制来更新控制信号。控制信号的触发阈值可以基于李亚普诺夫函数和动态辅助

本文研究了具有预算约束的异构成本任务分配（HCTAB），其中异构性通过与任务执行的不同代理相关的不同能力和成本来体现。与基于集中优化的方法相比，HCTAB问题使用完全分布式框架来解决，并引入联盟形成博弈为该分布式框架提供理论保证。为了解决联盟形成博弈，提出一种基于异构成本的保证收敛的对数线性学习算法。该算法结合了两种改进策略，即合作交换策略和异构成本对数线性学习策略。这些策略经过专门设计，旨在与 HCTAB 问题的异构成本和预算约束特征兼容。通过消融实验，我们证明了这两项改进的有效性。最后，数值结果表明，该算法在解决 HCTAB 问题方面优于现有的任务分配算法和学习算法。

换脸是一项艰巨的挑战——它涉及一种技术，可以将源人物的身份特征无缝移植到目标人物中，同时精心保留目标人物的剩余属性。在本文中，我们提出了 HQFace，这是我们实现高质量人脸交换的框架。我们的探索表明，在面部图像的潜在代码中，身份信息在不同程度上分散在一系列特征维度上。基于这一发现，我们设计了一种创新的自适应“探索融合”机制，可以跨这些维度自适应搜索身份信息，并巧妙地将身份特定的线索与目标人物的其余属性融合在一起。为了进一步增强面部细节的真实性，我们将双重编码和解码策略集成到上述融合过程中。这种新颖的策略减轻了面部肤色中潜在的色调失真，这种失真可能是由于与潜在空间锚点相比的编码漂移而引起的。 HQFace 通过一系列全面的实验进行了测试，这证明了该框架能够提供高质量的人脸交换，并且具有惊人的真实性和无伪影。

尽管对三维（3D）室内定位算法进行了广泛的研究，但在视距（LOS）情况下四个超宽带（UWB）锚点的最佳放置策略仍有改进的空间。我们在 210 m 的实验区域内的 5 个不同高度进行了 20 次观测，​​总共进行了 4845 次加权三边测量。实验结果表明，移动终端（MT）和锚点之间的虚拟多面体体积越大，3D 误差就越小。这种 3D 误差-体积关系经过统计验证。此外，这项研究表明，与全球导航卫星系统（GNSS）不同，室内定位中可以忽略掩模角度，并且锚点放置不必限于 Z 轴。因此，所有轴都应考虑在空间长方体内。因此，最小化 3D 误差的最佳锚点放置位置是使锚点和 MT 之间沿三维空间中任何方向的体积最大化的位置。

翻译后修饰 (PTM) 在控制蛋白质功能、信号通路和细胞过程中至关重要，凸显了它们在生物系统中的重要性。 PTM不仅通过修饰单个残基来调节各种信号通路，还通过蛋白质内或蛋白质之间不同修饰残基的相互作用来调节信号通路，这被称为PTM串扰。深入研究 PTM 之间的相互作用可以使人们更清楚地了解 PTM 介导的调控机制。因此，准确识别蛋白质内潜在的 PTM 串扰（PTM 内串扰）或蛋白质之间（PTM 间串扰）在生物学研究中至关重要。在这项工作中，我们引入了一种名为 WPTCMN/PTCMN 的创新方法，用于使用基于多层网络的集成深度神经网络同时预测 Intra/Inter PTM 串扰。综合实验分析表明，使用多层网络捕获Intra/Inter PTM 串扰之间的复杂关联在预测PTM 串扰方面表现出显着的优越性。具体来说，在Intra PTM串扰上实现的AUC值为0.924，而在Inter PTM串扰上达到0

在本文中，我们通过累积残差熵（CRE）提出了对传统 ID3 决策树算法的新修改。我们讨论了决策树的原理，包括熵和信息增益，并介绍了 CRE 作为决策树中香农熵的替代度量的概念、属性和优点。此外，通过在十个真实数据集上运行所提出的决策树算法（称为 CRDT）和 ID3 决策树算法，我们使用适当的标准评估和比较两种决策树算法的准确性和效率，这表明 CRDT 的性能要好得多。比 ID3 更准确、更接近现实。此外，我们通过 MSE、RMSE、R 方和训练时间标准比较了三种基于决策树的算法 CRDT、CART 和随机森林的性能。结果表明，与替代方案相比，新提出的模型具有优越性。

能力设施定位问题（CFLP）是定位科学领域广泛研究的著名组合优化问题。它在工业工程、人道主义物流、电信网络和其他领域有广泛的应用。考虑到需求的不确定性，随机规划成为解决该问题的合适方法。因此，由于固有的随机性，并不是所有的客户需求都能得到满足。为了解决这个问题，我们将短缺的概念纳入 CFLP 中。因此，提出了具有短缺和正态分布需求的 CFLP，其中失去客户的成本被视为目标函数中的惩罚成本。为了解决这个问题，我们提出了三种精确方法和一种数学算法。确切的方法以 Benders 分解为基础：简单的实现、添加一组有效不等式的精炼版本以及基于分支与剪切的增强方法。数学算法遵循基于定价策略的固定优先方案，在合理的计算时间内有效地解决问题。通过将所提出的算法与通用求解器 Gurobi 给出的确定性等效解进行比较来评估其有效性。使用样本平均近似方案在一组具有挑战性的实例上进行计算实验。为了验证所研究问题的适用性，对涉及墨西哥移动医疗诊所

为了缓解无线传感器网络(WSN)中移动宿因环境和功耗问题而受到的限制，提出一种新的无线传感器网络网络通信信号采集方法，以缩短移动宿的路径为目标。然后在蚁群算法的基础上加入节点信息素等概念，提出ACO-TU（Ant Colony Optimization-Team Up）算法。该算法对蚁群算法的移动单元进行分组，通过特定的移动策略进一步优化无线传感器网络中的Sink路径。实验结果表明，所提出的接收器移动路径优化方法在降低功耗和缩短距离方面有显着的改进，可以进一步增加移动接收器的使用寿命，提高信号传输质量。与最新相关算法的比较结果表明，ACO-TU算法具有最好的优化性能，证明了该算法的有效性。

充电基础设施建设对促进新能源汽车发展具有重要意义。政府引导充电设施运营商加入统一监管服务平台，降低车主在互联互通背景下使用充电服务的门槛。本文构建了充电设施运营商、监管服务平台和政府三个利益相关者的演化博弈模型，讨论博弈各方的策略选择概率如何受到自身利益相关参数和其他各方利益相关参数的影响。并通过数值模拟分析了政府补贴、收入共享比例和成本共享比例对系统演化过程和稳定性策略的影响，得到了博弈三方长期合作的演化稳定策略。结果表明，三方博弈的策略选择由其收益决定，其策略选择的概率由其他博弈者的概率决定。博弈系统中有6个稳定均衡点，每个均衡点代表利益相关者在充电基础设施互联过程中可能选择的均衡策略，选择均衡策略的概率由净收益决定。 充电基础设施运营商的收益分摊比例、监管服务平台的成本分摊比例以及政府补贴的强度与系统向理想状态的演化成正比，然而充电基础设施运营商和监管服务平台选择的概率当上述参数达到