课程文献中心 更多>>

关键词： 量子计算   混沌映射   图像处理   量子混沌加密  

摘要： 量子混沌映射加密是融合量子计算、混沌映射与密码学的交叉研究方向。量子计算机强大的并行计算能力为密码学尤其是数字图像处理领域提供了全新加密思路。混沌系统具备初值敏感、拓扑传递、伪随机等特性,有效推动了量子图像融合与加密算法的迭代升级。系统梳理了近年国内外相关研究成果。首先,阐述量子技术与典型混沌映射的基础理论;其次,分类剖析基于量子混沌映射的各类加密方案,重点围绕主流混沌映射模型,总结量子图像加密的研究进展;最后,介绍该技术的典型应用场景,并归纳当前研究存在的问题与挑战,以期为后续相关研究提供参考。

关键词： 流程挖掘   业务流程一致性   偏差分类   规则映射   关系网络分析   集成框架  

摘要： 在业务流程一致性检查中，基于对齐算法的偏差检测结果缺乏直观的业务语义，导致分析效率低下。为此，本文提出一个基于规则映射与关系网络分析的业务流程偏差集成分析框架。该框架包含四个层次：首先，通过对齐算法获取事件日志与模型间的移动序列；其次，构建从移动类型到三类业务偏差（缺失、顺序错误、重复）的规则映射模型，实现偏差的自动分类与语义解释；进而，开发可视化插件支持交互式分析；最后，在组织关联层将活动层偏差关联至执行主体、识别其协作模式与高风险群体。在真实业务数据集（BPIC-2019）上的实验表明，本框架能有效识别业务流程偏差（F1=0.93），并成功定位18名违反业务约束规则的执行者及其关系子网，为业务流程的智能监控与根因分析提供可解释的端到端支持。

关键词： 随机配置网络   指示函数   超维计算   非线性函数拟合   边缘计算   随机计算  

摘要： 为解决神经网络在边缘计算设备部署中的参数量大及存储与计算资源受限问题，提出了一种指示函数编码驱动的轻量化随机配置网络模型（LSCN-IFE）。该模型采用新颖的编码策略，通过指示函数将输入数据映射为比特向量，并利用随机配置算法自适应地划分区间。进一步地，采用超维计算优化隐含层节点表示，使得网络节点仅依赖加法和异或运算，从而显著降低计算复杂度。理论分析证明，该模型在适当条件下具有收敛性。实验结果表明，该模型在多个基准数据集和实际工业应用中，能够实现优异的预测精度，显著降低功耗，并有效提升实时预测能力。该研究为边缘计算中的神经网络部署提供了一种高效且可扩展的解决方案。

关键词： 部分可观测场景   多智能体协同   深度强化学习   图注意力网络   值函数分解  

摘要： 如何实现部分可观测场景中的多智能体合作是一项重要挑战。作为一种流行的解决方案，值函数分解方法基于“个体-全局-最大”原则将联合值函数表示为个体值函数的某种组合，以保证全局最优和个体最优之间的一致性。但现有方法通常使用全局状态或联合局部观测计算个体值函数的权重系数，这只能在个体级评估每个智能体对系统的贡献，导致智能体间协同能力较差。且由于实际对抗场景中全局状态往往无法被获取，使用全局状态的方法通常可行性较差。因此，提出一种基于双重贡献评估的值函数分解方法，以解决不完全信息条件下的多智能体协同问题。在邻域层面，采用多头自注意力机制评估邻域内其他智能体对该智能体的影响，并利用图注意力网络聚合邻居的特征，从而将高维的联合邻域局部观测转化为低维的邻域抽象特征，进而降低通信成本。在全局层面，通过共享的邻域抽象特征生成个体值函数的加权系数，从而在邻域级评估每个智能体对系统的贡献，以促进智能体间协同。实验结果表明，该方法在多个场景中的表现均优于基准方法，其测试胜率较原始方法最大提升了48.6%。此外，消融实验显示该方法在某些场景中的性能不差于使用全局状态的方法。

关键词： 径流模拟   洪水模拟   损失函数   长短期记忆网络   长江源区  

摘要： 气候变化背景下极端水文事件频发，严重威胁全球和区域水安全，对径流与洪水的精准模拟提出了更高要求。以长短期记忆网络（LSTM）为代表的人工智能方法已在水文预测领域取得长足进展，但物理机理的缺失导致其在极端水文事件模拟中存在局限。本研究以长江源区为研究区域，首先构建了1 km分辨率的基准陆面水文模型；进而提出一种径流高值聚焦型损失函数，并基于相同编码器-解码器架构，分别采用该损失函数和其他常规损失函数构建了四个LSTM模型；最后应用所有模型对2020年径流过程及洪水事件进行连续模拟与系统评估。结果显示：采用径流高值聚焦型损失函数训练的汛期高值修正模型，在径流整体模拟精度上与基准LSTM模型及基准陆面水文模型相当，同时显著改善了对洪水要素的模拟，相对其他模型峰现时差降低75%～88%，洪峰误差降低7%～69%，洪水总量误差降低48%～76%，在径流90%分位数以上高值区间的频率分布与实测吻合，且在20%～60%分位数区间模拟能力较优。本文还探讨了在LSTM模型中额外引入陆面水文模型模拟径流的影响，发现单纯增加物理信息难以改进洪水模拟效果，凸显了损失函数针对性设计的重要性。本研究期望为长江源区的径流与洪水预报提供技术支撑。

关键词： 液化天然气储罐   远场爆炸   爆炸地振动   动力响应   损伤模式  

摘要： 【目的】针对液化天然气（Liquid Natural Gas， LNG）储罐的安全可能受到远场爆炸威胁，研究其在远场大当量爆炸与爆炸地振动耦合作用下的动力响应与损伤模式。【方法】首先，采用显式动力分析程序LS-DYNA建立了精细化有限元（Finite Element， FE）模型。其次，结合任意拉格朗日-欧拉（Arbitrary Lagrangian-Eulerian， ALE）算法，提出了基于映射技术的一种适用于远场爆炸的仿真方法，并验证了爆炸荷载的准确性。随后，对LNG储罐在远场爆炸与爆炸地振动耦合作用下开展了数值仿真，获得并分析了爆炸荷载、爆炸地振动、储罐变形与损伤云图等结果。最后，通过参数敏感性分析，系统研究了爆炸地振动、爆距、隔震系统和起爆高度对结构动力响应的影响。【结果】爆炸地振动比爆炸波更早作用于储罐，二者耦合作用使储罐发生整体变形（最大可达80 mm），且局部损伤集中在穹顶与外罐连接处。爆炸地振动作用使储罐位移响应增大43%，并加剧了结构损伤程度。较小的爆距和起爆高度使储罐产生更大的整体响应和更严重的损伤。此外，隔震系统通过阻尼和变形有效减轻了爆炸荷载和爆炸地振动的影响。【结论】提出的远场爆炸仿真方法相比于传统ALE方法，在保证精度的同时计算效率显著提高；爆炸地振动对LNG储罐的动力响应具有显著影响，在安全评估中不可忽视。本研究提出的爆炸仿真方法及得到的动力响应规律，可为远场爆炸作用下LNG储罐的设计与安全评估提供依据和参考。

关键词： 螺旋搜索   蜣螂算法   混沌映射   单纯形法  

摘要： 原始蜣螂优化算法虽然寻优能力较强,且收敛精度较高,但仍然存在易于陷入局部最优以及全局和局部开发不平衡的问题．针对以上问题,提出了一种融合多策略的蜣螂优化算法．利用混沌映射策略进行种群初始化,使初始分布更加均匀,拓展种群多样性;在种群迭代过程中,引入螺旋搜索策略,对种群进行优化,提高种群收敛速度和精度;采用单纯形法对迭代后的种群进行处理,淘汰种群边缘个体,更快达到最优解．仿真实验结果表明,改进后的蜣螂算法在收敛速度及收敛精度均优于其他六种对比算法．

关键词： 建筑策划   使用后评估   指标体系   映射   公共建筑  

摘要： 前策划—后评估的闭环是大型公共建筑全生命周期管理的关键。然而，既有研究往往分别聚焦于策划与评估各自独立的体系，导致二者存在一定程度的割裂，数据难以连贯对接，前后映射关系也模糊不清。这为策划阶段的风险预判以及评估阶段的问题溯源带来了挑战。本研究基于前策划和后评估基础理论，对二者的指标体系进行了系统梳理与整合，形成了维度对齐的指标体系。研究进一步构建了映射结构矩阵，对各指标间复杂的映射关系进行了量化，并以网络图的方式可视化。研究不仅在理论上有利于前策划—后评估的清晰闭环，也在实践上为设计师更好地理解策划与评估之间的关系提供了定量的依据，有助于提升大型公共建筑全生命周期管理的科学性与精细化水平。

关键词： 过估计误差   联合行为值函数   最优值估计   值函数分解  

摘要： 联合行为值函数是基于值函数分解的多智能体深度强化学习算法进行集中式训练和智能体产生协同策略的关键。然而在环境噪声、探索不足和迭代更新方式等多重因素影响下，其估计易引入偏差，导致过估计问题，进而影响策略优化。首先，从理论上分析了联合行为值函数过估计的成因，通过严格数学推导证明了估计偏差必然导致更新目标的高估，并给出了过估计误差的下界，为后续方法设计提供了理论依据。在此基础上，提出了一种基于多步加权双估计的过估计修正方法——λWD QMIX。该方法通过加权双估计机制校正估值偏差，结合资格迹回溯实现多步更新，在不增加或改变网络结构的前提下，显著提升了联合行为值函数的估计精度与稳定性。在星际争霸II微观操控基准上的实验表明，λWD QMIX在多种困难与超困难场景中均优于基线算法，验证了其有效性与泛化能力。

关键词： Interface   Green's function   Normal line force   Coated surfaces   Orthotropic material   BP neural network   Data-driven approach  

摘要： This paper proposes a novel data-driven method based on Green's function-generated data. The Green's function solution under concentrated loads of the coating structure is obtained in this paper, which is the foundation for data generation. The response was constructed under arbitrarily distributed loads using the superposition principle, thereby fully characterizing mechanical field information under any loading condition. Relying on the theoretical model of Green's functions, this approach enabled the efficient generation of large-scale, high-precision training datasets, which were subsequently used to train a neural network model capable of mapping the relationship between arbitrary load and stress response. Intelligent models for stress identification and load inversion in layered structures serve as critical foundations for safety design and tactile sensor design. However, the core challenge in developing high-performance intelligent models is determining how to obtain sufficient and high-quality training data. The advancement of many existing intelligent models has been constrained by this limitation. The method proposed in this paper breaks through the bottleneck of insufficient quality and scale of training data. Additionally, because stress distributions under arbitrary loads could be obtained by superimposing Green's function solutions for concentrated loads, the neural network trained with the data generated by this method inherently carried complete stress field information and possessed broad generalizability. Once trained, the model could achieve high-precision stress identification and load inversion under any loading condition. Numerical examples demonstrated that the model exhibited excellent performance in both identification accuracy and computational efficiency.