摘要：为了在多重掩模自动布线场景中取得缝线数目较少、总线长较小的布线效果,提出一种基于虚拟格点(virtual-vertex,V-V)模型的满足多重掩模约束的详细布线算法.首先在均匀网格下构建可以支持同色及异色间距的V-V模型,V-V的规模由工艺文件中定义的布线层的掩模数决定;然后为每个多端线网生成考虑多重掩模约束的最短路径拓扑结构,并将多端线网分解为多个双端线网;最后基于提出的V-V模型结合搜索算法,以最短路径拓扑结构作为指导,对每个双端线网完成自动布线,并通过代价函数严格控制缝线的引入,保证了以最小缝线数完成线网的连接.在详细布线比赛的基准测试集及其衍生测例进行实验的结果表明,与布线完成后再进行掩模分配的技术方案相比,所提算法可以减少约26%的缝线数.

摘要：随着钢铁行业的数字化发展,其订单逐渐趋于多样化和随机化,这对热轧调度模型的适应性和灵活性等提出了新的要求.针对热轧调度问题,当前的主流方法是启发式算法,但其存在两个问题:一是没有考虑数据的组织表示;二是此类算法具有很强的针对性,当问题发生很小的改变就需要进行复杂的参数调整.相比之下,机器学习具有更好的适应性和灵活性,对此,采用本体进行人机物三元数据的组织表示,提出一种指针网络+强化学习的热轧调度求解方法.采用指针网络来学习序列到序列的映射,同时为解决指针网络训练困难和性能不高等问题,通过actor-critic网络进行训练,提高模型的准确性和收敛速度.最后,通过设计相应的实验对算法的性能进行仿真并与LK-H的局部搜索算法进行对比,进一步验证了所提出方法的有效性.

摘要：随着机器学习在社会各领域中自主决策场景的广泛应用,人们对机器学习框架中潜在漏洞的担忧也在日益增加.然而,由于其复杂的实现,针对框架的系统化、自动化测试成为一项艰巨的任务.现有对机器学习框架测试的研究在生成有效测试数据方面尚不成熟,导致测试数据无法通过合法性校验并因此无法检测到目标漏洞.本文提出了ConFL,一种基于约束的机器学习框架模糊测试工具.ConFL能够自动从框架源代码中提取约束而无需任何先验知识.在约束的指导下,ConFL可以生成能够通过校验的有效输入,并执行到框架更深层次的代码逻辑.此外,本文设计了一种算子分组调度技术来提高模糊测试的效率.为了证明ConFL的有效性,本文主要在Tensor-Flow框架上评估了其性能.测试发现,与现有的SOTA工具相比,ConFL能够覆盖更多的代码行,并生成更多有效的测试数据;在相同版本的TensorFlow框架上,ConFL能检测出更多的已知漏洞.此外,ConFL在不同版本的TensorFlow中发现了84个未知漏洞,这些漏洞全部被官方修复并被分配了CVE编号,其中包括3个严重漏洞,13个高危漏洞.最后,本文还在PyTorch和PaddlePaddle中进行了通用性测试,迄今为止发现了7个漏洞.

摘要：知识图谱嵌入将离散的符号化实体和关系映射到连续的低维空间中,使后续的任务(如推理、图谱补全等)可以通过代数运算的方式进行.大体而言,知识图谱嵌入可以分成2类主流方法:平移距离模型和语义匹配模型.从知识图谱的图结构出发,可以分析平移距离模型的学习瓶颈,进而得出结论,即平移距离模型的缺点是没有区别对待实体在头部和尾部2个位置所应有的不同语义.据此,提出位置敏感的嵌入表示(location-sensitive embedding,LSE)模型.与现有模型不同的是,LSE仅对头部实体进行由不同关系决定的映射,并且将关系建模为一般化的线性变换而不仅是平移.理论分析的结果保证了LSE的表示能力,同时揭示了与其他模型之间的联系.同时,为了提高模型的训练和推理效率,提出简化模型LSEd,将线性变换限制为对角阵.在4个大规模通用知识图谱数据集上使用链接预测任务进行测试.实验结果表明,所提出的模型达到了最高或与当前最先进模型持平的性能.

摘要：群猪检测是现代化猪场智慧管理的关键环节。针对群猪计数过程中,小目标或被遮挡的猪只个体易漏检的问题,该研究提出了基于多尺度融合注意力机制的群猪检测方法。首先基于YOLOv7模型构建了群猪目标检测网络YOLOpig,该网络设计了融合注意力机制的小目标尺度检测网络结构,并基于残差思想优化了最大池化卷积模块,实现了对被遮挡与小目标猪只个体的准确检测;其次结合GradCAM算法进行猪只检测信息的特征可视化,验证群猪检测试验特征提取的有效性。最后使用目标跟踪算法StrongSORT实现猪只个体的准确跟踪,为猪只的检测任务提供身份信息。研究以育肥阶段的长白猪为测试对象,基于不同视角采集的视频数据集进行测试,验证了YOLOpig网络结合StongSORT算法的准确性和实时性。试验结果表明,该研究提出的YOLOpig模型精确率、召回率及平均精度分别为90.4%、85.5%和92.4%,相较于基础YOLOv7模型平均精度提高了5.1个百分点,检测速度提升7.14%,比YOLOv5、YOLOv7tiny和YOLOv8n 3种模型的平均精度分别提高了12.1、16.8和5.7个百分点,该文模型可以实现群猪的有效检测,满足养殖场管理需要。

摘要：集群系统合围跟踪控制是群体智能涌现在运动控制层面的实现途径之一,在智能化战争时代具有广阔的应用前景.本文面向未来空地群体智能作战中护卫任务的应用需求,聚焦军品押送、重要人物护送等典型任务场景,研究了异构集群系统考虑领导者具有未知输入的分布式编队-合围跟踪控制问题,以实现复杂环境下空地协同智能作战.首先引入代数图论知识,建立具有未知输入的异构集群系统模型,提出了一种编队构型生成系统.之后结合自适应控制律,利用邻居局部信息交互设计了基于边的分布式编队-合围跟踪控制器,并证明了闭环系统的稳定性.此外,对异构集群系统涌现出的更复杂的群体智能特征进行了分析与总结.最后,通过数值仿真验证了本文所提出的方法能够实现预期的编队-合围跟踪控制,并建立了实物等效验证系统,对控制方法的有效性进行了验证,为实际情况下大规模空地协同智能作战提供了有力的理论支撑.

摘要：鉴于城市固废焚烧(municipal solid waste incineration,MSWI)过程控制系统的封闭特性与工业现场的安全性要求,如何实现离线多模态数据的时间同步发布和如何搭建数据驱动预测模型的类工业现场验证环境,是实现智能建模算法落地应用需首要解决的关键问题。该文开发多模态数据驱动的MSWI过程验证平台,由多模态历史数据同步子系统和多模态历史数据驱动建模子系统组成。首先,结合现场领域专家预测关键工艺参数过程的抽象化描述,设计验证平台的结构;然后,建立以炉膛温度、烟气含氧量和锅炉蒸汽流量为输出的多模态数据驱动预测模型;最后,搭建硬件环境并开发相应的软件系统,实现子系统间的协同运行。利用实际过程数据与火焰视频验证该平台能够解决多模态数据驱动预测模型构建中存在的采样难、同步难、匹配难等问题,能够提供可靠的工程化验证环境。

摘要：在自动驾驶技术发展中,安全性一直作为首要因素被业界重视.行为决策与运动规划系统作为该技术的关键环节,对智慧属性具有更高要求,需要不断地随着环境变化做出当前的最优策略与行为,确保车辆行驶过程中的安全.文中分别对行为决策和运动规划系统进行深层次阐述,首先,介绍行为决策中基于规则的决策算法、基于监督学习的决策算法、基于强化学习的决策算法的算法理论及其在实车中的应用.然后,介绍运动规划中基于采样的规划算法、基于图搜索的规划算法、基于数值优化的规划算法和基于交互性的规划算法,并对算法的设计展开讨论,从安全角度分析行为决策和运动规划,对比各类方法的优缺点.最后,展望自动驾驶领域未来的安全研究方向及挑战.

摘要：无人机具有成本低、机动性强等优势特性,近年来成为军用和民用领域中备受青睐的对象.为了使无人机能够快速、稳定、高效地完成不同的任务,安全、可靠的轨迹控制至关重要.本文针对无人机群赋能的多辐射源追踪问题,构建了多约束条件下的无人机群轨迹优化模型,提出了估计、匹配、定位、追踪框架,并设计了一种基于深度强化学习的无人机群飞行轨迹优化算法.首先,采用深度神经网络估计信道模型,得到接收信号强度和距离之间的映射关系;其次,采用交互式方法生成接收信号强度矩阵,计算出对应的距离矩阵并得到无人机与辐射源匹配方案;然后,采用多球交汇定位方法,结合接收信号强度和距离之间的映射关系计算出辐射源的参考位置;进一步,将原始优化问题转换为马尔科夫决策过程,并将辐射源定位信息引入强化学习中,设计高效的无人机飞行轨迹优化算法.此外,引入群体熵对所提算法的智能性进行了分析和评估.最后,仿真结果对所提算法的平均飞行时间、任务完成率、智能性以及无人机群的轨迹分别进行了分析,验证了所提方法的有效性.

摘要：针对多无人机区域覆盖任务中的机间通信资源分配问题,提出了一种基于强化学习的多智能体动态通信资源分配模型。利用多智能体生成树覆盖方法生成任务区域内各个无人机的覆盖航线,对无人机与地面基站及无人机之间的通信链路进行建模。由于飞行环境的不确定性,将长期的资源分配问题建模为随机博弈模型,将无人机间的空-空链路视作一个智能体,每个智能体采取的动作包含选择工作频段和发送端的传输功率。在此基础上,基于双深度Q网络(DDQN)设计多智能体强化学习(MARL)模型,使得每个智能体通过奖励函数的反馈学习到最优通信资源分配策略。仿真结果表明:MARL模型能够在动态航迹下自适应选择最佳通信资源分配策略,提高时延约束下的负载交付成功率,同时降低空-空链路对空地下行链路的干扰并增大信道总容量。