摘要：农产品供应链稳定对保障市场供应、稳定需求、扩大居民消费需求具有重要意义.新兴技术的应用可以提高农产品供应链的价值,降低传统供应链的风险.因此,本文在机器学习算法的基础上,将贝叶斯算法融入决策树模型,建立了一种用于农产品供应链风险评估预测的模型.首先,基于贝叶斯算法设计了用于风险划分的决策树模型.然后,使用随机变量的权重构建决策树模型用于风险预测评估.最后,将决策树模型应用于农产品供应链(APSC),提出了APSC管理框架,帮助决策者进行评估分析,以降低农产品供应链风险.实验结果表明,对比模型预测风险的性能达到90%左右,而本文提出的模型可以达到95%左右,证明其具有较高的预测准确性.敏感性分析证实,该模型对市场变化具有较高的灵敏度,可以帮助决策者更好地评估农产品供应链风险并及时调整供应链机制.

摘要：生成式基座大模型正在引发人工智能领域的重大变革,在自然语言处理、多模态理解与内容合成等任务展现通用能力。大模型部署于云侧提供通用智能服务,但面临时延大、个性化不足等关键挑战,小模型部署于端侧捕捉个性化场景数据,但存在泛化性不足的难题。大小模型端云协同技术旨在结合大模型通用能力和小模型专用能力,以协同交互方式学习演化进而赋能下游垂直行业场景。本文以大语言模型和多模态大模型为代表,梳理生成式基座大模型的主流架构、典型预训练技术和适配微调等方法,介绍在大模型背景下模型剪枝、模型量化和知识蒸馏等大模型小型化关键技术的发展历史和研究近况,依据模型间协作目的及协同原理异同,提出大小模型协同训练、协同推理和协同规划的协同进化分类方法,概述端云模型双向蒸馏、模块化设计和生成式智能体等系列代表性新技术、新思路。总体而言,本文从生成式基座大模型、大模型小型化技术和大小模型端云协同方式3个方面探讨大小模型协同进化的国际和国内发展现状,对比优势和差距,并从应用前景、模型架构设计、垂直领域模型融合、个性化和安全可信挑战等层面分析基座赋能发展趋势。

摘要：机器学习方法为构建系统软件带来了新的机遇.为充分利用硬件资源支撑新型应用,系统软件的设计与实现需要不断改进与演化,以适应不同场景的需求.机器学习方法具有从数据中提取规律并自动优化系统性能的潜力.然而,使用机器学习方法赋能系统软件面临一些挑战,包括设计面向系统软件的定制化模型、获取足量且高质量的训练数据、降低模型开销对系统性能的影响,以及消除模型误差对系统正确性的影响等.介绍了上海交通大学并行与分布式系统研究所在索引结构、键值存储系统、并发控制协议等方面应用机器学习方法优化系统软件的实践,并从模型设计、系统集成和实践者自身知识储备等方面总结了经验与教训.此外,还回顾了国内外相关研究,并对此研究方向提出了展望与建议,希望为未来的研究提供参考与帮助.

摘要：针对现有二维人体姿态估计方法应用于视频序列时由于图像质量不稳定而导致的估计精度下降和时域不连续的问题,提出一种时空信息感知网络STNet.首先利用卷积模块提取出每帧视频中人体关节点的二维空间热力图,接着利用循环卷积模块对连续帧热力图之间的时间信息进行编码.时空信息的解耦学习策略提升了姿态估计结果的时域连贯性和空间准确性,降低了视频序列中时空特征的提取难度.循环卷积模块中的ConvGRU结构在保证识别精度的同时有效减少了模型计算量.在二维关节点数据集PennAction和Sub-JHMDB上进行实验,并与其他现有方法进行对比分析.结果表明, STNet可以实现预测精度和运算量之间的更好权衡,更具实用价值.

摘要：随着网络技术的发展,如何构建可信任的新一代信息管理系统成为了必要需求,区块链技术提供了去中心化、透明、不可篡改的可信分布式底座.随着人工智能技术的发展,网络数据计算领域出现了数据孤岛问题,各开发者之间的不信任导致难以联合利用各方数据进行协同训练,联邦学习虽然提供了数据隐私性保障,但是服务器端安全性仍存在隐患.传统方法通过将联邦学习框架中的服务器端替换为区块链系统以提供不可篡改的全局模型数据库,但是这种方式并未利用物联网场景中所有可用网络连接,并缺少了针对联邦学习任务的区块结构设计.提出了基于区块链辅助的半中心化联邦学习框架,从物联网场景需求出发,构建了半中心化的物联网场景,利用了所有可信的网络连接以支撑联邦学习任务,同时通过区块链技术为不可信、距离远的客户端之间构建了不可篡改的模型库,相比传统区块链联邦学习框架有更小的通信开销和更好的普适性.所提框架包含两大设计,半中心化的联邦学习框架通过客户端之间的可信连接减少聚合所带来的通信开销,并通过区块链存储客户端模型以便于距离较远或者相互不可信的客户端进行聚合;设计了针对联邦学习任务的区块链区块,使区块链能够支持底层联邦学习训练的需求.实验证明所提框架在多个数据集上相比传统联邦学习算法有至少8%的准确率提升,并大幅度减少了客户端之间相互等待带来的通信开销,为实际场景下的区块链联邦学习系统部署提供了指导.

摘要：近年来,现场可编程逻辑门阵列(FPGA)在异构计算领域因其优异的可定制性和可重配置特点吸引了工业界和学术界的广泛关注.基于FPGA的硬件加速系统设计涉及到深度的软硬件协同开发,利用软硬件各自开发工具分别开发再集成的传统开发方式具有学习门槛高,集成、测试、部署耗时长等缺陷,开发人员难以利用FPGA可快速重配置的特点来实现系统开发过程中的快速原型和快速迭代.如何让硬件加速系统的开发利用到现代软件工程和程序语言领域的成果,研究者们经历了长期的探索,首先根据相关研究总结了硬件及硬件加速系统开发工具设计的历史教训和成功经验,然后介绍设计实践,最后进行总结并提出对未来的展望.

摘要：讨论了基于URL的网页内容过滤器的设计与实现。通过对Linux系统内核模块的分析,设计通过网络包截获、网络包过滤两个步骤进行过滤器的实现。在设计过程中,探讨并实现了URL阻挡树模型、上下层通信的技术(上下层大规模数据传输和内核主动发信号给进程的技术)和包的截获技术。

摘要：近年来,基于Petri网可覆盖性的验证技术已经成功地应用于并发程序的验证与分析中。然而,由于Petri网的可覆盖性问题复杂度太高,这类技术在应用时有较大的局限性,对于输入规模较大的问题常常会出现超时的情况。而Petri网的一个子系统非交互式Petri网,其可覆盖性和可达性复杂性均是NP完备的,同时表达力又可以作为某类并发程序的验证模型。设计并实现了可以高效验证非交互式Petri网可覆盖性的工具CFPCV。采用基于约束的方法,从模型中提取约束,并使用Z3 SMT求解器对约束进行求解,同时,通过子网可标记方法对候选解进行验证,从而保证每组解都是正确解。通过实验分析了该工具的成功率、迭代次数以及运行效率,发现该算法不仅验证成功率高,而且性能非常优异。

摘要：针对实际场景下自动化码头中自动导引车(AGV)的水平运输调度问题,考虑集装箱任务指派和AGV路径规划并将其映射为并行机调度问题,以最小化水平运输耗时为优化目标,构建了自动化码头的水平运输调度数学规划模型。为提高求解质量,开发了一种改进人工蜂群算法。该方法提高了蜂群个体的邻域搜索性能,并引入种群规模自适应机制,根据食物源丰富与否改变种群规模。最后,根据洋山四期自动化码头的历史运营数据设计了不同规模的算例,并将改进算法与多种智能算法及其改进算法进行了对比测试,从而证明了所提算法的优越性和有效性,同时表明开发的算法能够缩短水平运输耗时,为自动化码头提供决策支持。

摘要：针对实际场景下的自动化码头集装箱堆场出口箱箱位分配问题,考虑到三维码放、场桥接力和多箱区协同等特性,并以降低任务的不均衡性和后续的翻箱率为优化目标,构建了自动化码头出口箱箱位分配数学规划模型。为了提高求解质量,开发了一种基于强化学习的超启发式方法,该方法将具有不同特征的启发式算法和智能算法作为低层启发式策略,采用新颖的基于策略的强化学习方法作为高层决策方法,并使用深度学习更高效地提取状态中的隐藏模式。最后,根据洋山四期自动化集装箱堆场历史数据设计了算例,并将所提算法与常规智能算法进行了对比,证明了所提算法的有效性和优越性,同时表明所提算法能够提高堆场作业效率,为自动化集装箱堆场提供决策支持。