地球物理流体动力学的计算模型在数据同化和不确定性量化等任务中的计算代价非常大。有人提出了相应的替代模型以寻求减轻计算负担。研究人员已经开始应用人工智能和机器学习算法, 特别是人工神经网络, 针对地球物理流体建立数据驱动的替代模型。神经网络的性能在很大程度上取决于其网络结构设计和超参数的选择(调参)。一般情况下, 这些神经网络通过手动调参, 反复试错, 从而最大限度地提高其计算性能。这通常要求对底层神经网络结构以及特定领域问题有专业知识积累和认知。这一局限性可以通过使用进化算法, 自动设计和选择神经网络的最优超参数来解决。本文应用遗传算法进行了有效的长短期记忆(Long Short-Term Memory, LSTM)神经网络设计, 建立了NOAA海表温度数据集的温度预测模型。

智能如何产生, 其动力学行为如何演化、如何控制? 针对这些问题, 本文从复杂网络和动力学系统的角度简要综述智能控制的相关研究: 讨论复杂网络、动力学系统、神经科学和智能控制交叉研究的内涵和挑战问题; 概述牵制控制、混杂控制、自适应控制及复杂网络可控性等研究进展。并探讨复杂网络动力学与智能控制在脑科学与机器行为学中的相关应用及研究方向。

光学相干层析(Optical Coherence Tomography, OCT)作为一种具有微米级分辨率和毫米级量程的层析成像技术, 可用于透明/半透明物体(如聚合物材料、陶瓷材料、复合材料等)内部微观结构信息的探测与成像。在结合了相衬方法后, 该技术还可利用干涉信号的相位敏感特性, 实现纳米级位移场与微应变级形变场的高灵敏度测量, 用于材料内部全场力学行为的表征与测试。在近十余年发展中, 相衬OCT已逐渐成为无损检测领域的研究热点, 受到了国际相关学者的广泛关注。本文旨在介绍相衬OCT基本原理及其在检测领域典型应用(包括多层结构热变形场层析测量、聚合物内部固化过程可视化监测、材料内部微缺陷高灵敏辨识等)的基础上, 对其未来发展进行探讨与展望。

本文研究了具有指定收敛速度的线性离散时间系统鲁棒跟踪设计问题。首先利用鲁棒输出调节理论描述了跟踪控制问题, 再结合系统数据与强化学习实现了具有指定收敛速度的跟踪控制。学习得到的控制方案不仅保证了跟踪误差渐近收敛到零, 而且具有针对不确定系统动态的鲁棒性。本文所述的指定收敛速度设计不依赖系统演化时间或精确系统模型, 因此是数据驱动的。

算力网络(Compute First Networking, CFN)是最新的分布式框架, 可根据计算负载和网络状态为边缘计算智能地分配计算资源。它要求实时了解本地或远程计算资源的可用状态。本文首次提出集中式故障检测协议CFN-Watchdog (简称为Watchdog), 它可以很好地满足CFN的要求并及时回收故障所占用的资源。然后, 从理论上分析各种参数(如检测阈值、任务处理时间和网络延迟)对Watchdog性能的影响。大量的仿真实验验证了本文提出的协议的有效性和理论模型的准确性。这项研究有助于边缘计算的参数优化配置和设计更好的故障检测协议。

第6代(6G)移动通信在满足人类智能通信需求的同时, 也给用户数据的安全与隐私保护带来了极大挑战。为此, 基于联邦学习的分布式机器学习架构应运而生。然而, 在联邦的模型训练过程中, 移动设备会产生大量计算和通信开销。自私的移动设备不愿意参与模型训练, 这将降低联邦学习性能。本文基于迭代双边拍卖设计了一种有效的联邦学习资源协作激励机制, 任务计算终端作为卖方, 任务请求终端作为买方, 本地接入点根据买卖双方的出价做出模型训练时延和相应定价决策, 在买卖双方信息非对称情况下最大化联邦学习市场总效用。仿真实验表明, 所提机制具有良好的收敛性, 可显著提高联邦学习的准确率, 同时降低训练损失。

为了解决移动机器人在复杂环境中物体抓取规划成功率低以及规划时间长等问题, 本文提出了一种基于环境信息的预处理生成移动机器人停靠位置优化算法。首先对机械臂的工作空间进行分析, 得到抓取难易评价标准, 将环境中目标物、障碍物以及移动底盘位置简化为点, 投影到xy平面上, 根据抓取难易评价标准求出移动机器人优化后的底盘停靠位置; 然后针对机械臂避障问题, 采用快速扩展随机树(Rapidly-exploring Random Trees, RRT)算法实现了机械臂末端及连杆与障碍物的避障; 最后通过仿真和动作捕捉系统下的实验发现, 采用移动机器人停靠位置优化算法可显著提高抓取规划成功率和规划速度。

针对基于委托权益证明(Delegated Proof-of-Stake, DPoS) 共识算法的区块链赋能车联网系统中区块验证的安全性与可靠性问题, 矿工通过引入轻节点(如智能手机等边缘节点)共同参与区块验证，提高区块验证的安全性和可靠性。为了激励矿工主动引入轻节点, 采用了斯坦伯格(Stackelberg)博弈模型对区块链用户与矿工进行建模, 实现区块链用户的效用和矿工的个人利润最大化。作为博弈主方的区块链用户设定最优的区块验证的交易费, 而作为博弈从方的矿工决定最优的招募验证者(即轻节点)的数量。为了找到所设计Stackelberg博弈的纳什均衡, 设计了一种基于多智能体强化学习算法来搜索接近最优的策略。最后对本文方案进行验证, 结果表明该方案既能实现区块链用户和矿工效益最大化, 也能保证区块验证的安全性与可靠性。

自动导引车(Automated Guided Vehicle, AGV)的自主路径规划是离散制造智能工厂中物流系统的重要组成部分, AGV可以大大提高离散智能制造的智能化和自动化能力, 而传统的AGV导航方式自由度较低。本文研究面向离散制造智能工厂场景下的AGV自主路径规划问题, 应用深度强化学习方法提高自主路径规划的自由度。设计了一种多模态环境信息感知的神经网络结构, 并将AGV在全局障碍下的路径规划预训练策略引入到复杂的离散制造智能工厂场景下的路径规划, 实现了AGV从环境感知到动作决策的端到端路径规划。实验结果表明, 采用本文提出算法的AGV能够在复杂的离散制造智能工厂环境进行自主规划路径, 并具有较高的成功率和避障能力。

传统的基于主/从的数据处理框架容易受到主节点的单点故障和性能瓶颈的影响。相比之下, 区块链系统采用去中心化的框架, 能够聚合海量的计算资源。提出了一种基于区块链的数据处理框架, 利用区块链的优点来解决中心化框架的缺点。在所提出的框架中, 区块链存储任务信息, 采用的有用工作共识证明共识机制使节点能够使用其计算资源处理任务, 同时竞争领导者(将待处理的任务分派到区块链)。模拟表明, 所提出的框架在吞吐量和任务响应时间方面优于集中式框架。

为研究生产系统实现本质安全的途径, 提出了通过建立人工智能管理系统实现生产系统本质安全的方法。首先论述了本质安全的概念与问题, 包括人、机、环境和管理各子系统在生产系统中的作用和特征, 论述了它们对实现本质安全的阻碍; 其次论述了人工智能实现本质安全的可行性, 建立了人工智能生产系统结构, 与原有结构相比, 操作者消失、管理者作用改变、增加反馈机制、系统复杂程度下降; 最后讨论了实现本质安全的途径, 即构建人工智能管理系统, 其具有双循环和自学习特征。虽然故障模式识别和故障知识库等相关理论尚不成熟, 但通过建立人工智能管理系统实现生产过程本质安全是可行的。

为了降低发明问题的解决理论(Theory of the Solution of Inventive Problems, 缩写为TRIZ)中科学效应使用过程的模糊性, 并准确而清晰地表述效应中输入与输出的转换关系, 提出了基于可拓学的形式化表达方式研究科学效应的方法。首先简单介绍可拓变换、传导效应与科学效应的概念, 然后分别针对7种重要的物理效应与可拓变换、传导效应的关系开展形式化定量化研究: 建立物理效应中涉及到物的各种物元模型; 根据领域知识和可拓学中的相关规则, 建立物元间的相关关系; 再根据主动变换与传导变换的知识, 对相关关系中的物元实施主动变换, 并获取相应的传导变换; 然后根据领域知识中物理效应的计算公式和传导效应的计算公式, 获得物理效应与传导效应的换算公式; 最后总结归纳出建立物理效应与可拓变换和传导效应的一般关系的方法。该研究用形式化方法准确而详细地描述各种物理效应的主要内容, 以便人们理解各物理效应产生的机理以及输入与输出量的转换关系, 也为结合物理效应与可拓变换解决工程技术领域的矛盾问题提供依据和方法, 同时, 为发现新的科学效应提供了一种新思路。

为科学决策和评价驾驶人情绪感知装置的最优化多模态组合方案, 本文基于可拓设计多功能产品创造法, 利用基元理论中的发散分析法分析了情绪感知装置的检测功能, 建立了类物元，并生成具体产品物元模型。分析了单一检测装置包含的3种安装位置间的重组关系, 拓展出一系列重组方案, 再利用优度评价法对其进行筛选。 最终确定了一种有效的多模态驾驶人情绪感知装置的组合方案。

创意生成是设计过程中的关键环节之一, 但受限于个人技能, 往往难以获取可穷举的系统性创意。可拓学研究矛盾问题处理的方法可以为解决设计中的问题提供参考。以广州区庄地铁站解决乱扔烟蒂影响公共生活环境问题为例, 引入可拓创新方法, 对问题进行基元建模; 基于区庄地铁站的实际情况分析, 把问题拆解为多个基元进行详细的拓展分析, 利用可拓创新方法中的可拓变换, 最终提出了13种以上的解决方案。通过在区庄地铁站区域的应用, 验证了方案的有效性。该方法可为解决设计中创意生成的系统性问题提供新思路。