基于模因算法的飞机装配序列规划

针对飞机制造的装配序列规划问题,提出一种基于模因算法的飞机部件装配序列规划方法。在装配优先约束矩阵和非正交干涉矩阵的基础上构建装配规划模型,以飞机零部件间的装配方向和装配工具的差异性来构建适应度函数。在非干涉解空间中进行全局搜索,获得较优的装配规划方案,通过二叉树中序遍历法将较优的方案转化为可行解,再经过交叉操作和变异操作后,在可行解空间内进行局部搜索,最终获取较优的装配方案。以某型号的飞机舱门装配为例,通过与传统遗传算法对比,证实模因算法在飞机装配序列规划中的可行性和有效性。     

基于强化学习的在轨目标逼近

从强化学习的角度,对在轨目标逼近问题进行研究,设计了一种整合制导与控制的端到端的算法.首先对在轨目标逼近问题进行数学建模;然后对强化学习算法原理进行简介,根据问题特点分析不同强化学习框架的优劣,确定以DDPG作为算法框架,并设计了基于强化学习的在轨目标逼近算法;最后通过仿真验证,分析了基于强化学习逼近算法的优劣性.     

基于鸽群优化算法的实时避障算法

为保证机器人能安全无碰撞地抵达目标位置，提出一种在改进版圆形扩张（CSE+）法中融合鸽群优化算法的实时避障算法。所提算法引入对障碍物密集程度的判断机制，在障碍分布密集时选择最安全的路径，在障碍物分布稀松的环境中，利用鸽群优化算法在安全范围内寻找下一目标最优位置。此外，还引入了搜索树，可实现死角的检测与避免。仿真结果显示:所提避障算法能提高路径规划的性能，在障碍物分布稀松时效果更加明显，且可实现死角检测并能通过狭长通道。      

一种基于深度学习的电磁信息泄漏检测方法

电子信息设备工作时无意发射的电磁波中包含有用信息，会导致电磁信息泄漏，从而威胁设备的信息安全。现有的电磁信息泄漏检测方法，在复杂现场环境下，难以从具有不确定性的电磁泄漏信号中提取有用信息。面向电磁信息安全问题，开展了电磁信息泄漏检测研究，提出了一种基于深度学习的检测方法。设计了一个适用于电磁泄漏信号的一维卷积神经网络，并结合改进的梯度加权类激活映射方法，在未知电磁信息泄漏特征的前提下，通过深度学习实现电磁信息泄漏特征的智能标定和自动提取，从而解决了现场环境下电磁信息泄漏检测难以提取有用信息的问题。分别通过实测和仿真对比实验，验证了所提方法的有效性。      

基于异构网络表示学习的评分预测模型

深入分析电商行业的用户个性化数据并提供推荐服务近年来已成为业界的热点。推荐服务的基础是对用户的潜在兴趣进行挖掘，并对商品的感兴趣程度进行预测。因此，以此为背景，研究用户对商品的评分预测。对电商业的关系型数据在推荐系统中的应用进行了研究，提出了通过使用网络表示学习进行评分预测的方法。首先，将关系型数据构建成异构网络，用户和商品为网络中的节点。然后，设计了兼顾网络结构信息和节点之间相似性的个性化异构网络采样方法，并对节点进行表示学习。最后，将学习到的用户、商品表示向量输入到神经网络中进行训练，利用优化后的神经网络模型进行评分预测。实验结果表明:所提方法在YELP 13、Movielens 100k、Movielens 1m数据集上都有较高的准确率，对比常用方法，准确率提升6.5%以上。      

升力体式浮升混合飞艇多学科设计优化

升力体式混合飞艇是全球远距离大载重运输的重要选择，随着全球贸易的发展，逐渐成为国内外的研究热点。作为航空宇航技术、新能源技术和高性能材料技术相结合的新概念飞行器，混合飞艇设计过程需对多个学科进行综合考虑和优化。为了将多学科设计优化（MDO）方法引入到混合飞艇的总体设计中，将其分解为能源子系统、气动和推进子系统以及结构和重量子系统。在子系统模型构建的基础上，提出具有自适应能力的基于响应面的并行子空间优化（CSSO-RS）算法，将重量平衡和能量平衡作为实现远距离载重运输的约束条件，并提出爬升、日间巡航、滑翔和夜间巡航的多阶段任务剖面，以充分利用太阳能电池、燃料电池和锂电池的优势，实现混合飞艇的最优化设计。优化结果表明:具有自适应能力的优化算法在精确度和计算效率上均有明显的优势，同时重量分配的结果也为混合飞艇结构轻量化设计和能源系统设计提出了更高的要求。      

联邦学习安全与隐私保护综述

联邦学习是一种新型的分布式学习框架，它允许在多个参与者之间共享训练数据而不会泄露其数据隐私。但是这种新颖的学习机制仍然可能受到来自各种攻击者的前所未有的安全和隐私威胁。本文主要探讨联邦学习在安全和隐私方面面临的挑战。首先，本文介绍了联邦学习的基本概念和威胁模型，有助于理解其面临的攻击。其次，本文总结了由内部恶意实体发起的3种攻击类型，同时分析了联邦学习体系结构的安全漏洞和隐私漏洞。然后从差分隐私、同态密码系统和安全多方聚合等方面研究了目前最先进的防御方案。最后通过对这些解决方案的总结和比较，进一步讨论了该领域未来的发展方向。     

高效率的特征型紧致WENO混合格式

特征型紧致加权基本无振荡（WENO）混合格式HCW-R结合了迎风紧致格式CS5-P和WENO格式，具有十分优异的分辨率特性。但在求解多维方程组时，HCW-R格式需要求解块状三对角方程组，因而计算代价十分高昂。采用迎风紧致格式CS5-F代替CS5-P，构造了一个新的特征型紧致WENO混合格式HCW-E。由于HCW-E的特殊形式，其可沿迎风方向、由边界处向内推进求解，避免了处理三对角或块状三对角方程组，从而其计算代价与显式格式无异。虽然就分辨率而言，HCW-E稍逊于HCW-R，但前者的计算效率要显著高于后者。因此，当花费相同的计算代价，HCW-E格式可以获得更好的数值结果。一系列求解Euler方程组的数值试验验证了HCW-E的高分辨率特性和相比HCW-R更高的计算效率。HCW-E格式的效率优势在求解高维问题时更为明显。      

基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。