求解大型对称线性方程组的循环收缩Lanczos算法

向Krylov子空间中加入一些模接近于零的特征值对应的特征向量能够加快收敛速度，事实上，对于这些模接近于零的特征值对应的特征向量，可以用Krylov子空间方法得到，并且在新的Krylov子空间形成的过程中，近似特征向量的近似度会不断提高，特别在标准Krylov子空间方法中，如果因为这些特征向量而减缓了收敛速度，则随着这些特征向量的近似度的提高，用增广Krylov子空间方法解线性方程组的收敛速度会明显加快。Lanczos算法是求解大型对称不定线性方程组的有效方法之一。但在计算过程中由于Lanczos向量失去正交性减慢了收敛速度。本文根据增广Krylov子空间方法提出循环收缩Lanczos算法，新算法充分利用Lanczos过程所得到的谱信息，确定预处理，从而加速Lanczos算法的收敛速度。     

基于示范主动采样的行为克隆方法

深度强化学习在学习过程中需要与环境进行大量的交互,训练效率低下。模仿学习通过从专家示范中学习,可以有效地应对这一挑战,但是需要收集大量的专家示范轨迹,在复杂任务中往往导致高昂的示范代价。本文提出一种基于主动学习的行为克隆算法,通过主动挑选示范起始状态来减小示范代价。该方法基于不确定性采样和不相似性采样两种策略,从状态候选集中挑选最有价值的状态作为起始状态,然后向专家查询固定长度的示范轨迹,希望从尽可能少的示范中学习出有效策略。在多个不同任务上的实验表明,本文方法可以用更少的示范轨迹进行行为克隆,降低了强化学习中的专家示范代价。     

支持对称多处理器结构的操作系统设计

在提高系统性能方面,SMP结构计算机已经成为现代计算机技术发展的潮流和趋势,因此急需构建能协调多处理器并发活动并维护系统一致性的SMP操作系统来替代原有的单处理器操作系统.从SMP操作系统所需要达到的目标出发,对设计满足SMP结构操作系统中的各方面问题进行了讨论,主要对操作系统结构,多处理器的引导和操作系统初始化,多进程的并行调度、多处理器中断的管理,以及程序和数据的可重入性等方面进行了详细的讨论.     

矩阵方程（AX，XB）=（C，D）和AXB=C的对称正定解

讨论了矩阵方程（ＡＸ，ＸＢ）＝（Ｃ，Ｄ）和ＡＸＢ＝Ｃ的对称正定解。利用奇异值分解和广义奇异值分解导出了这些矩阵方程有对称正定解的充分必要条件，并且给出了一般对称正定解的表达式     

求解大型对称特征值问题的块Chebyshev-Lanczos方法

本文提出了计算大型对称矩阵若干个最大或最小特征对的块Chebyshev迭代法,讨论了块Chebyshev迭代法对块Lanczos方法的应用,给出了块Chebyshev-Lanczos方法。计算实践表明块Chebyshev-Laaczos方法比块Lanczos方法和Chebyshev-Lanczos方法都优越。     

对称三对角矩阵的逆特征问题

本文提出了三种类型的对称三对角矩阵的逆特征问题,讨论了如何根据特征值和特征向量确定矩降的元素,并对解逆特征问题的算法进行了分析。     

基于改进DQN的复合模式在轨服务资源分配

针对开展在轨服务前的资源分配非线性多目标优化问题，构建复合服务模式下的在轨资源分配模型，基于对DQN （Deep Q-Network）方法的收敛性和稳定性改进，提出了一种在轨服务资源分配方法。该方法能够应对同时包含"一对多""多对一"的复合服务模式，并在满足预期成功率的前提下优先分配重要服务对象，兼顾资源分配综合效益和总体能耗效率，达到了以期望成功率、较少资源投入尽快完成任务的综合目标。仿真实验表明，改进DQN方法能够在任务执行前依据服务对象重要程度自主分配航天器资源，收敛速度快、训练误差低，在分配效益和总体能耗的优化方面具有明显的比较优势。     

提高电压标准源负载能力的外接放大电路设计

介绍了用于提高电压标准源负载能力的外接功率放大电路的设计原理及组成,该电路通过对称式的设计方法和认真筛选器件,使其具有附加误差小、跟踪准确度高等优点,解决了一般电压标准源源电流输出能力不足的问题.     

弱模型依赖通用智能姿态控制技术

超高速跨域飞行、敏捷机动等是新一代飞行器发展方向,而长时高速飞行产生的气动外形变化带来的气动参数大范围改变等问题,都对控制系统设计提出了更高的要求。为提高飞行器对模型不确定性的适应能力及控制方法对不同外形、复合执行机构的通用性,深入研究了弱模型依赖的通用智能姿态控制技术,分层次地开展了基于深度学习(DL)的自适应姿态控制、基于深度确定性策略梯度算法(DDPG)的通用姿态控制、弱模型依赖的多维复合控制等技术研究,显著提高了控制系统的鲁棒性和通用性,对人工智能技术在飞行器姿态控制中的应用具有一定的指导意义。     

基于深度强化学习的固定翼无人机编队协调控制方法

由于运动学的复杂性和环境的动态性,控制一组无人机遂行任务目前仍面临较大挑战。首先,以固定翼无人机为研究对象,考虑复杂动态环境的随机性和不确定性,提出了基于无模型深度强化学习的无人机编队协调控制方法。然后,为平衡探索和利用,将ε-greedy策略与模仿策略相结合,提出了ε-imitation动作选择策略;结合双重Q学习和竞争架构对DQN（Deep Q-Network）算法进行改进,提出了ID3QN（Imitative Dueling Double Deep Q-Network）算法以提高算法的学习效率。最后,构建高保真半实物仿真系统进行硬件在环仿真飞行实验,验证了所提算法的适应性和实用性。