计算机工程与应用杂志

计算机工程与应用杂志2026年第3期

• 数据受限及分布偏移下的视觉目标检测研究综述

  闫丽蓉, 张永兵, 唐晓芬

  基于深度学习的目标检测性能在大规模高质量数据驱动下显著提升。然而，实际应用中，尤其在医学图像等低数据领域，面临着数据分布偏移引发的域外泛化瓶颈、小样本条件下的类别识别困境，以及弱标注与不均衡数据导致的决策鲁棒性下降等挑战，限制了模型的应用效能。现有研究大多从单域角度综述数据受限下的视觉目标检测算法。统一综述了不均衡数据、小样本数据和弱标注数据三大典型挑战下的分布偏移问题，并重点聚焦医学图像这一场景中的目标检测方法；通过深入分析最新研究进展，揭示了当前方法在跨域适应性、小样本泛化能力等方面存在的根本性瓶颈，包括不均衡数据下的域间特征解耦不充分、小样本表征能力有限以及弱标注引发的标注噪声敏感性等问题。针对这些挑战，探讨了因果机制、多模态学习等潜在解决方案，为突破数据与标注的双重约束提供新思路。不仅梳理了当前研究中的关键难点与突破方向，还为视觉目标检测的创新方法和实际应用提供了系统性参考。

• 生成式网络研究及应用综述

  沈淦杰, 张琳, 李泽慧, 山显英

  生成对抗网络（GAN）自提出以来，就成为了深度学习领域最具影响力的生成模型之一，其在计算机视觉、自然语言处理、医学影像等多个领域均有所应用。GAN由生成器和判别器构成，通过对抗训练不断优化，以生成高度逼真的数据。过去十余年间GAN迅速发展，涌现出众多变种，大幅提升了训练稳定性和生成质量，并逐步与Transformer、大语言模型、扩散模型等新兴的深度学习技术融合，拓展了应用范围。但其仍面临模式崩溃、训练不稳定、评估标准不足及计算资源消耗高等挑战，研究人员也在不断探索优化策略来提升它的稳定性和泛化能力。系统回顾了GAN的发展历程，重点介绍其基本架构、主要变种及关键应用，涵盖计算机视觉、自然语言处理、医学影像、音乐生成和时间序列分析等领域；探讨了GAN目前的核心挑战及优化策略，并展望了未来发展趋势。

• 最小割问题的算法研究综述

  胡思敏, 王晓峰, 宋家欢, 锁小娜, 颜冬

  最小割问题是图论中的经典NP-难问题，广泛应用于数字医学图像视差处理、图像分割等方面。最小割问题在不同模型下展现出多样的复杂性特征，近年来针对其求解的算法研究不断推进，主要包括基于流的算法、基于树结构的算法、基于收缩的算法、分布式与并行环境下的算法以及其他组合优化策略在最小割问题中的应用等。系统梳理了最小割问题的研究现状与算法发展脉络，从算法设计原理、结构适应性、性能对比等方面展开综述。总结各类算法的优势与局限，归纳适用场景与发展趋势，并展望最小割问题在复杂图结构下的研究方向，旨在为相关研究提供理论支持与方法指导。

• 大语言模型检查点机制研究综述

  刘晓宇, 曾令仿

  随着大语言模型在自然语言处理领域的广泛应用，检查点机制作为提升训练效率、减少计算开销和增强容错能力的关键技术，受到了越来越多的关注。系统研究了大语言模型中的检查点机制及其优化方法，回顾了大语言模型的基本架构和发展历程，分析了传统检查点机制的应用，并探讨了其在大语言模型训练中的特殊需求和实现方式。通过对典型训练框架的调研，总结了它们在检查点机制实现和优化中的关键特点与技术挑战，并对现有优化方法进行了分类讨论，主要包括降低固定开销、动态检查点和降低恢复损失三大方向。进一步，展望了大语言模型检查点机制未来的发展趋势，提出了基于预测性检查点、新型存储介质优化、分布式计算提升恢复效率以及异构计算架构优化等潜在的研究方向，这些研究方向为提升大规模模型的训练效率和可扩展性提供了新的技术思路。

• 深度学习和电致发光图像的太阳能电池缺陷检测研究综述

  赵刘锐, 王晓强, 王言杰, 齐承睿

  随着光伏发电产业的快速发展，太阳能电池的质量把控成为保障其长期稳定运行的关键环节。传统的缺陷检测方法虽然在一定程度上能够识别缺陷，但普遍存在效率低、主观性强、对复杂背景和噪声敏感等问题，难以满足大规模高精度检测的需求。电致发光成像技术能够直观反映太阳能电池的表面缺陷和性能问题，已成为缺陷检测的重要手段。近年来，深度学习技术在电致发光图像中的应用取得了显著进展。聚焦于深度学习与电致发光图像相结合的前沿技术，对太阳能电池表面缺陷检测的研究现状进行了全面综述。阐述了电致发光成像的基本原理，并对太阳能电池表面常见的缺陷类型进行总结和分析。针对主流检测方法展开系统性的介绍与对比分析。详细介绍8种常用的太阳能电池电致发光图像缺陷数据集及其特点。重点分析基于深度学习和电致发光图像的太阳能电池缺陷检测方法的发展动态。梳理概括现阶段研究过程中面临的主要挑战，同时对未来的发展走向作出展望。

• 改进冠豪猪算法和DWA的路径规划研究

  郭超杰, 韩晓霞, 李炳金, 刘奉宜, 刘建平

  鉴于全局路径规划算法无法规避动态障碍物以及局部路径规划算法缺乏全局视角，容易陷入局部最优，提出一种改进冠豪猪算法与改进DWA算法融合的路径规划算法。针对传统冠豪猪算法存在收敛速度慢、寻优精度低以及容易陷入局部最优等问题，使用改进的Circle混沌映射初始化种群，提高种群多样性；通过自适应动态调整策略计算探索阶段和开发阶段的概率，平衡全局搜索和局部开发的能力；引入复合柯西变异策略，增强算法全局搜索能力；结合三级节点选择机制，提高路径中最优节点的选择概率。针对传统DWA算法轨迹预测时间固定、易陷入“死锁”等问题，引入自适应调整策略动态调整轨迹预测时间，改进评估函数，融合全局路径规划算法跳出局部最优，确保机器人实时避障。仿真实验证明，融合算法在搜索效率方面有显著提升，能够有效处理移动机器人路径规划问题。

• 四旋翼无人机编队预设性能反步滑模分层容错控制

  许国富, 李俊丽, 毛剑琳, 吴宇涵

  针对执行器故障情况下的四旋翼无人机编队轨迹跟踪问题，提出一种预设性能反步滑模分布式分层容错控制策略。通过设计虚拟编队协同层与实际物理执行层的双层编队架构，有效解决了传统分布式编队控制中的误差耦合与故障影响传播问题。根据系统初始状态可观测性，分别设计针对已知初始状态的预设性能反步滑模控制器和针对未知初始状态的改进型预设性能反步控制器。引入自适应神经网络观测器对执行器故障和外部干扰进行实时估计与补偿。仿真结果表明，所提策略在动态响应、跟踪精度和容错性能等方面均表现出色，验证了其有效性和鲁棒性。

• 平衡视图构建的图对比学习

  潘志松, 徐成成, 王田丰, 陈满, 陈军

  现实世界的图数据集通常表现出拓扑不平衡，即大量的节点是度数较低的尾部节点。由于尾部节点的邻居信息有限，因此其通过图卷积网络获得的初始表示质量较差，进而影响图对比学习模型对尾部节点的区分能力。此外，在相似度最大（最小）处选择同类（异类）边的方法并不适用于图对比学习。为了提升模型对尾部节点的区分能力，提出了一种平衡视图构建的图对比学习框架BVGCL。具体来说，BVGCL通过增加尾部节点的同类边和减少头部节点的异类边来构建拓扑平衡的视图，进而平衡节点表示的质量。此外，BVGCL采用Beta混合模型来估计节点之间具有相同标签的概率，有效提升了同类边和异类边的选择精度。在BVGCL中，邻居的低维表示也被视为正样本来提升模型的整体表达能力。在五个基准数据集上进行了大量的实验，结果表明BVGCL的节点分类性能优于基线方法。

• 融合大模型与图注意力网络的知识图谱补全

  张雨婷, 王淑营

  知识图谱作为一种有效的知识表示方法，可以系统化地描述实体、属性、关系及状态之间的关联。然而，由于现实世界环境复杂、实体关系多样，现有知识图谱往往存在知识覆盖不全面等问题。提出了一种基于大模型的知识图谱补全方法，通过融合大模型的自然语言理解和知识推理能力，实现对缺失三元组的智能补全。利用知识嵌入模型获取实体和关系的结构化表征，继而引入图注意力网络的自注意力和多头注意力机制来捕捉复杂的关系模式，同时结合图卷积网络来增强对局部结构特征的学习。设计多层次提示策略来引导大模型，从而实现知识的推理和补全。该方法在水平公开领域基准数据集FB15K-237和WN18RR上进行了系统性实验，实验结果显示在MRR、Hits@1、Hits@3和Hits@10等核心评价指标上较现有基准方法均有一定提升。为进一步验证模型的领域泛化能力，特别选取风机故障诊断这一垂直领域构建专业数据集进行迁移验证，实验结果表明该方法在不同领域场景下均保持稳定的性能表现，展现出良好的跨领域适应能力。

• 基于集成学习与多模态大语言模型的图文情感分析方法

  王宁, 武芳宇, 赵宇轩, 张百灵, 庞超逸

  提出了一种融合集成学习与多模态大语言模型（multimodal large language models，MLLMs）的图文情感分析方法。针对图文情感分析中类别不平衡与跨模态情感不一致等关键挑战，设计了EMSAN（ensemble multimodal sentiment analysis network）框架。该框架采用主辅模型结构，将在完整数据集上训练的主模型与在平衡子集上优化的辅助模型相结合，实现对各情感类别的精准识别。在特征学习方面，EMSAN采用两阶段策略增强情感特征：利用多模态大语言模型生成高质量的图像描述，缩小视觉与文本模态间的语义差距；引入一致性对比学习机制，通过对比文本和视觉特征的差异，强化跨模态情感的一致性表达，获得更为精细的特征。通过在平衡和不平衡数据集上的学习，EMSAN在保持数据自然分布的同时，有效缓解了类别不平衡问题。多个公共基准数据集上的实验结果表明，提出的方法取得了显著的性能提升。

• NCMM：基于非中心预测策略和极大值合并的目标检测网络

  齐林, 林潇, 张倩倩

  目标检测是计算机视觉领域的重要分支，它需要对图像中的目标完成分类与定位。单阶段目标检测速度较快，但也存在预测框与真实框误差过大的问题，并且在对小、遮挡、密集目标检测时的效果较差。当前的研究主要聚焦于网络架构的优化，但取得的提升有限。提出基于非中心的目标检测框架，采用非中心的预测框推理策略、基于图像分割标签的样本划分策略以及极大值合并的后处理方法。该优化方法具有较强的泛化能力，可以运用在各类使用全卷积神经网络的单阶段目标检测器上。进行了消融实验以验证上述方法的有效性，并在不同尺度的基线模型上进行了对比实验。结果表明，在不提升计算消耗且使用相同主干网络的前提下，AP50-95与AP50分别平均提升了1.6与2.38个百分点。

• 面向蒙医知识抽取的小样本综合数据集的构建及应用

  王玉荣, 林民, 胡其吐, 白双成, 李艳玲, 包龙杰

  为更好地适应提示学习，研究者们提出了基于机器阅读理解（machine reading comprehension，MRC）的知识抽取方法。该方法通过构建问题、文本和答案的结构，利用提示引导模型关注相关信息，从而有效提取所需知识。然而，由于蒙古语属于低资源语言，且蒙医领域的标注数据相对匮乏，蒙医知识抽取仍处于探索阶段。构建数据集是首要任务。构建蒙医知识抽取的数据集也面临着诸多挑战，主要集中在蒙古语的语言特性、医疗文本的多样性以及小样本学习的适用性上。提出了一种针对蒙医知识抽取的小样本综合数据集的构建方案，并构建了MDRE数据集。该数据集将蒙古文的语言知识和蒙医领域知识标注在数据集中，最后转换为MRC格式存储，以便引入提示学习。数据集定义了6种实体类型和4种实体关系类型并进一步细化为8种子关系。为验证数据集的有效性，构建了基于MRC的多任务软提示调优知识抽取模型（multi-task relation extraction model，MTRE）。实验证明，在MDRE数据集上使用MTRE模型进行知识抽取时，模型表现优异，验证了数据集和方法的有效性。

• Latent Translator：面向文生图模型的生成式提示审核框架

  熊思云, 杜彦辉

  近期，文生图模型面临的NSFW（not safe for work）图像生成威胁引发了学术界的密切关注。现有生成式防御方法依赖大语言模型对输入提示进行复写，进而对复写后的文本进行审核，此类方法高昂的推理开销极大程度上限制了其使用范围。针对此问题，提出一种将文生图模型的文本引导嵌入翻译回文本以进行对抗样本检测的新型生成式审核框架——Latent Translator。不同于现有生成式防御方法的仅解码器（decoder-only）结构，Latent Translator采用编码器-解码器（encoder-decoder）结构，通过所提出的块稀疏多头交叉注意机制（block sparse multi-head cross attention，B-MHCA）实现文本引导嵌入和生成文本序列之间的信息交互，在确保模型能够根据文本引导嵌入准确恢复语义信息的同时，显著降低了推理成本。实验结果表明，Latent Translator在多个对抗样本数据集上表现出卓越的检测性能，相比现有防御方法展现出更强的鲁棒性。

• 结合模板的藏文机器阅读理解数据集自动构建方法

  张洪溪, 才智杰

  机器阅读理解是自然语言处理领域的重要研究方向，旨在使机器理解文本并回答与之相关的问题，机器阅读理解技术的进步依赖于高质量的数据集。目前机器阅读理解数据集主要采用人工方式构建，严重制约了机器阅读理解技术的发展和应用。针对藏文机器阅读理解数据集匮乏、采用人工方式构建效率低和成本高的问题，提出了一种结合模板的藏文机器阅读理解数据集自动构建方法，该方法通过分析藏文动词结尾型句子和对应问题的句法特征，利用模板自动构建藏文机器阅读理解数据集。为了验证该方法的有效性，采用经典的机器阅读理解模型BiDAF、RNet和QANet以及大语言模型Tibetan-Alpaca和Deepseek-V3对构建的数据集TiQuAD进行了实验验证。实验数据表明，数据集TiQuAD在BiDAF、RNet、QANet和Deepseek-V3模型上取得了较好的性能，特别在大语言模型Tibetan-Alpaca上性能提升显著。

• 融合关键区域增强与双向语义引导的视听定位

  章佳妍, 续欣莹, 谢珺, 程兰, 张喆, 刘潇威

  视听定位的目的是对给定图像中发出声音的物体进行定位。定位结果主要依据视听特征的相似性，然而由于数据涵盖范围广，复杂的环境与多变的场景影响了定位效果，针对此问题，提出了融合关键区域增强与双向语义引导的视听定位。模型采用自监督对比学习框架，利用初步视听特征计算多尺度候选关键区域，将其视为声源目标所在位置后过滤源图像获得多个区域掩码并利用动态权重分配机制聚合，起到增强发声区域抑制未发声背景的作用。为了抑制视听信号的语义噪声同时促进多模态融合，提出了一种视听双向语义引导模块，一方面利用跨模态感知辅助图像特征融合音频语义，另一方面细化图像的深度空间特征并提取其语义引导音频特征。经损失约束，实现对声源的视觉定位。实验结果表明，模型在公开视听数据集Flickr-SoundNet和VGG-Sound上均达到了最佳的性能。

• 结合跨维度注意力及反冗余机制的点云分类方法

  安翠娟, 庞婉圆, 伯锐翔, 丁大伟

  针对点云分类中冗余信息比例高、捕捉特征关系不足的问题，设计了跨维度注意力（CDA）模块和动态反冗余（DAR）模块，将其与Transformer网络结合进行点云分类。跨维度注意力模块使通道能够以统一方式进行空间关注，在获取空间信息的同时能更好地捕捉全局特征；而动态反冗余模块通过生成通道之间的相似性矩阵，有效筛选冗余信息，解决点云中冗余信息比例较高的问题。两个模块的结合旨在整合通道和空间注意力，提升点云分类的性能。在ScanObjectNN和ModelNet40数据集上进行实验验证，在ScanObjectNN上分类准确率达到88.5%，在ModelNet40上分类准确率达到94.7%。实验结果显示，提出的网络可以排除点云冗余信息，捕捉数据多维度特征，提升检测精度。

• WTNet-YOLO：结合离散小波变换与Transformer的棉田害虫检测算法

  刘江涛, 周刚, 刘浩南, 王佳佳, 贾振红

  棉花生长过程中受到害虫严重危害，因此精准的害虫检测已成为智慧农业体系中的关键环节。其中大量棉田害虫属于小目标，特征提取困难，而且害虫个体之间存在显著的尺寸差异，这限制了现有目标检测算法的性能。提出了一种结合离散小波变换与Transformer的YOLO11目标检测算法——WTNet-YOLO（wavelet and Transformer network-YOLO）。融合部分卷积与多尺度深度卷积构建C3K2-MKPF模块，增强对多尺寸目标的特征提取能力。在颈部结合小波域融合模块（wavelet domain fusion module，WDFM）和跨阶段部分局部和全局模块（cross stage partial local and global block，CSP-LGB），提升各尺寸害虫的频域信息表达与全局信息定位。引入多尺度自适应空间注意门（multi-scale adaptive spatial attention gate，MASAG），动态融合主干与颈部的跨层特征，强化空间与语义信息表达。为验证相关方法，构建了一个棉田害虫数据集YST-PestCotton（yellow sticky trap pest dataset in cotton），涵盖多个尺寸范围的害虫，具有显著的尺度多样性，害虫像素面积最大可相差1?200多倍。实验表明，在YST-PestCotton上mAP50提升了3.1个百分点，同时将害虫按目标框面积划分为0~256、256~512、512~1?024和大于1?024四个子集，mAP50分别提升2.4、1.3、1.5、3个百分点。在公开数据集Yellow sticky traps上mAP50达到了最高的95.3%。综合来看，WTNet-YOLO能够有效应对小目标内部的尺寸差异，同时兼顾不同尺寸害虫的检测需求。

• 基于深度霍夫变换的语义圆目标检测

  黄镔, 曾勋勋, 刘莞玲, 陈飞

  目标检测领域的模型设计愈发复杂且精密，对于利用目标的固有特性进行模型设计的研究工作寥寥无几，并且这类方法对于深度网络模型具有更强的可解释性。在细胞检测领域数据往往具有明显的形状特征，通过形状先验的引入，模型具有更好拟合数据的能力。因此将经典的圆形霍夫变换与深度学习相结合，提出可以单阶段端到端训练的Anchor-free语义圆目标检测框架。通过圆形参数化及深度霍夫变换，将二维特征图中圆形先验信息对应的特征值沿着圆形参数化变换方式，聚合到三维霍夫空间中的一个点，将语义圆检测问题转化为检测三维霍夫域中的一个点。提出偏移量预测来缓解圆形参数化中离散化处理引发的精度下降问题。在CBC与TXL-PBC等多种血细胞检测数据集上测试结果表明，圆形先验信息的引入，增强深度检测算法的可解释性和泛化能力。

• 基于深浅双分支特征融合的去模糊网络

  徐志京, 曾泓键

  针对现有的图像去模糊方法存在边缘信息损失，分块间伪影以及大模型高成本的问题，构建了深浅双分支特征融合的去模糊网络（deep-shallow deblur network，DSDN），从深层和浅层两个分支提取模糊特征。在深层分支中设计的频域自注意力和级联扩张卷积模块，能够在频域有效定位模糊特征并进行特征增强，同时在不增加核大小的前提下有效增大感受野。浅层分支高效提取模糊细节特征，通过残差连接的方式与深层特征融合，能够有效避免梯度消失。提出的空频双域加权联合的损失函数，能够在双域内引导优化网络训练，有效限制复原图像频域差异。在公开数据集GOPRO和HIDE上进行实验，所提方法取得了更高的指标，复原的图像细节更突出，在客观指标和主观观察上均优于现有的主流去模糊方法。

• 基于多尺度信息的生成式人体姿态估计

  陈俊芬, 冯武山, 郝旭阳, 谢博鋆

  针对人体姿态估计中遮挡带来的缺乏图像低级特征指导和预测姿势与人体生理结构的不一致性问题，提出了一种新颖的生成式人体姿态估计方法（generative human pose estimation，GenPose）。该模型使用多尺度信息融合和条件生成模块解决了严重遮挡问题。多尺度模块从尺度和通道上细粒度融合图像特征，能捕捉到更多肢体细节，从而推理出遮挡关键点的特征信息。条件生成模块通过建模遮挡场景与姿态间的对应关系，根据标记编码器特征动态调整生成姿态，在保证可见点准确率的同时，在一定程度上减少了遮挡对非遮挡的干扰，提升了对遮挡姿态的生成效果。在公开的COCO和MPII数据集上，同以往方法相比，有了更好的结果，同时在CrowdPose、OCHuman以及SyncOCC数据集上验证了泛化能力。该模型在一定程度上能够解决严重遮挡下的姿态估计问题，提高了预测姿态的合理性，取得了更加优异的效果。

• 图像级标签下的弱监督语义分割联合网络

  段苛苛, 晏泽, 王海浪

  近年来，利用图像级标签作为监督信号的弱监督语义分割在计算机视觉领域受到了广泛的关注。大多数现有方法由类激活图（class activation map，CAM）生成伪标签来促进监督学习过程。然而，受限于卷积神经网络（convolutional neural network，CNN）的局部模式检测特性，通过CNN训练得到的CAM往往仅聚焦于物体中最具判别性的部分，导致前景-背景区分不够明确。提出一个弱监督语义分割联合网络CTsegnet来提高初始CAM的准确性，它通过融合CNN和Transformer的特征图，深度提取上下文语义信息，并结合所设计的像素亲和力模块，利用邻域像素相似性约束来实现预测细化。在PASCAL VOC 2012和MS COCO 2014数据集上的实验结果表明，该方法的mIoU指标分别达到了73.5%和46.1%，优于当前主流的弱监督分割方法。

• 基于亚像素卷积的多尺度加权融合船舶检测方法

  李娜, 刘娜, 张翼龙, 冯伟昊

  船舶检测作为海洋监控及安全管理的关键技术，广泛应用于航道监控、海上救援、非法捕捞等。针对船舶检测中存在的尺寸差异大、背景干扰和遮挡问题，提出基于亚像素卷积的多尺度加权融合船舶检测方法。针对船舶图像中的尺度差异，提出多尺度特征加权融合机制，利用亚像素3D融合模块和三重特征编码模块，有效融合不同尺度特征，同时结合多尺度卷积注意力加权机制，使模型在不同空间范围内关注输入特征，从而提升检测精度。为了增强特征提取灵活性并保持网络性能，引入可变核卷积，根据输入动态选择采样点位置，提高特征表达能力。针对锚框在回归过程中膨胀导致模型收敛慢的问题，引入Powerful-IoU损失，利用自适应惩罚因子和梯度调节函数引导锚框回归，同时引入聚焦机制提高中等锚框的聚焦能力。在公共船舶数据集SeaShips上进行了实验，实验结果表明，提出的方法在多尺度船舶检测任务中表现优越，相比基准模型，精确率提升2.8个百分点，召回率提升4.8个百分点，mAP@0.5提升1.5个百分点，mAP@0.5：0.95提升6.6个百分点，且模型能够快速收敛并保持较好的稳定性，有效应对了复杂背景和船舶遮挡问题。

• 一种用于Sketch数据流测量的过滤器去噪方法

  邵婧, 周盛文, 赵艺琳, 黄家玮

  数据流高度倾斜的分布特性严重影响了概率型数据结构（Sketch）的测量准确性。用于分离频繁项和非频繁项的过滤器算法被提出，可以提升现有Sketch的测量精度。然而，现有的这些过滤算法都难以避免不同频率项之间的累积效应，导致过滤结果存在误差。为了解决这个问题，提出了一种新的具有通用性的去噪方法，通过分析相邻计数器的统计信息推断过滤器的全局状态，从而缓解由于哈希冲突带来的噪声影响。实验结果表明，该方法可以部署在不同的过滤器算法上，有效提升了现有过滤器的过滤准确性，并改善了现有Sketch在数据流处理中的性能。

• 基于ChatGPT实现格密码与全同态加密

  陈智罡, 宋新霞, CHEN Liqun

  基于ChatGPT实现了环LWE上的格密码以及BFV全同态加密。这是使用ChatGPT来实现这两种加密算法。全同态加密曾经是密码学界的一个开放难题，有广泛的理论与实际应用。当前的全同态加密实现仍然面临挑战，尤其是在计算复杂度和计算效率上。ChatGPT能够根据用户的具体要求生成加密算法的源代码。然而，使用ChatGPT实现高度复杂的程序仍具有挑战性，尤其是全同态加密算法，其以复杂性著称。提出一种新颖的方法，从算法层次和代码层次来设计ChatGPT对格加密和全同态加密的实现方法。从算法层次来说，ChatGPT准确掌握了环LWE格加密算法，但是没有完全掌握BFV全同态加密算法。从代码层次来说，ChatGPT都能完整给出两种加密算法的C++实现代码，而且无需人工编写代码，但是都需要进一步调试和改错才能够正确运行。由于BFV全同态加密算法要比格加密算法复杂，因此所花费的调试工作更多。ChatGPT为实现密码算法提供了新思路，这方面值得进行深入而广泛的研究。该研究结果为ChatGPT在密码算法代码实现方面提供指南。

• 贝叶斯算法改进拟态裁决方法的研究

  刘太昆, 李彧, 季新生, 李召召, 孙增振, 孙远航

  针对共模漏洞导致拟态裁决器多数一致性表决算法对网络攻击通过率较高的问题，提出了一种基于贝叶斯算法的拟态裁决优化方法。通过构建贝叶斯学习模型，挖掘执行体间历史表决数据集的深度特征，分析归纳其统计规律，并通过设计表决结果选择策略和多数一致性策略相结合的输出机制来解决网络攻击被错误输出的问题，从而提高表决输出结果的准确性，达到提高目标系统安全性的目的。鉴于不同执行体间历史表决数据的统计规律已通过贝叶斯学习模型掌握，因此不同执行体间拟态裁决结果输出将会以最大概率保持正确，即目标系统保持安全状态。实验结果表明，所提方法的裁决结果正确率优于主流的拟态裁决方法，将该方法集成到真实的拟态防御系统中将有利于增加系统的防护能力。

• 基于强化学习的多源知识融合法律判决预测

  张亚娟, 王志栋, 何文颖, 安兴坤

  法律判决预测通过分析案件事实并结合智能算法，预测适用法律条文、罪名和刑期，在提升司法效率和辅助判案中发挥了至关重要的作用。然而，现有模型主要依赖案件事实描述，未能充分利用法条说明、罪名定义和量刑指导意见这些关键法律知识。此外，现有模型在处理数据标签不平衡问题上依然存在不足。针对这些问题，提出了一种基于强化学习的多源知识融合法律判决预测模型。该模型中基于注意力机制的知识融合模块将案件事实描述与法条说明、罪名定义和量刑指导意见这些法律知识进行知识融合，从而显著增强模型对法律知识的感知与理解能力。模型中基于强化学习的类别信息提取模块，专门用于处理包含低频标签的数据，提升模型在不平衡数据集上的表现。实验结果表明，该模型在实际数据集上的应用表现出色，显著提高了预测准确性。

• 结合DC-A*与FE-DWA的巡检机器人路径规划方法

  毕竟, 刘俊

  针对危化品仓库中巡检机器人的路径规划需求，提出了一种结合方向约束A*算法（directional-constraint A*，DC-A*）与模糊能耗动态窗口算法（fuzzy-energy dynamic window approach，FE-DWA）的路径规划策略，旨在提升机器人在复杂环境中的导航能力。针对A*算法的低搜索效率和路径不平滑等问题，减少了搜索方向，避免斜穿障碍物顶点，并引入障碍率概念，设计多轮路径优化策略。在动态规划部分，引入能耗模型并扩展评价函数，以保证路径的平滑性来减少行驶能耗，并通过模糊逻辑控制实现权重参数的自适应调整，更好应对不同障碍环境。仿真实验结果表明，DC-A*算法相较于传统算法，转折度数、节点遍历数均有所降低；FE-DWA算法在路径平滑性和鲁棒性方面显著优于传统算法。将两种改进算法融合，在复杂动态环境中既能有效避障，又能够维持较低的能耗并保持路径的整体平滑性。

• 农村冷链物流共同配送模式选择及利益分配研究

  宾厚, 徐子澄, 刘妃, 王缙

  针对农村冷链物流企业面临的配送成本高、配送密度低等挑战，以农村冷链物流共同配送模式为研究出发点，系统分析了农业合作社共同配送模式、自建冷链物流的电商巨头共同配送模式和配送中心共同配送模式的运作方式，通过基于数据包络分析（DEA）的效率模型证实了配送中心共同配送模式在运营效率与稳健性方面的显著优势，并运用系统动力学方法进一步验证了其在农村冷链物流配送中的可行性。针对配送中心共同配送模式，构建了基于Shapley值的综合修正利益分配模型，引入投资、风险、业务量和时间四个因素对模型进行综合修正。通过不同规模案例企业的对比分析验证了Shapley值综合修正模型在利益分配的公平性和合理性方面的突出优势。研究成果可为第三方物流企业在农村地区开展冷链物流共同配送提供理论指导和技术支持。

• 山区城市高铁快运末端无人机协同车辆配送优化

  田志强, 王子楷, 宋琦, 刘斌, 甘海枫, 杨向飞

    针对山区城市路网结构复杂导致的末端配送难题，创新性地提出一种基于“双级物流中心-站点”架构的高铁快运末端无人机协同车辆协同的配送模式，重点优化高附加值货物的配送效率与成本控制。构建了二级物流中心选址优化模型，运用拉格朗日对偶次梯度算法求解选址方案；同时建立多目标无人机协同车辆配送优化模型，对于小规模节点场景利用Gurobi求解器进行求解并获取Pareto前沿解集，筛选时间、成本最优解，对于大规模节点场景，利用自适应大邻域搜索算法（ALNS）求解。通过设计以重庆北南广场为一级物流中心，周围辐射9个站点的高铁快运末端无人机协同车辆配送物流网络，结果表明，决策出了龙头寺、观音桥、较场口、朝天门4个二级物流中心，找到了车辆、无人机配送的最优路径以及运输时间、成本消耗的最优解，该模式较传统配送方式配送时间缩短约33.5%，成本降低约8.59%，进一步扩大场景节点规模实验表明，构建的模型及算法在100节点的场景下仍能保持稳定的求解性能。为高铁快运“最后一公里”提供了新的快运模式和配送方法，这种将高铁、公路、无人机运输结合的联运模式突破了山区地形对物流效率的限制，显著降低了时间和成本为后续研究高铁快运末端配送模式及方法提供了新的方向。

• 融合多类特征的语句级缺陷定位方法

  李静雯, 张佳乐, 袁智豪, 崔展齐

  现有基于深度学习的语句级缺陷定位方法通过深度学习模型学习各种传统缺陷定位方法计算出的可疑度值等特征来进行缺陷定位，其主要关注执行测试用例的动态信息，未关注缺陷语句与非缺陷语句之间的类不平衡问题，缺陷定位的准确性有待进一步提高。为此，提出了一种融合多类特征的语句级缺陷定位方法SMSDFL（combining spectrum，mutation and semantic features for deep fault localization），该方法将多种基于频谱和变异的缺陷定位方法计算的可疑度值作为频谱特征和变异特征，利用数据流和控制流对代码语句进行切片，获取与对应语句存在依赖关系的代码片段，以计算Overlap、Tightness等度量元作为其语义特征；采用生成对抗网络扩增缺陷语句的特征数据来解决缺陷语句与非缺陷语句之间的类不平衡问题；将这三类特征进行融合输入到递归神经网络中计算语句的可疑度值，并根据可疑度值对语句进行降序排序，以定位缺陷语句。为评估SMSDFL的缺陷定位性能在Defects4J数据集上进行了实验。实验结果表明，SMSDFL取得了比现有方法更好的缺陷定位效果，其中，仅检查可疑语句排名中的第一条语句时，SMSDFL比Ochiai、MUSE、CGAN4FL和GRACE分别多定位到166、161、151、68条缺陷语句。

• 面向动态环境的实时神经辐射场SLAM

  周宏兴, 朱文林, 王珍, 李智卿

  神经辐射场（neural radiance fields, NeRF）技术为计算机图形学和计算机视觉的工程与应用带来了革命性的影响，它提供了一种高精度、高质量的三维场景渲染和重建方法。基于NeRF的SLAM(simultaneous localization and mapping)系统在静态场景中表现优异，具有超越传统密集SLAM的出色渲染质量和场景重建能力。在具有动态干扰的真实世界环境中，它们可能会出现跟踪漂移和映射误差等问题。为了解决这些问题，提出了一个结合语义特征的实时密集动态神经隐式SLAM系统DIDN-SLAM。系统通过整合语义特征和条件分割的稀疏特征点，为跟踪建立了长期的数据关联。系统利用稀疏光流来过滤动态像素，并提出了一种特殊的光线采样策略，以减轻因动态物体遮挡而导致的场景表征干扰。值得一提的是，DIDN-SLAM支持单目、双目和RGB-D输入，并能以20?Hz的频率稳定运行，满足实时应用的需求。在六个虚拟和真实数据集上的实验结果表明，DIDN-SLAM在跟踪和映射性能上均优于最新的先进方法。