计算机工程与应用杂志

计算机工程与应用杂志2026年第8期

• 集合覆盖问题：算法与应用

  锁小娜, 王晓峰, 颜冬, 胡思敏, 宋家欢

  集合覆盖问题作为组合优化领域的核心基础问题，因其NP-hard复杂性，广泛应用于无线网络基站部署、物流配送路径规划等工程领域，具有重要的实际应用价值。近年来，针对其求解的算法研究不断推进，主要包括启发式算法、群智能优化算法、进化算法、机器学习以及基于实际应用的算法等。系统地梳理集合覆盖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，并展望集合覆盖问题在大规模数据集下的研究方向，旨在为相关研究提供理论支持与方法指导。

• 基于大语言模型的下一代AI实验室研究进展

  段潮舒, 尹辉, 唐若晨, 安正源, 吴妃峰, 赵子龙, 黄建国, 张爱敏

  人工智能（AI）和机器人技术的快速发展，推动实验室自动化程度不断提升，从传统人工实验转变为机器实验，提升了实验效率和可重复性。机器学习算法辅助实验室推动了合成、测试、催化自动化进程，并向合成-表征-性能测试的全流程发展。大语言模型（large language model，LLM）凭借精准信息筛选、长序列捕捉、复杂语义关系解析等优点，进一步提高了实验室的智能化与自动化程度。大语言模型整合多领域知识进行实验设计，并将步骤转换为可执行代码；机器人再根据指令执行操作，实现理论计算、算法设计、自动化实验等功能协同，引领了科研新范式。因此，这种自主进行实验设计和科学研究的智能系统，被称为“下一代AI实验室”。阐述了大语言模型的原理与应用，总结了AI赋能实验室的发展过程，重点探讨了LLM和AI实验室深度融合的模式和成效，最后对面临的机遇和挑战进行了展望。

• 大模型时代下的注意力机制优化综述

  史登辉, 奚雪峰, 崔志明, 朱润, 王坚

  自从注意力机制（attention mechanism）提出后，基于注意力机制的Transformer架构很快确立了大模型的核心地位，大语言模型迎来了新的发展方向，推动了自然语言处理、计算机视觉等众多领域取得了丰厚的成果。近年来，随着大模型迅猛发展，模型的参数规模持续增长，传统的Transformer架构已经难以满足庞大的模型训练要求。除了堆积算力之外，模型架构的调整以及对于注意力机制的进一步挖掘是解决这一挑战的有效途径，成为了研究的热点。介绍传统的Transformer架构以及近年来对于Transformer架构及其变体的研究现状，分析其核心自注意力机制的原理及其面临的瓶颈。分析总结近年来注意力模块的改进，以DeepSeek为例，探索其爆火背后基于Transformer的MoE架构和多头潜在注意力机制（multi-head latent attention，MLA）的核心技术路径。总结优化注意力机制的研究现状，并展望未来研究方向。

• 联邦学习驱动的网络入侵检测研究综述

  张舒琦, 王海凤, 王再平, 赵鹏, 刘英华, 池志宏, 赵昕晟

  随着网络流量的快速增长和攻击手段的不断演化，传统入侵检测方法在数据孤岛、隐私保护和异构环境适配方面暴露出明显不足。联邦学习因具备“数据不出本地”的特性，为跨域协作建模和隐私保护提供了新思路，但针对其在入侵检测领域的研究尚缺乏系统化梳理与方法演进分析。围绕联邦学习驱动的网络入侵检测研究，从聚合策略、隐私保护机制和检测技术三大核心维度出发，系统总结近年来的研究进展，分析各类方法的优劣与适用场景，并归纳当前面临的挑战与发展趋势。为该领域相关研究人员提供研究思路，也为实际系统的设计与部署提供理论支撑。

• 深度学习在药物-药物相互作用预测中的研究进展

  申玥玥, 史加荣, 雍龙泉

  多药联合治疗引发的药物-药物相互作用（drug-drug interaction，DDI）风险日益突出，而传统实验方法虽具有可靠性，却因成本高、周期长而难以应对。以药物特征表示为主线，将现有深度学习方法归纳为五类：序列特征、结构化特征、图结构、知识图谱和多模态融合，并系统分析其应用特点与优缺点。基于两个基准数据集的实验结果表明，图结构和知识图谱方法在复杂预测任务中表现最优。进一步从药物研发、临床应用和决策支持三个层面分析了DDI模型的优势与局限，并总结了数据质量、模型可解释性及临床验证等关键挑战，最后对未来的发展方向进行了展望。

• 改进YOLOv11s的航拍小目标检测方法研究

  郭家林, 曹云峰

  针对在无人机航拍图像中小目标检测面临的高动态场景、目标特征信息少以及机载计算资源受限等问题，提出了一种基于改进YOLOv11s的航拍小目标检测方法。提出了密集跨路径特征金字塔网络（dense cross-path feature pyramid network，DCP-FPN）作为Neck结构，移除了大目标检测层，新增小目标检测层，通过密集连接方式最大化特征利用效率，显著减少模型参数量的同时，有效提升小目标特征捕获能力。提出了一种集成动态通道调整和双分支特征交互的新型轻量级卷积模块Ghost-DSConv，主干分支采用深度可分离卷积（depthwise separable conv，DSConv），辅以分组卷积构成的廉价分支生成补充特征，能够以更小的计算代价提取空间特征并增强特征多样性。提出了轻量级小目标注意力机制模块（lightweight small-target attention，LSTA），通过引入三重注意力强化机制，在极小计算开销的前提下，显著提升了模型对小目标的检测性能。实验结果表明，在VisDrone2019-DET数据集上，提出的改进算法的mAP50与mAP50-95分别提升到44.8%和27.4%。改进后的YOLOv11s模型参数量仅为3.51×106，并部署在基于RK3588s的嵌入式平台上，结果表明该模型能满足实时性的要求，实现了精度与效率的良好平衡；同时，在CARPK和Tinyperson数据集上验证了所提方法的泛化性和有效性。

• 改进RT-DETR的无人机图像小目标检测算法研究

  郭杰, 胡建龙, 张俊超, 王宇翔, 张心译

  针对无人机航拍图像中目标尺寸小、特征模糊且易被遮挡等问题，提出一种改进RT-DETR的无人机图像小目标检测算法，以提升其在复杂场景下的检测精度与鲁棒性。在主干网络中设计特征增强模块（C2f synergistic multi-attention Transformer，C2f_SMT），通过结合SMA（synergistic multi-attention）机制与Transformer结构，有效融合浅层细节特征与高层语义信息，增强了模型对小目标的特征表达能力。为优化特征交互效率，提出双注意力特征交互机制（dual-attention feature interaction，DAFI），该机制采用并行化轻量结构设计，在降低模型复杂度的同时，保留了全局特征建模能力。针对多尺度融合过程中小目标特征易被忽略的问题，引入多尺度特征融合模块（cross-OmniKernel and small-target preservation feature fusion module，COSPFM），以改进特征融合方式，强化了小目标的多尺度感知能力。实验结果表明，改进模型在VisDrone2019数据集上取得了mAP@0.5为51.0%、mAP@0.5：0.95为31.5%的检测性能，分别较基准模型RT-DETR提升了3.1和2.2个百分点。同时，为验证模型的泛化能力，将改进算法迁移至UAVDT数据集进行测试，该模型在各类交通目标（如car、truck、bus）上的检测精度均取得明显提升，平均精度均值mAP@0.5达34.4%，进一步验证了所提方法在多场景小目标检测任务中的有效性与泛化能力。

• RGE-YOLO：下采样与注意力机制融合的缺陷检测方法

  汪兴, 韩志科, 黄晓辉, 刘鹏

  针对工业缺陷检测任务中精度与效率难以兼顾的问题，构建了一种基于YOLOv8n的改进缺陷检测算法RGE-YOLO。为减少传统卷积下采样导致的小目标特征丢失，该算法引入鲁棒特征下采样（robust feature downsampling，RFD）模块，以多尺度特征融合机制增强缺陷的表征能力。同时，为提升模型对缺陷区域的关注度，设计了轻量化注意力模块（ghost-simple attention module，GhostSAM），其融合了Ghost卷积的高效特征提取能力与无参数注意力的空间激活特性，并结合门控策略实现通道语义的自适应调节。此外，采用高效交并比（efficient intersection over union，EIoU）损失函数优化边界框回归过程。在NEU-DET钢材缺陷数据集上的实验结果表明，与基线算法YOLOv8n相比，RGE-YOLO算法的精确度、召回率和mAP@0.5分别提升了8.3、2.7和3.8个百分点，另外改进后网络的检测速度为131帧/s。实验结果表明，该算法实现了检测精度与效率的有效平衡。

• MDQF-YOLO：面向复杂环境的铁路异物检测算法

  牛宏侠, 李朔, 侯涛, 张文韬

  针对现有的铁路异物检测方法在复杂背景（如低照度、沙尘天气、远景小目标及遮挡场景）等条件下普遍存在误检、漏检以及检测速度慢等问题，提出一种基于YOLO11改进的铁路异物检测算法MDQF-YOLO。设计了高效特征提取模块MEAN-C3K2，增强对复杂环境下多尺度目标和远景小目标的特征提取能力；设计全新的颈部结构DRFPN，通过结合双向特征金字塔、跨阶段特征连接和动态采样机制，提升了在复杂遮挡场景下的检测性能；提出质量增强共享检测头QESH（quality-enhanced shared head），减少参数量的同时解决了分类置信度与定位精度不匹配的问题；引入Focaler-ShapeIoU损失函数代替CIoU损失函数，通过聚焦不同回归样本，在解决样本分布不平衡的同时优化了边界框回归精度。实验结果表明，MDQF-YOLO在自制铁路异物数据集上的mAP@0.5和mAP@0.5：0.95较基准模型分别提升了3.6和6.0个百分点，检测速度达到154 FPS，满足了铁路入侵异物检测中对检测精度和实时性的需求。此外，模型在VisDrone2019-DET和SODA-A数据集上的泛化性测试也取得了较好的结果，充分验证了模型的有效性和泛化性。

• MCT-YOLO：航拍视角下小目标检测算法

  周忠锟, 张扬, 张宇, 孟可, 元赵阳

  针对智能交通场景，辅助无人机检测图像目标呈现小尺度、低分辨率、高密度分布等特点造成检测精度低的问题，提出了一种改进YOLOv11n的航拍视角下小目标检测算法：MCT-YOLO。优化检测层结构，针对性地添加极小目标检测头，剔除大目标检测头，捕捉更多局部信息，降低特征干扰，以适应小目标检测任务；提出多频交互下采样MFID（multi-frequency interactive downsampling），减少下采样过程中的特征丢失，保留更多图像信息；引入MobiVari结构，构建C3k2_MV模块，进行深度特征提取，增强细节特征表达；设计一种多尺度信息融合方式TCF（triple complementary fusion），通过融合不同语义的上下文信息，实现语义与细节信息互补，提升小目标检测能力。所提算法在VisDrone2019-DET数据集上的mAP50、mAP50-95达到了40.9%、25.0%，较基准网络YOLOv11n分别提高了7.7、5.8个百分点；同时算法的参数量也有所降低，减少了7.6%，适用于无人机航拍视角下的小目标检测场景。

• 自适应拥塞度惩罚的类车多机器人路径规划算法

  龚德正, 毛剑琳, 钱诚泽, 孙桂秘, 同凯鑫

  在无人码头与无人工厂环境中，现有的类车多机器人路径规划算法在处理拥塞区域时存在求解时间长、求解成功率低的问题。对此，提出了一种自适应拥塞度惩罚与焦点增强的类车冲突搜索（car-like conflict-based search with adaptive congestion penalty and focal enhancement，CL-CBS-ACFE）算法。该算法通过离散化连续地图空间并构建冲突历史矩阵来记录各空间单元的冲突频次，将冲突频次转化为拥塞度代价值，并将该惩罚集成到混合时空状态A*算法的启发式函数中；同时引入增强冲突搜索框架中的焦点列表机制，利用焦点列表机制动态维护高层冲突树，优先扩展低冲突风险的节点。测试结果表明，在模拟无人码头地图下，该算法运行时间减少了4.2%~69.6%；在模拟无人工厂地图下，运行时间和冲突节点数减少了6%~82.8%。

• 未知环境下基于雷视融合的同步定位构图与路径规划算法

  窦洛文, 高扬, 何朝洪, 吕安, 丁访鹏

  同步定位构图（simultaneous localization and mapping，SLAM）与路径规划是移动机器人的关键技术，已有研究通常将二者分别考虑，未知环境中机器人通常需要先扫描建图再路径规划，影响导航效率。提出基于雷视融合的同步定位构图与路径规划算法LVISLAM_LTA*（lidar visual inertial SLAM_local target A-star），将建图、定位、路径规划进行同步提升未知环境中的导航效率，其中包括了一种雷视融合算法IP_FusionNet（intelligent perception with fusion-driven adaptive network）以获得大范围立体视觉信息。引入可行驶区域检测模块，为后续路径规划算法提供可行驶区域并且提升其计算效率，通过点云拼接、栅格化处理形成可行区域栅格图。提出基于局部子目标的路径规划算法，通过快速在线规划实现同步进行。基于KITTI数据集和自建数据集上结果均表明，该算法有效结合同步定位构图与路径规划算法，对比经典的SLAM算法具有定位精度更高，定位误差平均缩短24%，构建出的稠密语义地图能够全面清晰地描述移动机器人实验场景的三维结构的特点，并且具有高效的路径规划能力，相较于传统算法平均耗时缩短72.9%。

• 多死角场景中机器人深度强化学习导航

  曹青跃, 王雅栋, 王庆, 张羽佳, 阳媛

  针对强化学习导航存在训练效率低、稳定性差及在多死角场景中目标遮挡时导航性能差的问题，对此提出了一种融合专家经验与混合奖励机制的深度强化学习导航方法。筛选高质量专家经验并基于此预训练了行为克隆模型初始化策略，用于提高训练效率；构建了包含死角避免约束的稠密奖励函数，实现目标牵引与死角避让之间的平衡；采用标准化折扣回报方式降低不同轨迹的回报方差以提高训练稳定性。仿真实验表明所提出的方法在随机起止点测试中取得了91.3%导航成功率，在固定起止点测试中取得了95%导航成功率且耗时最短。结果表明，该方法能够灵活调整目标牵引和死角避让策略，有效提高多死角场景中机器人自主导航水平。

• 视觉语言大模型驱动的多模态工业缺陷检测与智能决策

  董禹彤, 侯惠芳, 龚明明, 陈自康

  缺陷检测是工业领域的重要应用场景。针对传统检测效率低、工业数据需智能分析处理、单模态系统泛化能力不足及大模型存在幻觉等问题，提出并实现一种增强型工业缺陷智检系统，支持多源异构数据协同处理与高效决策。系统微调工业异常检测多模态大模型，通过改进的跨模态特征对齐算法与提示学习，实现图像、文本等多源数据语义融合，同步输出缺陷识别的语义描述；构建工业数据知识库，借助RAG检索增强生成，抑制模型幻觉，提升检测可信度与决策效果；结合Depth-Anything-V2生成高一致性深度图，支持缺陷三维量化分析，突破二维检测局限；基于自然语言驱动的Excel智能分析模块，自动提取质检表格数据并可视化；OCR智检模块融合PaddleOCR与ErnieBot，实现工业文档文本提取与语义理解。通过智能体统筹核心功能模块给出综合决策建议。在金属、螺丝等5类典型工业零件测试中，系统缺陷类型平均识别精确率为95.26%，位置定位平均误差2.9像素，其拓展了工业质检自动化水平与分析维度，为制造业智能化转型提供了实用技术方案。

• 基于对比学习和交叉注意力的多模态联邦学习优化方法

  李超烽, 顾瑞春, 李卓仑

  联邦学习（federated learning，FL）作为一种分布式机器学习方法，在不共享本地数据的情况下，使多个客户端协同训练，有效保护数据隐私。然而，现有的联邦学习方法在处理多模态数据时，面临数据异构性和模态差异带来的显著挑战，尤其在跨模态数据对齐与融合方面表现不足。提出了联邦多模态软性跨模态对比学习与交叉注意力框架（federated multimodal soft cross-modal contrastive learning and cross-attention framework，FedCMCA）。通过结合软性跨模态对比学习与基于交叉注意力机制的全局-局部交叉模态聚合，有效解决了不同模态数据在联邦学习环境下的对齐与融合问题。在客户端引入软性跨模态对比学习方法，通过自适应缩放参数和柔性的对齐策略，灵活对齐不同模态间的语义表示，缓解了传统一对一匹配的限制，提升了模型处理复杂多模态关系的灵活性。在服务器端引入交叉注意力机制对来自各客户端的本地表示进行聚合，实现跨模态特征的深度融合。此外，还使用了知识蒸馏技术优化了全局模型在多模态任务中的泛化能力。在Flickr30K、MS-COCO等公开数据集上的实验结果表明，FedCMCA在跨模态检索任务中均优于FedAVG、FedNova、FedIoT及CreamFL等联邦学习方法，表现出良好的性能。

• 交叉定向抑制的双方向运动感知视觉神经网络

  安超越, 胡滨

  认知神经科学研究发现，哺乳动物大脑视皮层PMLS区中的双向敏感（BS）视觉神经元具有独特的反运动方向偏好神经响应特性，有助于感知群体活动在视野域中的运动方向相干性，但目前尚未对该神经特性在视觉运动感知问题研究的计算模型报道。针对该问题，基于哺乳动物视脑神经特性，提出了一种双方向运动感知神经网络（BDPNN）。BDPNN包含突触前和突触后网络两个部分。其中，突触前网络摄取视野域中的视觉运动信息并分离出视觉兴奋和视觉抑制；突触后网络由双向列神经元实现交叉定向抑制，对双向运动模式输出强烈兴奋的神经尖峰膜电位簇。系统性实验研究表明，所提出的BDPNN可有效感知群体运动在视觉场景中形成的双向运动行为模式。该研究涉及生物视脑认知神经机制启发的视觉信息加工处理，可为人工智能中的群体活动感知、运动模式识别等提供新思想、新方法。

• 大语言模型置信度驱动的交互式知识图谱补全方法

  邸晓丽, 王莉

  知识图谱补全旨在补充现有知识图谱中缺失的三元组。目前大语言模型在图谱补全中的应用仍面临结构感知能力不足的问题且推理过程中缺乏有效的信息筛选机制，往往引入大量冗余甚至无关的辅助信息。这种“过载式补充”不仅加重了计算压力，还可能引入语义噪声，干扰模型的判断路径。为此，提出了一种基于大语言模型置信度驱动的交互式知识图谱补全框架CI-KGC（confidence-driven interactive knowledge graph completion）用于封闭世界假设下的实体预测问题。该框架融合了三元组嵌入模型与大语言模型的优势，通过设计置信度评估与动态决策机制，判断预测结果是否可信，并在置信度不足时引入交互示例进行辅助推理。为提升对长尾实体的建模能力，引入基于实体频率分布的长尾实体加权机制，从知识图谱中动态选择并优化提示信息。在FB15K-237和WN18RR数据集上的实验结果显示，CI-KGC模型的整体性能优于基准模型且显著降低了计算开销。

• 融合多模态信息与大语言模型的生成式命名实体识别方法

  胡慧云, 葛杨, 崔凌潇, 唐琳, 齐思洋, 孔竣达, 肖波

  针对现有基于序列标注的多模态命名实体识别方法存在模型架构复杂、跨模态信息融合不充分等问题，提出一种基于大语言模型的生成式多模态命名实体识别方法。该方法设计包含三阶段处理流程：采用模态特异性编码器分别提取图文特征，继而设计跨模态注意力机制实现噪声鲁棒的特征融合，通过指令微调的大语言模型实现结构化实体生成。该方法的创新性体现为：有效挖掘大语言模型内隐的语义推理能力；构建具有跨模态一致性的高层语义表征。在Twitter-2015和Twitter-2017基准数据集上的实验表明，该方法F1值分别达到62.7%和66.8%，显著优于现有生成式方法。

• 密集多尺度上下文和分层特征融合注意力的早期烟雾分割

  王开正, 谭义章, 付一桐, 曾瑶, 李露露

  输电线路附近发生林火时高温、烟雾和飞灰等因素可能导致绝缘间隙迅速下降，引发输电线路跳闸。由于烟雾出现通常比火焰更早，因此准确的烟雾探测能为电网预留更多处置时间。针对早期烟雾目标小且具有半透明特性造成分割困难的问题，提出了基于密集多尺度上下文和分层特征融合注意力的早期烟雾分割网络。该网络包含密集多尺度上下文模块，通过空洞卷积并行处理以得到烟雾的上下文信息，然后将并行卷积串联以提升有效采样点数量。相较于空洞空间卷积池化金字塔模块，烟雾的信息利用率提升了8.07个百分点，有效采样点数量提升至313个。此外，引入了超分辨率亚像素重建模块，以改善插值法上采样造成的图像失真和信息丢失问题。网络中的分层特征融合注意力模块利用原始、低阶和高阶特征层之间的内在关系，以弥补小薄烟雾的高阶特征信息丢失。实验结果表明，该网络的平均交并比达到79.92%，比基线网络提高6.27个百分点，综合性能优于其他分割网络。可视化分割结果表明，该网络能有效提取小薄烟雾特征信息，边缘分割更加平滑，整体性能获得较大提升，对于输电线路林火的预防具有重要意义。

• 边缘信息增强的轻量化红外小目标检测方法

  王培超, 王家宝, 寇人可, 张睿, 李阳, 苗壮

  先验知识可以改善基于深度学习技术的红外小目标检测方法的性能。边缘信息是一种重要的先验知识，然而现有方法通常使用构造分支网络的方法将边缘信息加入网络模型中，在提升性能的同时造成了参数量和运算量的提升。针对此问题，提出了一种边缘信息增强的轻量化网络（edge information enhanced lightweight network，EIEL-Net），构造边缘信息增强（edge information enhancing，EIE）模块实现了边缘信息的高效嵌入。同时，构建了高效三向注意力（efficient triple-direction attention，ETDA）模块，从三个维度聚合红外小目标的全局信息，实现多维语义信息的有效融合。此外，为进一步提升骨干网对多样化特征的提取能力，提出了结构重参数化的非对称下采样（structural re-parameterized asymmetric downsampling，SRPAD）模块和高效通道注意力残差块（ECA-ResNeSt block）。EIEL-Net在参数量和浮点运算量分别为0.343×106和1.126×109的情况下，其检测速度可超过100?FPS，且在SIRST、NUDT-SIRST和IRSTD-1k三个公开数据集上的实验结果显示了该方法相比其他主流检测方法的优越性能，展示了该方法在低算力设备上部署的巨大潜力。

• 面向焊缝表面缺陷的双向星聚融合检测网络

  徐成, 单文桃, 张陈, 陈泽明, 杨汶睿, 韩振华

  针对焊缝表面缺陷检测中的目标存在空间聚集分布、背景纹理复杂、特征显著性不足等挑战，以及传统模型在低信噪比环境下特征表征能力弱、计算冗余等问题，基于YOLOv8n设计星聚双向融合网络（LSBi-YOLO）。构建星聚融合网络（SANet），利用三阶异构卷积融合策略保留关键特征；开发方向增强型空间金字塔池化模块（OS-SPPF），通过线性纹理特征权重优化提升多类缺陷辨识度；进而设计自适应双向多尺度融合网络（ABiMFN），建立跨层级双向交互机制以强化缺陷特征表达并抑制背景噪声；提出融合双重聚焦机制的（PIoU）损失函数，通过抑制冗余检测框有效提升模型收敛速度。实验结果表明，LSBi-YOLO模型在焊缝缺陷检测任务中综合性能显著提升，相较于基线模型，其测试集准确率、召回率和mAP@0.5分别提高3.6、4.6和3.2个百分点，模型参数量减少0.39×106，检测速度达到108.3?FPS；在嵌入式设备上的检测速度为59.2?FPS，平均精度为86.3%，结果证明整体性能优于当前主流焊缝缺陷检测算法。

• 基于轻量化网络的电力工器具检测算法

  李辰晨, 宋坤芳, 刘莉, 余锋, 姜明华

  在电力现场作业的复杂环境中，规范使用工器具可以有效降低作业风险，防止安全事故的发生。然而，工器具检测面临诸多挑战，包括目标种类繁多、尺度不一以及缺乏专用数据集等。此外，现有检测算法复杂度高且计算量大，难以在资源受限的便携式设备上高效运行。为解决这些问题，提出了一种基于轻量化网络的电力工器具检测算法LPT-DA。针对模型复杂度高、特征提取能力不足的问题，LPT-DA构建了轻量协同特征感知网络LCFPN，通过引入轻量化卷积设计和动态特征融合机制，在降低模型复杂度的同时，增强了目标的特征提取能力，确保在资源受限的设备上依然能有效运行。针对多尺度目标检测性能差异的问题，LPT-DA设计了轻量自适应检测头LADHead，通过特征共享策略和组归一化技术，进一步降低了模型的计算开销，并提高了多尺度目标的适应性。针对模型因轻量化而导致的漏检问题，LPT-DA设计了双池化通道注意力DPCA，通过全局与局部特征的协同建模，提升了模型对不同类别的预测能力，同时保持了较低的计算量。在自制工器具数据集ElectricTools上的实验结果显示，LPT-DA的mAP50指标较基准模型YOLOv11n提高了1.9个百分点，同时参数量减少31%，计算量下降28%，模型体积缩小30%。在HelmetDetection数据集上同样表现良好，验证了该轻量化网络算法在电力工器具检测中的有效性和泛化能力。

• 融合频域信息的双目图像超分辨重建Mamba网络

  马鸣声, 张德

  双目图像超分辨（stereo image super-resolution，SSR）旨在结合双目相机两个不同视角的图像信息，生成具有更高分辨率和更丰富细节的图像。当前，基于Transformer的SSR方法通过自注意力机制可以捕获全局的依赖关系，并获取广泛的上下文信息，但其计算复杂度随序列长度的增加呈平方级增长，运行效率不高。因此，提出基于Mamba架构的双目图像超分辨重建网络模型（MambaSSR）。Mamba架构具有线性计算复杂度，可以明显提高算法的运行效率，并具备和Transformer同样强大的功能。另外，在提出的MambaSSR模型中还设计了频域注意力模块，以保留关键的频率信息，从而更准确地重建图像的纹理细节。在多个公开数据集上进行了实验，结果表明，与主流方法相比，所提Mamba模型能够以更高的运行效率实现优越的超分辨重建效果。

• 结合思维链提示与Conformer的软件漏洞检测方法

  唐成华, 张靖, 杨萌萌, 强保华

  基于大语言模型的漏洞检测方法已取得了一定进展，但在处理复杂代码时仍然难以准确捕获各函数、变量之间的关系并且过拟合风险较大，模型输出结果的随机性增加了解释难度，导致漏洞检测模型性能不够理想。为了解决这些问题，提出了一种基于Conformer架构的创新漏洞检测方法，该方法融合了思维链提示技术与Conformer的优势。引入预训练模型筛选代码并生成高质量的代码序列嵌入，并通过代码属性图综合表示代码的结构关系和语义信息，有助于模型准确学习代码语法语义，并减小过拟合风险。通过Conformer架构中的自注意力机制与卷积网络，同时捕获代码局部特征和全局信息，提高模型对复杂代码的理解能力。利用思维链提示技术引导模型生成逐步推理过程，并结合预训练模型生成漏洞解释文本，提升模型漏洞识别的准确性和可解释性。为了评估方法的有效性，在三个数据集上与六个基线模型进行性能指标和资源消耗比较实验，并搭建多个变体模型进行消融分析，结果表明，CCotVDetect在推理时间、准确率和F1分数上均优于基线模型，平均分数相较于表现最好的基线模型分别提升了10.71，1.42和4.46个百分点。

• 船联网异质传播条件下区块链分叉的性状分析

  曾凌志, 汪洋

  船联网的网络节点遍布广阔水域且高度依赖各类水面和空间通信手段，具有复杂的技术组成和拓扑结构，因此表现出明显的异质性。对于运行船联网上的区块链应用，这种网络异质性将会对区块链的共识机制形成阻碍，其中典型的不利现象即为区块链的分叉。为此，从三个方面研究船联网异质传播条件下区块链分叉的性状。分析DPoS共识机制下几种主要的分叉形式及成因，考虑船联网异质性所带来的区块传播异步性，识别导致区块链产生分叉的条件；分析区块在船联网上跨域的传输过程，并基于传播波理论构建船联网上区块传播的延迟模型；使用Simblock软件对区块在船联网异构性下的跨域传播性态进行仿真，对船联网上区块链分叉的主要原因进行分析总结。作为补充，简要结合当前的海事技术论述抑制区块在异质传播条件下分叉问题的可行手段。

• 数据中心网络中感知截止时间的负载均衡机制

  罗红祥, 陈金鑫, 智睿, 胡晋彬, 王进

  在现代数据中心网络（datacenter network）中，随着在线数据密集型应用程序的蓬勃发展，产生了大量具有或不具有截止时间要求的混合流。这些流不仅包括那些对传输时间没有严格限制的数据传输，还包括那些必须在特定时间内完成以满足服务质量标准的任务。在并行的等成本路径之间平衡这些异构流以满足紧迫的最后传输期限，对于数据中心网络均衡负载至关重要。然而，由于不知道截止时间，现有的负载均衡机制无法为混合流选择合适的（重）路由路径以满足其各自的严格要求。此外，同样具有截止时间的短流也会被长流阻塞而错过其截止时间。提出了一种称为DAR的截止时间感知重路由方案，该方案对混合流应用了不同的路由策略。具体而言，DAR首先感知截止时间流，然后根据截止时间的紧迫性对其进行分类，并采用不同的（重）路由策略，以确保具有更紧迫截止时间的流能更早完成。NS-3模拟结果表明，DAR有效地平衡了混合流，与最先进的负载平衡方案相比DAR将截止时间错过率和平均流完成时间分别降低了38%和35.5%。

• 多层增强的蜣螂优化器用于多机器人系统在线路径规划

  蒋兴和, 冯毅雄, 金柯兵, 李志武, 吴潇, 洪兆溪, 谭建荣

  为提升多机器人系统效率和安全性以促进工业5.0时代制造业的生产效率和质量，针对蜣螂优化器在多机器人路径规划中精度低、收敛性差和稳定性弱等问题，提出了一种多层增强的蜣螂优化器（MEDBO）。基于正弦函数构建正弦定向模型，为蜣螂选向提供全方位动态引导，同时，构建突变增殖模型，扩大蜣螂产卵区域，增加种群多样性和搜索能力。采用群体指导个体机制设计均值引导策略，增强算法的开发能力。引入对立学习，为对偶性估计提供理想候选解，防止次优收敛。通过CEC-2005、CEC-2017和CEC-2022测试套件中的28个优化问题，从定性分析、定量分析和统计检验维度对MEDBO进行实验，验证了该方法的有效性和可行性。此外，将MEDBO应用于多机器人系统在线路径规划的两个场景，通过平均适应度、平均时间消耗和平均最优-实际路径偏差指标验证了该方法的适用性。结果表明，随着机器人和动态、静态障碍物数量的增加，总路径长度减少了10.45%至43.48%，平均时间消耗相近且逐步缩小，平均最优-实际路径偏差降低了至少35.95%。

• 基于WTC-iFCMformer模型的短时交通流预测

  陈亮, 郭吉鑫, 雷莅平, 李巧茹

  短时交通流预测在智慧化交通的管理和调度中发挥着至关重要的作用。为更加准确地进行短时交通流预测，针对iTransformer神经网络并行结构框架在捕捉时间位置特征和隐藏时间特征方面存在的不足，引入时间季节性信息与位置编码来获取数据位置信息与时序特征；鉴于iTransformer模型在处理交通流中的短时波动和频率变化时的不足，提出了基于一维小波卷积变换网络（wavelet Transform convolution 1D，WTConv1D）的卷积提取模块，通过卷积机制增强模型对交通数据中复杂频率成分的感知和利用能力；同时考虑到短时交通流预测具有强时序性且模型计算复杂问题，引入傅里叶卷积混合机制（fast Fourier convolution mixer，FFCM），替换原始iTransformer模型的Feed-Forward模块以提取邻域时序特征、获取周期性和全局依赖特征并降低计算复杂度，从而提高WTC-iFCMformer模型预测的精度和速度。在实验部分，采用明尼苏达德卢斯大学交通实验室平台获取的交通流数据，通过对比、消融和泛化实验，在MAE、MAPE、RMSE、R2、平均收敛轮数和耗时六个指标对预测结果进行对比分析。实验结果表明，WTC-iFCMformer在多个指标上均取得了最优结果，为复杂交通场景下的实时预测与调度提供了高效且准确的解决方案。

• 基于TA-Informer模型的多元长期时间序列预测研究

  王新科, 梅红岩, 赵勤, 翟心晨, 赵恩童

  在多元长期时间序列预测中，数据的特征冗余和长期依赖关系难以捕捉，成为影响预测精度的关键问题。为了提高多元长期时间序列预测精度，提出了一种基于TA-Informer的多元长期时间序列预测模型。模型使用时间卷积网络（TCN）对多元长时间序列进行特征提取，用于捕获长期依赖关系，将提取的特征输入自适应稀疏自注意力（ASSA）中来消除冗余特征并增强重要特征，将增强的重要特征输入Informer模块实现多元长期时间序列预测任务。实验结果表明，TA-Informer与基准模型Informer相比较，在六个公开数据集上的MSE分别下降了57.5%，25.8%，50.3%，60%，48.1%和45.2%，体现了方案的有效性和可行性。

• 关键节点感知与时空自适应的Transformer交通流预测方法

  李卫军, 熊章友, 杨国梁, 朱晓娟, 马馨瑜

  交通流数据本身具有明显的时空特性，不仅与时间和位置密切相关，还与道路网络的空间结构息息相关。目前的研究方法通常依赖于复杂的神经网络来捕捉交通流的时空相关性，但往往未能深入挖掘交通流数据的内在属性。此外，现有方法对于嵌入层的数据处理和交通流的时空特征也缺乏充分的探讨。为了解决这些问题，提出了一种名为KASTFormer的模型。该模型通过关键节点感知空间自注意力机制，有效地捕捉交通流枢纽道路的特征，并结合时间、语义和地理自注意力机制，进一步加强了短期和长期时空依赖的建模。同时，设计了一种时空自适应嵌入方法，通过统一建模时空关系捕捉交通流数据及其时空特征。通过在三个数据集上的实验验证了模型的有效性，并通过消融实验和模型结构性能分析进一步证明了其实际效果。

• 层级多分支特征交互表格数据预测模型

  吕辰昊, 万书振, 肖国庆, 柯瑞, 高得翔

  针对表格数据预测任务中特征隐式关系建模不足的问题，提出了一种层级多分支特征交互的表格数据预测模型。模型结合GNN的局部特征交互能力与Transformer的全局特征提取能力，采用双空间联合建模构建表格数据特征空间的图结构表示。通过双分支消息传递机制交互特征，并构建图间注意力增强跨样本交互。采用层级递进融合策略逐层整合局部与全局特征关系，捕获异构特征间的高阶隐式特征交互信息。实验结果表明，在多个公开表格数据集的预测任务中均取得了较好效果。