随着网络技术的进步，车载网、工业物联网以及5G超高可靠低时延通信（uRLLC）等应用都需要时间敏感网络（TSN）来保证超低延时的确定性数据传输。TSN流量调度需要快速且精确的调度算法，现有的精确式求解方法复杂度高，在大规模联合调度时无法满足实时性。文中设计了一种性能更优的路由优化遗传算法（Routing-GA），结合路由和流量调度约束，能通过优化路由来提高调度算法求解效率，为链路负载均衡调度提供服务。该策略增加了调度的求解空间以及求解灵活性，具备元启发式算法的快速求近最优解特点，能够简单有效地处理大规模TSN路由约束联合调度问题。Routing-GA以时间敏感流最小端到端时延作为优化目标，联合考虑路由和TSN约束，并针对TSN传输问题特性提供一种低复杂度、高效率和高拓展性的遗传算法编码方式。此外，为了提高调度算法的性能，提出针对路由长度及链路负载均衡进行优化的交叉变异机制。实验结果表明所实现的Routing-GA能有效减少端到端时延，显著提高求解质量，进化率可以达到24.42%，平均只需要传统遗传算法（GA）迭代运行时间的12%，从而有效提高了算法的求解性能，满足TSN调度的约束要求。

鉴于低精度浮点运算拥有更快的运算速度，越来越多的高性能应用采用混合精度方案进行加速，而同样采用该方案来加速的AI（人工智能）大模型也受到广泛关注。最近，HPL-AI（High Performance LINPACK for Accelerator Introspection）基准测试被提出，用于评估高性能系统的混合精度运算性能。针对该基准测试，本研究在鲲鹏和昇腾异构平台上设计并优化了单节点HPL-AI基准测试的实现。其主要通过循环任务分配的策略将任务均匀地分配给AI处理器以平衡AI处理器的负载；通过带间隔值的任务分配策略提高数据传输的连续性来减少CPU和AI处理器之间的数据传输时间；在不影响计算精度的情况下，通过取消数据缩放的策略来减少CPU侧的计算量。最终实验结果表明：当间隔值为8时，HPL-AI基准测试的混合精度浮点运算速度最快；同时，取消数据缩放不会对HPL-AI基准测试的结果精度产生影响；在鲲鹏和昇腾异构平台上，与非优化的HPL-AI基准测试方法相比，本研究提出的优化策略使混合精度浮点运算速度提升了29%左右，为单节点HPL-AI基准测试的进一步优化和部署多节点HPL-AI基准测试奠定了坚实的基础。

脱机手写数学公式二维结构复杂，其中字符多变的尺度以及书写风格的变换不一都会增大手写数学公式识别的难度。文中提出了一个基于多尺度特征融合的互学习模型。首先，在编码阶段引入了多尺度特征融合的方式改进模型，以提升模型对公式中细粒度信息的提取能力以及加强对全局二维结构的语义信息理解；其次，引入了成对的手写体、打印体数据来进行互学习模型的训练，该模型包括解码器损失和上下文匹配损失，分别学习LaTeX语法以及手写体、打印体之间的语义不变性，提高模型对不同书写风格的鲁棒性，提升对公式整体信息的理解能力。在CROHME 2014/2016/2019数据集上进行实验验证，结果发现：引入多尺度特征融合机制后，表达式正确率分别达到55.25%、52.31%、53.72%；引入互学习机制后，表达式正确率分别达到55.43%、53.53%、53.79%；同时引入两种机制后，表达式正确率分别达到58.88%、55.10%、57.05%。经实验证明，文中提出的方法能够有效提取公式中不同尺度下的特征，并通过互学习机制克服手写风格不一、数据量少等问题。此外，在HME100K数据集上的实验结果也验证了文中提出模型的有效性。

基于图神经网络的社交推荐模型在提升推荐系统性能方面有不错的表现。但现有方法都忽略了被查询的目标用户和项目节点与其邻居节点间可能存在特征不匹配的问题，导致噪声的引入而降低了模型性能。为了解决该问题，文中提出一种社交推荐模型DNSSR。首先构建一个包含用户和项目多元关系的关系图谱，图节点间信息关联更丰富；然后利用动态邻域采样机制获得与目标查询对的特征更一致的邻居节点，减少了噪声信息；另外，为了进一步提高模型预测性能，设计了一种增强型图神经网络对采样后得到的关系子图进行建模，它可以区分不同邻居节点的重要性并选择更可靠的信息源，获得更鲁棒的用户和项目嵌入向量用于评分预测。实验结果表明：相比其他先进模型，该模型预测误差明显降低，证明了文中所提各项方法的有效性；尤其是动态邻域采样机制，若将其弃用，DNSSR在Ciao数据集上的RMSE（均方根误差）和MAE（平均绝对误差）指标将分别上升6.05%和7.31%，在Epinions数据集上则分别上升3.49%和5.41%，充分验证了其能有效降低噪声干扰、提高社交推荐模型的性能。

火灾的发生给社会带来了巨大损失，森林火灾防治任务日益迫切，而全球变暖的趋势使得这一问题更加复杂。深度学习在各行各业发挥着重要作用，大量模型也被不断地设计和提出，且模型改进的方式多种多样。文中提出了EfficientNet-E模型，它利用更为先进的ECA模块（高效通道注意力模块）来替换EfficientNet模型中的SE模块，通过增强注意力机制性能提升模型的性能。相较于SE模块，ECA模块更好地保留了传输中的信息，使得数据特征在传输过程中保留更充分，从而能够优化模型。为验证EfficientNet-E模型的性能，以及EfficientNet设计思想在森林火灾识别问题上相较于传统模型的优势，文中选取了经典模型中的代表——ResNet和DenseNet作为对照参考，并结合EfficientNet和EfficientNet-E进行了相关实验。实验选用3 303张森林火灾、非火灾和烟雾图片。多轮试验结果显示，EfficientNet-E在识别森林火灾数据上的效果要好于常规的经典深度学习模型，且相较于原始EfficientNet的平均准确率（89.28%），EfficientNet-E的平均准确率（90.04%）有所提升，标准差更小，训练稳定性也更好，从而证实了改进后的EfficientNet-E性能更加优良。

虚拟同步发电机（VSG）模拟同步发电机的运行机制，引入了有功调频和无功调压控制环节，与传统电流控制型变流器不同，是一种电压控制型策略。文中立足电压控制型虚拟同步发电机控制结构和网源协调特性，构建小信号分析模型，分析在不同控制参数与电网参数场景下的振荡模态，进而掌握电压控制型虚拟同步发电机并网系统的高频谐振特性，并针对性提出高频谐振抑制策略。首先，分别建立电压控制型虚拟同步发电机、传统变流器各控制和电气环节的小信号分析模型，通过特征根分析方法，定量分析所有特征根的振荡模态和阻尼比，发现电压控制型虚拟同步发电机存在与传统变流器类似的高频振荡模态；同时分析虚拟同步发电机控制参数变化、电网强弱场景对其高频谐振阻尼作用机理。其次，基于电压控制型虚拟同步发电机控制策略，以有源阻尼方法为解决思路，提出基于电流内环前端通道引入虚拟阻抗控制策略的谐振抑制方法，抑制其高频谐振。最后，利用Matlab/Simulink仿真和RT-LAB控制器在环实验结果验证所提出的控制策略，结果表明虚拟阻抗控制环节起到有效正阻尼作用，相比于无源阻尼方法，在无需额外增加测点和外部控制量的情况下，电压控制型VSG网侧阻尼特性改善，暂态响应能力增强，高频失稳现象得到有效抑制。

斜盘式柱塞泵广泛应用在直升机疲劳试验的液压系统中，其流动特性对液压系统稳定性有着至关重要的作用。文中使用立体几何方法分析了斜盘式柱塞泵柱塞运动轨迹，基于图形解析法推导了过流面积公式，并编写相应Matlab程序实现吸排油过流面积自动化计算；构建了考虑流量倒灌及泄漏的单柱塞流动模型，结合AMESim软件实现柱塞泵三维计算模型向一维计算模型的转变；依据初始工况计算结果分析了柱塞泵的流动特性及其产生流量脉动的原因，并使用基于计算流体力学（CFD）方法的三维模型所获得的流量脉动计算结果验证了一维计算模型的准确性。在此基础上分析了不同运行工况（包含运行温度、工作压力及柱塞泵调节参数）对出口流量脉动率的影响，从降低流量脉动率进而提高直升机疲劳试验精度的角度分析了试验中柱塞泵调节控制要点。文中提出的一维计算模型可显著提高柱塞泵仿真计算速率，便于后续柱塞泵的改进设计以及将其作为子系统添加到虚拟数字试验平台中。

针对现有SOC（荷电状态）估计方法中电池模型参数恒定，没有考虑电池模型参数的动态变化，导致SOC的估计不够精准的问题，文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上，采用多新息最小二乘（Multi Innovation Least Squares，MILS）算法对锂离子电池模型中的参数进行在线辨识，从而对电池模型进行实时修正；同时基于修正后的电池模型，采用多新息扩展卡尔曼滤波（Multi Innovation Extended Kalman Filter，MIEKF）算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题，能够实现模型参数的在线精准辨识，MIEKF算法融合了多新息理论和卡尔曼滤波理论，加入了遗忘因子以削弱历史数据并修正权重，解决了数据过饱和问题，具有较高的准确性和收敛性。实验结果表明，在对电池模型进行参数辨识时，MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV，MILS算法相比RLS算法的估计精度提高了26.3%；对于参数辨识后SOC的估计，MIEKF算法估计的均方根误差为0.003 7，EKF算法、AEKF算法估计的均方根误差分别为0.007 3、0.005 2，MIEKF算法比EKF算法的估计精度提高了49.31%，比AEKF算法的估计精度提高了28.84%；并且在给定SOC初值错误的情况下，文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值，是一种精度高而且鲁棒性好的有效估计方法。

近年来，氢燃料电池汽车发展迅速。相较于氢燃料电池小汽车，氢能客车的尺寸大、储氢量大，存在的安全风险更大，研究停车场内氢能客车的氢泄漏爆炸事故及风险具有重要意义。采用FLACS软件预测停车场内的氢能客车关键部件失效后不同泄漏工况下的氢气云团的扩散过程，根据泄漏后氢气云团的含量分布特性，研究在不同点火位置下诱发氢气云爆炸事故后的爆炸超压特性；分析事故的影响范围，量化爆炸事故后果，提出爆炸风险防控建议；结合预测的事故发生概率对停车场内的氢能客车开展氢泄漏的风险分析，提出了一种氢能客车氢泄漏爆炸事故及风险分析方法。研究结果表明，环境风和停车场的规划布局都会影响泄漏后的氢扩散行为，当环境风向与停车场顶棚长度方向垂直时最有利于氢气的扩散，在大型客车停车场内氢能客车发生氢气泄漏后的扩散速度快，氢含量迅速下降，点火引发氢气云爆炸产生的爆炸冲击波威力较小，在最严重的泄漏场景下最大爆炸超压约为12.38 kPa。可在氢能客车TPRD装置附近以及停车位中间偏后对应的顶棚位置上安装灵敏度高的氢传感器，以提高实时监测氢气泄漏的灵敏度。停车场内氢泄漏后诱发氢气云爆炸事故的风险近似为3.64×10^-7次/年，低于风险可接受水平，该客车停车场符合安全性要求。研究结果为氢能客车与停车场内氢浓度传感器的布局以及停车场的规划建设提出了合理建议。

针对需求高峰期乘客以红包或调度费等形式激励网约车司机以实现网约车自我调度这一问题，研究了乘客-网约车匹配决策与激励策略选择间的交互关系。基于网约车合乘模式下的均衡匹配状态，以乘客总剩余最大化为目标，考虑匹配、均衡、成本等约束条件，构建了考虑奖励策略的乘客-网约车均衡匹配模型，从乘客视角设计了乘客激励策略、网约车激励策略、乘客和网约车激励策略，并将3种激励策略嵌入到列生成算法对模型进行求解，以实现匹配均衡和价格均衡。以大连市出租车数据为对象进行实证分析，研究结果表明，相比于仅以随机调度费等形式从供给侧激励司机，同时从需求侧和供给侧实施激励策略可以促成更多合乘出行，乘客剩余可提高12.6%；当需求大于供给时，26%的激励在乘客间转移以实现更多的合乘出行；合乘折扣系数也会影响激励流向，同时使用激励策略和合乘折扣策略调节供需可以避免司机恶意竞争和乘客无效激励，在降低乘客出行成本的同时提高司机收益，促成更多合乘出行。

网约车平台算法个性化定价产生了复杂的市场影响，相比传统出租车服务，网约车乘客违约率达30%左右，因此算法个性化定价对乘客违约率的影响机制以及乘客是否履约的关键特征值得探索。文中尝试运用矩形Hotelling模型建立算法个性化定价与乘客违约率的因果关联机制，以两个网约车平台之间的Stackelberg博弈模型揭示歧视性定价、乘客违约率与平台之间竞争强度的关系。进一步运用网约车平台订单大数据，以Bhattacharyya距离、提升决策树及改进拉斯维加斯方法（包裹法）等归纳学习工具对网约车平台百万量级订单进行数据挖掘，找出决定乘客是否履约的关键特征。分析结果表明，平台进行个性化定价时乘客的最终消费选择主要取决于价格因素；而改进车辆匹配、派单策略及减少乘客候车时间可显著提高订单履约率。研究结果对网约车平台完善定价及运营策略以维持双边市场用户数量、保证平台持续成功运营具有重要参考价值，也为反垄断部门干预平台个性化定价提供了理论依据。

运动出行（Active Travel或Active Mobility，AT或AM）是一种以出行者自我为驱动的出行方式，由于其占用道路面积小、机动性强、可持续性好，因此对缓解城市交通压力、改善城市交通的时空不合理性起着至关重要的作用。文中首先研究了运动出行的定义和内涵；其次从影响运动出行的时空条件出发，以点和线的视角将时间与空间拆分成出发时间、出行时间、出行距离与建成环境4类约束条件，依次阐述不同类型的时空条件特征，并对运动出行与时空约束间的潜在联系进行分析；接着以单一约束和多种时空组合作为切入点，分析其对运动出行的影响；通过归纳发现，时空约束对运动出行的影响比传统认知中更为复杂，主要呈非线性关系且存在相应的理论阈值；最后提出当前理论研究中的不足之处及未来的研究方向。文章旨在归纳时空对运动出行的制约作用，展示不同时空约束作用下运动出行的具体变化规律，以期改变城市出行者的固有思维，提高运动出行的分担率，促进城市交通出行结构的进一步优化。

为提高交叉口自动驾驶汽车和行人的管理水平，进而改善交通流的运行效率和稳定性，文中基于最大压强控制和自动驾驶汽车轨迹规划方法构建了交叉口自动驾驶汽车和行人管理方法。首先，综合考虑行人到达率、人行横道尺寸、等待时间和行人到达分布规律等对行人的影响，利用概率分布函数对行人排队长度进行建模，并利用估计的行人排队长度，基于最大压强控制方法构建了交叉口自动驾驶汽车和行人排队长度管理方法；然后，为帮助交叉口内部自动驾驶汽车避免碰撞并获取最佳运动轨迹，结合最大压强控制方法与已有交叉口自动驾驶汽车轨迹规划方法，在控制交叉口自动驾驶汽车和行人排队长度的基础上，同时对自动驾驶汽车轨迹进行规划；最后，利用Python联合SUMO开源交通仿真软件对模型进行验证，仿真持续2 h。仿真结果表明，在不同自动驾驶汽车和行人需求条件下，该自动驾驶汽车和行人管理方法的加入不仅能够实现对自动驾驶汽车运动轨迹的规划控制，而且能够迅速稳定和降低它们的延误与排队长度，并能改善交叉口运行效率。

选择性催化还原技术（SCR）是降低重型柴油车氮氧化物（NO _x ）排放的常用技术之一，且SCR系统内的NO _x 转化率与尾气温度密切相关。然而，现有的NO _x 排放测算模型主要考虑车辆行驶工况，缺少与排气温度的关联分析，从而增加了NO _x 排放测算结果的不确定性，对排放清单的建立和减排政策的评估提出了挑战。本研究基于车辆实际运行工况和实测排放数据，建立NO _x 排放速率库和NO _x 排放率模型。随后，建立基于机动车比功率（VSP）和热损失系数的尾气温度模型。在此基础上，根据SCR系统中的化学反应原理，建立基于尾气温度的NO _x 排放模型。最后，利用建立的NO _x 模型和MOVES模型（移动源排放测算模型）分别估算NO _x 排放量，并与实际排放情况进行比较分析。结果表明，本研究所提出的考虑实际路况下尾气温度的NO _x 排放模型可以有效提高NO _x 排放测算的准确性，在3辆重型柴油公交车上的NO _x 测算相对误差分别为9.1%、3.9%和3.3%。相较于MOVES模型，相对误差分别降低了24.0、13.1和16.3个百分点。对不同运行工况下的NO _x 排放特性分析表明，重型柴油货车的平均NO _x 转化率比柴油公交车高39.2个百分点。