关键词： Image segmentation  

摘要： Particle swarm optimization (PSO) has been widely applied to solving complex optimization problems due to its simple parameter settings and fast convergence speed. However, the classical PSO algorithm suffers from inherent limitations, such as premature convergence and slow convergence in the later stages. Therefore, a cooperative self-evolutionary particle swarm optimization algorithm is proposed. The proposed algorithm employs a novel dual-population cooperative co-evolution strategy to accelerate the convergence process. Meanwhile, to balance global exploration and local exploitation capabilities, a self-evolutionary framework is introduced, in which a probabilistic biased directional learning strategy is combined with a decaying hybrid perturbation mechanism, effectively enhancing the overall optimization performance. In addition, the boundary-handling mechanism of the algorithm is further improved, thereby increasing its adaptability across a wide range of optimization problems. The improved algorithm is evaluated on the CEC-2017 benchmark function sets, demonstrating fast convergence and superior optimization performance on low-, medium-, and high-dimensional complex problems. Finally, the proposed algorithm is applied to the threshold optimization problem in multilevel image segmentation. Experimental results show that the improved algorithm significantly enhances segmentation accuracy and efficiency, thus validating its effectiveness in solving real-world optimization problems. © 2026 Northeast University. All rights reserved.

关键词： Mobile robots  

摘要： To address the challenges of perceptual uncertainty and limited policy generalization in dynamic unstructured environments, this paper proposes a robust autonomous navigation policy optimization framework based on asymmetric reinforcement learning, termed Robust Asymmetric Navigation (RANav). The framework integrates implicit environment estimation, domain randomization, and asymmetric reinforcement learning to enhance the robot’s modeling and decision-making capabilities in dynamic settings. Specifically, a multimodal implicit environment estimation network is designed to accurately extract dynamic obstacle features and improve scene representation. A behavior-driven domain randomization mechanism is introduced to facilitate Sim-to-Real policy transfer. Finally, an asymmetric proximal policy optimization (PPO) algorithm is employed, where privileged information is provided to the Critic network during training to improve policy learning efficiency. Extensive simulations and real-world experiments demonstrate that the RANav significantly outperforms existing methods in terms of navigation success rate, obstacle avoidance robustness, and path efficiency, verifying its strong generalization and deployment potential in complex unstructured environments. © 2026 Northeast University. All rights reserved.

关键词： Motion planning  

摘要： To address the low efficiency of traditional search algorithms and the poor optimization performance of heuristic algorithms in multi-UAV cooperative path planning under complex environments, a multi-strategy improved whale optimization algorithm (MSWOA) is proposed. First, a Sine–Cubic hybrid chaotic map is adopted to improve the quality of the initial population. Second, a nonlinear convergence factor is introduced to adaptively regulate the intensity of global exploration and local exploitation, combined with an adaptive spiral coefficient designed to enhance convergence accuracy in later iterations. Finally, a dual-distribution perturbed adaptive differential mutation strategy is utilized to accelerate convergence speed, and a thinking innovation strategy is introduced to prevent the algorithm from falling into local optima. Extensive experiments on twenty-nine benchmark functions from the CEC2017 test suite demonstrate the superior optimization performance of the MSWOA. The algorithm is further applied to the cooperative path-planning problem of multiple UAVs in a three-dimensional complex terrain, validating its accuracy and stability. © 2026 Northeast University. All rights reserved.

关键词： 进气压力控制系统   调节阀   自抗扰控制   fal函数   粒子群优化算法   参数整定  

摘要： 针对航空发动机飞行环境模拟过渡态实验过程中发动机气流突变干扰、系统模型不确定性以及反馈信号中存在噪声等问题,本文提出一种基于改进粒子群优化算法(IPSO)的改进自抗扰控制(IADRC)方法,以提高进气压力控制系统的抗扰能力与稳定性.针对传统自抗扰控制器(Active Distur-bance Rejection Controller,ADRC)中的fal函数存在误差增益过大、易引发系统抖振的问题,设计了一种改进型非线性误差反馈函数(Ifal函数),与其他改进的非线性误差反馈函数进行了对比,并基于李雅普诺夫稳定性理论对闭环控制系统进行了稳定性分析,实现抗扰性能与系统稳定性的有效平衡.针对IADRC存在待整定参数较多,且参数范围较广、人工整定困难的问题,引入改进粒子群优化算法对控制器进行参数整定,提高了参数优化的精度与效率.基于进气压力控制系统平台,开展了3种工况下的仿真实验和半物理试验,并与PID,ADRC,线性自抗扰控制器(LADRC),IADRC和基于粒子群优化算法的IADRC(PSO-IADRC)进行了对比分析.仿真结果表明,本文设计的IPSO-IADRC控制精度更高、调节速度更快及抗干扰能力更强,与当前工程中使用的ADRC相比,在无噪声情况下,压力最大偏离值减少79.27%;在强噪声情况下,压力最大偏离值减少81.63%;在半物理试验情况下,压力最大超调量降低了67.49%,有效抑制了调节阀的摆动幅度.本文提出的IPSO-IADRC方法有效提升了飞行环境模拟进气压力控制系统的动态响应性能和抗扰能力,为提高发动机试验评估的准确性提供了技术支撑.

关键词： 分心驾驶   目标检测   YOLO11   注意力机制   结构重参数化  

摘要： 当前主流分心驾驶行为检测方法计算开销大，难以在资源受限的车载终端上有效平衡精度与效率，为此，本文提出一种轻量高效且高精度的分心驾驶检测模型YOLO11-RGEM。本模型以YOLO11n为基线，在不增加整体计算负担的前提下进行双重优化：主干网络方面，传统CNN主干缺乏对全局上下文的建模能力，影响判别精度，将RepViTBlock模块替换C3k2内部的Bottleneck模块，并在其深层特征输出后嵌入全局注意力机制（Global Attention Mechanism，GAM），前者通过结构重参数化提升局部特征提取效率，后者通过跨维度全局注意力增强头部与手部间的语义关联建模；在检测头方面，引入集成ECA注意力的ECA-MBConv结构替代YOLO11原始检测头，在不增加参数量的情况下，利用高效通道注意力提升对外观相似行为的区分能力，并降低计算开销。实验表明，YOLO11-RGEM的参数量降至2.38M，相较于YOLO11n基线模型（2.59M）降低8.11%；浮点运算数降至2.46G，相较于基线模型（3.23G）降低23.84%。在此基础上，模型mAP50指标从0.9403提升至0.9462，真正实现了轻量化与高精度的双重优化目标，展示了其在分心驾驶检测领域中的实际应用价值。

关键词： 铁水运输   机车调度优化   取送货路径优化   Benders分解算法   Q-learning算法  

摘要： 铁水运输作为衔接炼铁与炼钢两个工序的关键环节，其机车调度问题具有服务时间窗、后进先出装卸顺序等钢铁生产的关键特征.针对该问题，以机车行驶总时间最小化为目标，提出并构建2种混合整数规划模型，分别为基于节点和基于模式的机车调度模型.针对模型特点，提出一种融合强化学习与Benders分解的启发式算法.该算法采用Benders分解算法框架将基于模式的机车调度模型拆分，同时引入Qlearning算法自适应地调整主问题模式决策变量的固定与排除集合以加速收敛.实验结果表明，与求解器相比，所提出的启发式算法在大规模算例中求解质量与时间更具优势.本研究可为钢铁企业提升铁水运输系统的运行效能、实现生产工序间的高效协同提供有效决策支持.

关键词： 同时定位与建图   多传感器融合   无人机定位  

摘要： 近年来,低空技术与工程领域(如无人机自主飞行、低空巡检、空中机器人等)对高精度、强鲁棒性的自主定位与环境感知提出了更高要求,尤其是在狭窄空间、GPS信号弱、环境结构复杂等典型低空应用场景中,对机器人自主定位与环境建图带来了新的挑战.同时定位与建图(simultaneous localization and mapping, SLAM)作为实现该目标的核心技术,主要通过融合激光雷达、相机和IMU等多种传感器,在复杂环境下实现高精度和高鲁棒性的定位,其中激光视觉惯性SLAM通过多传感器深度融合进一步提升了系统的定位性能和环境适应能力.然而,现有的激光视觉惯性SLAM系统在不同环境(如狭窄区域、空旷区域等)下对参数设置较为敏感,固定参数难以兼容多样化场景,且激光雷达与相机在某些环境下可能无法同时提供高质量的定位信息.针对上述问题,本文提出了一种基于自适应几何观测器的多传感器激光-视觉-惯性SLAM方法.该方法设计了多策略自适应参数调整机制,能够根据点云分布特征及激光惯性里程计(LiDAR-inertial odometry, LIO)与视觉惯性里程计(visual-inertial odometry, VIO)子系统的退化情况,动态优化系统参数,显著提升系统在多样化低空环境下的鲁棒性.同时,针对激光与视觉信息在不同场景下有效性差异,提出分层自适应几何观测器加权方法,根据不同子系统退化情况实现LIO与VIO子系统的自适应加权融合,进一步提升位姿估计精度.实验结果表明,所提方法在多个公开数据集上实现了优异的定位精度和鲁棒性,达到了当前国际先进水平,为低空技术与工程领域复杂环境下的自主定位与导航提供了有力的技术支撑,具有重要的工程应用价值和推广前景.

关键词： 道路病害   目标检测   RT-DETR   边缘特征   前馈网络  

摘要： 针对道路病害检测中面临的背景纹理复杂、细微裂缝特征难提取以及现有模型检测性能与参数量不平衡的问题，提出一种基于改进的RT-DETR的道路病害检测算法ED-DETR。该方法通过提出多尺度细节感知模块，设计边缘特征强化网络重构主干架构，通过聚合不同粒度的特征并结合高频增强机制，在减少模型参数量与计算成本的同时，提升对细长病害特征的捕捉能力；提出空间-频谱协同前馈网络以改进AIFI模块，利用傅里叶变换构建频域感知机制，通过有效分离高频病害细节与低频背景噪声，增强模型在极端环境下检测的鲁棒性；针对特征融合阶段微弱信号易丢失的缺陷，设计高效交叉引导融合模块，使用跨分支交互策略结合无降维的高效通道注意力机制，实现深层语义与浅层细节的动态互补。实验结果表明，改进算法相比原模型参数量减少28%，计算量降低15.3%，精确率提升3.22个百分点，召回率提升1.4个百分点，m AP@0.5提升2.58个百分点。综合性能优于YOLOv11、Deformable-DETR等主流模型，并在SVRDD数据集的泛化实验中展现出优秀的场景适应能力。

关键词： 协同过滤   图卷积网络   语义协同对齐   推荐系统   大语言模型  

摘要： 目前，利用大语言模型（Large Language Model,LLM）增强图协同过滤的研究，大多聚焦语义和协同嵌入的对齐。对于协同表示的建模与优化关注不足，导致语义-协同融合效果仍存在瓶颈。针对上述问题，本文提出一种融合LLM与图卷积网络的统一推荐框架SAGERec。首先，基于LLM生成语义画像，以丰富特征表达。其次，设计门控融合单元，实现语义与协同表征的动态结合；同时引入局部判别增强与多视图一致性对齐机制，缩小分布差异并提升局部区分度；最后，采用基于掩码的表示预测任务，在融合空间中进行重建，以增强模型的泛化能力。公开数据集上的实验结果表明，SAGERec较基线模型在多个指标上平均提升3%—5%，验证了SAGERec的有效性。

关键词： 多目标优化   热交换优化算法   多区域   热电联产   经济排放调度  

摘要： 热电联合调度问题是电力系统中一类关键的多目标优化问题。针对多目标热电联合调度问题，传统智能优化算法普遍存在收敛速度慢、易陷入局部最优等缺陷，难以高效求解复杂的多目标优化问题。提出一种基于螺旋运动的多目标热交换优化（SMMOTEO）算法。首先，引入动态半径螺旋运动策略，强化局部搜索与收敛性能；其次，设计精英变异算子，提升跳出局部最优能力；最后，构建双档案机制，实现不可行解的有效存储与利用，增强种群多样性。将所提算法应用于多目标热电联合调度问题求解，实验结果表明，其在收敛性、分布性与求解精度上均优于对比算法，具备更优异的多目标优化性能。