针对考虑设置与运输时间约束且机器加工速度可变的多因素柔性作业车间绿色调度问题（MFJGSP-STVS），构建以完工时间与能源消耗为优化目标的数学模型，并提出一种改进的多目标进化算法（EMoEA）求解该问题。该算法采用三层整数编码方式，在解码中使用机器空闲时间优先（MIP）规则和开关机策略（TOF）优化目标，利用全局搜索（GS）等启发式规则生成初始种群；为了加快算法收敛，基于非支配分层思想设计一种聚类交叉方式；为防止算法过早收敛而陷入局部最优，采用衍生策略扩散非支配解集，通过基于关键路径的自适应局部搜索策略进一步强化算法探索解空间的能力。仿真实验结果表明，与原始的多目标进化算法相比，EMoEA中的每个设计都有更优的超体积（HV）与逆世代距离（IGD）指标；与非支配排序遗传算法（NSGA-Ⅱ）和混合Jaya（HJaya）算法相比，EMoEA在HV与IGD这2个指标上占据优势，且收敛较快，在大多数实例中都获得最优的目标值。可见，EMoEA性能更好，能有效地解决MFJGSP-STVS，为企业提供高质量的调度方案。

针对车辆边缘计算（VEC）中存在的用户体验质量需求不断增加、高度移动车辆引起的链路状态获取困难和异构边缘节点为车辆提供资源的时变性等问题，制定一种联合任务卸载和资源优化（JTO-RO）的VEC方案。首先，在不失一般性的前提下，综合考虑边缘内和边缘间干扰，提出一种车辆到基础设施（V2I）的传输模型，该模型通过引入非正交多址接入（NOMA）技术使边缘节点不仅无需依赖链路状态信息，还可以提升信道容量；其次，为了提高系统的性能和效率，设计一种多智能体双延迟深度确定性（MATD3）算法用于制定任务卸载策略，这些策略可通过与环境的交互学习进行动态调整；再次，联合考虑2种策略的协同作用，并制定将最大化任务服务比率作为目标的优化方案，从而满足不断提升的用户体验质量需求；最后，对真实车辆轨迹数据集进行仿真实验。结果表明，相较于当前具有代表性的3种方案（分别以随机卸载（RO）算法、D4PG （Distributed Distributional Deep Deterministic Policy Gradient）算法和MADDPG （Multi-Agent Deep Deterministic Policy Gradient）算法为任务卸载算法的方案）在3类场景下（普通场景、任务密集型场景和时延敏感型场景），所提方案的平均服务比率分别提高了20%、10%和29%以上，验证了该方案的优势和有效性。

针对因遮挡和自相似性导致的从单张RGB图像估计三维手部姿态不精确的问题，提出结合注意力机制和多尺度特征融合的三维手部姿态估计算法。首先，提出结合扩张卷积和CBAM （Convolutional Block Attention Module）注意力机制的感受强化模块（SEM），以替换沙漏网络（HGNet）中的基本块（Basicblock），在扩大感受野的同时增强对空间信息的敏感性，从而提高手部特征的提取能力；其次，设计一种结合SPCNet （Spatial Preserve and Content-aware Network）和Soft-Attention改进的多尺度信息融合模块SS-MIFM （SPCNet and Soft-attention-Multi-scale Information Fusion Module），在充分考虑空间内容感知机制的情况下，有效地聚合多级特征，并显著提高二维手部关键点检测的准确性；最后，利用2.5D姿态转换模块将二维姿态转换为三维姿态，从而避免二维关键点坐标直接回归计算三维姿态信息导致的空间丢失问题。实验结果表明，在InterHand2.6M数据集上，所提算法的双手关节点平均误差（MPJPE）、单手MPJPE和根节点平均误差（MRRPE）分别达到了12.32、9.96和29.57 mm；在RHD（Rendered Hand pose Dataset）上，与InterNet和QMGR-Net算法相比，所提算法的终点误差（EPE）分别降低了2.68和0.38 mm。以上结果说明了所提算法能够更准确地估计手部姿态，且在一些双手交互和遮挡的场景下有更高的鲁棒性。

个性化学习推荐是智慧教育领域的重要研究课题，它的核心目标是利用推荐算法和模型为学习者提供与他们的个人学习需求、兴趣、能力和历史相匹配的有效学习资源，从而提高学习者的学习效果。目前的推荐方法存在冷启动、数据稀疏、可解释性差和过度个性化等问题，而知识图谱与大语言模型的结合为解决上述问题提供了有力支持。首先，对个性化学习推荐的概念、研究现状等内容进行概述；其次，分别讨论知识图谱和大语言模型（LLM）的概念以及在个性化学习推荐中的具体应用；再次，总结知识图谱与LLM在个性化学习推荐中协同应用的方法；最后，展望知识图谱和LLM在个性化学习推荐中的未来发展方向，从而为个性化学习推荐领域的持续发展和创新实践提供借鉴和启示。

基于检索增强生成（RAG）的军事领域知识问答系统已经逐渐成为现代情报人员收集和分析情报的重要工具。针对目前RAG方法的应用策略中的混合检索存在可移植性不强以及非必要使用查询改写容易诱发语义漂移的问题，提出一种多策略检索增强生成（MSRAG）方法。首先，根据用户输入的查询特点自适应地匹配检索模型来召回相关文本；其次，利用文本过滤器提取出能够回答问题的关键文本片段；再次，使用文本过滤器进行内容有效性判断以启动基于同义词拓展的查询改写，并将初始查询与改写后的信息合并输入检索控制器以进行更有针对性的再次检索；最后，合并能够回答问题的关键文本片段和问题，并使用提示工程输入生成答案模型来生成响应返回给用户。实验结果表明，MSRAG方法在军事领域数据集（Military）和Medical数据集的ROUGE-L（Recall-Oriented Understudy for Gisting Evaluation Longest common subsequence）指标上相较于凸线性组合RAG方法分别提高了14.35和5.83个百分点。可见，MSRAG方法具备较强的通用性和可移植性，能够缓解非必要查询改写导致的语义漂移现象，有效帮助大模型生成更准确的答案。

针对自动国际疾病分类（ICD）编码中医学电子健康记录（EHR）的结构多样性以及编码间复杂的关联关系等特点，提出一种融合异构信息的自动ICD编码方法AIC-HI（Automatic ICD Coding integrating Heterogeneous Information）。首先，针对编码任务中结构化编码、半结构化描述、非结构化医学文本这3种异构数据的不同特性设计了多种特征提取器；其次，构建编码知识图谱拟合编码的层次结构关系，将不同分支间关联关系转化为包含头尾编码的三元组；再次，运用表征学习融合编码和描述信息计算标签特征；最后，通过注意力机制提取在非结构化文档中与编码标签最为相关的特征表示。实验结果表明，与次优的基线模型MARN（Multitask bAlanced and Recalibrated Network）相比，AIC-HI在真实临床数据集MIMIC-Ⅲ上所有编码的微观F1值提升了4.3个百分点。

关系抽取是梳理学科知识的重要手段以及构建教育知识图谱的重要步骤。在当前研究中，如BERT（Bidirectional Encoder Representations from Transformers）等以Transformer架构为基础的预训练语言模型多数存在参数量大、复杂度过高的问题，难以部署于终端设备，限制了在真实教育场景中的应用。此外，大多数传统的轻量级关系抽取模型并不是通过文本结构对数据进行建模，容易忽略实体间的结构信息；且生成的词嵌入向量难以捕捉文本的上下文特征、对一词多义问题解决能力差，难以契合学科知识文本非结构化以及专有名词占比大的特点，不利于高质量的关系抽取。针对上述问题，提出一种基于改进分段卷积神经网络（PCNN）和知识蒸馏（KD）的学科知识实体间关系抽取方法。首先，利用BERT生成高质量的领域文本词向量，改进PCNN模型的输入层，从而有效捕捉文本上下文特征并在一定程度上解决一词多义问题；其次，利用卷积和分段最大池化操作深入挖掘实体间结构信息，构建BERT-PCNN模型，实现高质量的关系抽取；最后，考虑到教育场景对高效且轻量化模型的需求，蒸馏BERT-PCNN模型输出层和中间层知识，用于指导PCNN模型，完成KD-PCNN模型的构建。实验结果表明，BERT-PCNN模型的加权平均F1值达到94%，相较于R-BERT和EC_BERT模型分别提升了1和2个百分点；KD-PCNN模型的加权平均F1值达到92%，与EC_BERT模型持平；参数量相较于BERT-PCNN、KD-RB-l模型下降了3个数量级。可见，所提方法能在性能评价指标和网络参数量之间更好地权衡，有利于教育知识图谱自动化构建水平的提高和新型教育应用的研发与部署。

针对现有红外与可见光图像融合模型在融合过程中忽略光照因素、使用常规的融合策略，导致融合结果存在细节信息丢失、显著信息不明显等问题，提出一种基于光照权重分配和注意力的红外与可见光图像融合深度学习模型。首先，设计光照权重分配网络（IWA-Net）来估计光照分布并计算光照权重；其次，引入CM-L1范式融合策略提高像素之间的依赖关系，完成对显著特征的平滑处理；最后，由全卷积层构成解码网络，完成对融合图像的重构。在公开数据集上的融合实验结果表明，所提模型相较于对比模型，所选六种评价指标均有所提高，其中空间频率（SF）和互信息（MI）指标分别平均提高了45%和41%，有效减少边缘模糊，使融合图像具有较高的清晰度和对比度。该模型的融合结果在主客观方面均优于其他对比模型。

针对在复杂场景下对弱纹理目标位姿估计的准确性和实时性问题，提出基于筛选学习网络的六自由度（6D）目标位姿估计算法。首先，将标准卷积替换为蓝图可分离卷积（BSConv）以减少模型参数，并使用GeLU（Gaussian error Linear Unit）激活函数，能够更好地逼近正态分布，以提高网络模型的性能；其次，提出上采样筛选编码信息模块（UFAEM），弥补了上采样关键信息丢失的缺陷；最后，提出一种全局注意力机制（GAM），增加上下文信息，更有效地提取输入特征图的信息。在公开数据集LineMOD、YCB-Video和Occlusion LineMOD上测试，实验结果表明，所提算法在网络参数大幅度减少的同时提升了精度。所提算法网络参数量减少近3/4，采用ADD（-S） metric指标，在lineMOD数据集下较Dual-Stream算法精度提升约1.2个百分点，在YCB-Video数据集下较DenseFusion算法精度提升约5.2个百分点，在Occlusion LineMOD数据集下较像素投票网络（PVNet）算法精度提升约6.6个百分点。通过实验结果可知，所提算法对弱纹理目标位姿估计具有较好的效果，对遮挡物体位姿估计具有一定的鲁棒性。

节点表示学习将图结构数据信息编码到低维的潜在空间中，在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中，节点与节点之间不仅存在直接相连的低阶结构，也存在以特殊连接模式形成的高阶结构，称为模体。提出一种融合二连通模体结构信息的节点分类算法（FMI），利用节点间高阶二连通模体信息学习节点表示，完成节点分类任务。首先，统计网络中的二连通模体，利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样；构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系，对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务，与5种经典基准算法进行对比，所提算法FMI在准确度和F1-分数等指标上表现良好。

进化多任务优化（EMTO）是进化计算中一种新型方法，它可以同时解决多个相关的优化任务，并通过任务之间的知识转移增强每个任务的优化。近年来，越来越多的进化多任务优化相关研究致力于利用它强大的并行搜索能力和降低计算成本的潜力优化各种问题，并且EMTO已应用于各种各样的实际场景当中。从EMTO的原理、核心设计、应用以及挑战四个方面对EMTO的算法及应用进行了讨论。首先介绍了EMTO的大致分类，分别从两个层次、四个方面介绍，包括单种群多任务、多种群多任务、辅助任务形式以及多形式任务形式；其次介绍EMTO的核心组件设计，包括任务构建以及知识转移；最后对它的各种应用场景进行介绍，并对今后研究做了总结与展望。

随着遥感技术的不断发展，遥感数据呈现出海量增多的趋势，如何提供精准及时的遥感信息推荐服务成为亟待解决的问题。现有的遥感图像推荐算法大多针对用户画像进行设计，忽视了图像内容的语义信息对推荐结果的影响。针对上述问题，提出一种基于内容解译的遥感图像推荐方法。首先，通过基于YOLOv3的目标检测模块对遥感图像进行目标提取；然后，整合关键目标的位置分布向量作为图像内容信息；同时，构建多元素的用户兴趣画像，并根据用户主动搜索历史进行动态调整，以提高推荐结果的个性化程度；最后，将图像内容信息与图像自带属性信息、用户画像模型进行匹配，实现遥感数据的精准智能推荐。在真实订单数据上与较新的仅基于图像属性信息的推荐方法进行对比实验，实验结果表明，所提方法在实验数据上取得的正负样本区分度比考虑用户画像的推荐方法提高了70%；在耗时基本相近的情况下，在使用10%训练数据时，推荐错误率与对比方法相比下降了4.0~5.6个百分点，而在使用100%训练数据时推荐错误率则下降了0.6~1.0个百分点，验证了所提方法的可行性与有效性。

针对无人机（UAV）机载健康状态监测领域的UAV飞行数据异常检测问题，首先阐述了UAV飞行数据的特点、常见的飞行数据异常类型及对异常检测算法的要求；然后梳理了UAV飞行数据异常检测算法的研究现状，并归为3大类：基于先验知识的定性异常检测算法、基于模型的定量异常检测算法和基于数据驱动的异常检测算法，同时分析了各类算法的应用场景和优缺点；最后总结了UAV飞行数据异常检测算法目前存在的问题和挑战，展望了未来UAV飞行数据异常检测领域的重点发展方向，为新的研究提供了参考思路。

卷积神经网络（CNN）已成功用于敦煌古壁画的朝代分类。针对敦煌壁画的数据量有限，采用某些数据增强方法对训练集进行扩充时反而会降低预测准确率的问题，提出了一种基于注意力机制和迁移学习的残差网络（ResNet）模型。首先，改进了残差网络的残差连接方式；然后，使用极化自注意力（POSA）模块帮助网络模型提取图像的边缘局部细节特征和全局轮廓特征，增强网络模型在小样本环境下的学习能力；最后，改进分类器的算法，提高网络模型的分类性能。实验结果表明，所提模型在敦煌壁画DH1926小样本数据集上，取得了98.05%的朝代分类准确率，与标准的ResNet20网络模型相比，所提模型的朝代识别准确率提高了5.21个百分点。

现有图像描述生成方法仅考虑网格的空间位置特征，网格特征交互不足，并且未充分利用图像的全局特征。为生成更高质量的图像描述，提出一种基于图注意力网络（GAT）的全局图像描述生成方法。首先，利用多层卷积神经网络（CNN）进行视觉编码，提取给定图像的网格特征和整幅图像特征，并构建网格特征交互图；然后，通过GAT将特征提取问题转化成节点分类问题，包括一个全局节点和多个局部节点，更新优化后可以充分利用全局和局部特征；最后，基于Transformer的解码模块利用改进的视觉特征生成图像描述。在Microsoft COCO数据集上的实验结果表明，所提方法能有效捕捉图像的全局和局部特征，在CIDEr（Consensus-based Image Description Evaluation）指标上达到了133.1%。可见基于GAT的全局图像描述生成方法能有效提高文字描述图像的准确度，从而可以使用文字对图像进行分类、检索、分析等处理。

针对目前公路路面裂缝种类和尺度多样导致路面病害检测困难的问题，提出一种基于GhostNet的轻量化无人机图像裂缝检测方法检测不同种类路面裂缝。首先，引入轻量级GhostNet中的Ghost模块优化YOLOv4主干特征提取网络，得到轻量化模型YOLOv4-Light，以降低模型复杂度，并提高裂缝检测速度；然后，在模型预测输出端融合高效通道注意力（ECA）机制，从而进一步增强裂缝特征提取能力，提高裂缝检测精度。仿真实验结果表明，所提方法与现有的YOLOv4相比，模型大小降低了82.31%，模型参数量减少了82.56%，并提高了裂缝检测效率，能够满足公路运输过程中出现的不同类型的裂缝检测需求。

情感分析能从用户言论中快速准确地挖掘用户的情感倾向，有着极大的应用市场。针对微博语言语法结构复杂多样的特性，提出了一种基于语法依存结构的图卷积神经网络（SGCN）模型对中文微博进行细粒度的情感分类。所提模型兼具结构表达和语义表达丰富的特点：基于词语间的依赖关系构建文本图，并通过点互信息（PMI）量化词语间的相关程度，作为相应边的权重以充分表现句子的结构信息；将融合位置信息的语义特征作为节点的初始特征，增加文本图中点的语义特征。为了验证所提模型的性能，在SMP2020（Social Media Processing 2020）微博情感分类数据集上，对两组包含开心、悲伤、愤怒、恐惧、惊讶和无情绪的6类微博情感数据进行了分析。实验结果表明，所提模型的平均F1分数可达到72.64%，相较于BERT（Bidirectional Encoder Representations from Transformers）词向量特征图卷积网络（BGCN）模型和文本级图神经网络（Text-Level-GNN）模型分别提高了2.75和3.87个百分点，验证了所提模型能更有效地利用句子的结构信息，提升模型的分类性能。

为加强混沌系统在通信链路的抗干扰和抗截获等性能，提高混沌系统性态的复杂度，基于典型蔡氏电路和阶梯函数，构造了一类数量可控的新型网格多涡卷混沌系统族。首先利用两组阶梯函数作为系统的非线性控制器，分别控制网格多涡卷混沌吸引子的奇偶列数和排列行数，并保持混沌吸引子中涡卷与键带的相互间置，以实现网格多涡卷的任意奇偶列数；然后对系统的平衡点、李雅普诺夫指数和吸引子等动力学特性进行理论分析和数值仿真实现；最后通过现场可编程门阵列（FPGA）给出最多4行12列网格多涡卷的硬件实验结果。软硬件实验结果和理论分析结果完全一致，进一步验证了所提系统的物理可实现性。

已有跌倒检测工作主要关注室内场景，且大多偏重对人员身体姿态特征进行建模，而忽略了场景背景信息以及人员与地面的交互信息。针对这个问题，从实际电梯场景应用入手，提出一种基于场景先验及注意力引导的跌倒检测算法。首先，利用电梯历史数据，以高斯概率分布建模的方式从人员的活动轨迹中自动化地学习场景先验信息；随后，把场景先验信息作为空间注意力掩膜与神经网络的全局特征融合，以此聚焦地面区域的局部信息；然后，将融合后的局部特征与全局特征采用自适应加权的方式进一步聚合，从而形成更具鲁棒性和判别力的特征；最后，将特征送入由全局平均池化层和全连接层构成的分类模块中进行跌倒类别预测。在自构建的电梯场景Elevator Fall Detection和公开的UR Fall Detection数据集上的实验结果表明，所提算法的检测准确率分别达到了95.36%和99.01%，相较于网络结构复杂的ResNet50算法，分别提高了3.52个百分点和0.61个百分点。可见所构建的高斯场景先验引导的注意力机制可使网络关注地面区域的特征，更有利于对跌倒的识别，由此得到的检测模型准确率高且算法满足实时性应用要求。

环签名具有自发性和匿名性，被广泛用于解决用户身份和数据隐私泄露问题；而无证书公钥密码体制不仅可以解决密钥托管问题，还不需要公钥证书的管理；无证书环签名则结合了上述两者的优点，具有广泛的研究意义，但现有大多数无证书环签名方案基于双线性配对运算和模指数运算，计算成本高、效率低。为了提高签名阶段和验证阶段的效率，提出一种新的基于椭圆曲线的高效无证书环签名（ECL-RS）方案，使用了计算代价低、安全性高、灵活性好的椭圆曲线。该方案的安全性规约为离散对数困难问题和Diffie-Hellman问题，且在随机预言机模型（ROM）下证明了它能够抵抗公钥替换攻击和恶意密钥生成中心攻击，具有不可伪造性和匿名性。性能分析表明，ECL-RS方案只需（n+2）（n表示为环成员个数）次椭圆曲线标量乘法和标量加法运算，以及（n+3）次单向哈希运算，在保证安全的情况下具有较低的计算代价和更高的效率。

随着移动设备和新兴移动应用的广泛使用，移动网络中流量的指数级增长所引发的网络拥塞、时延较大、用户体验质量差等问题无法满足移动用户的需求。边缘缓存技术通过对网络热点内容的复用，能极大缓解无线网络的传输压力；同时，该技术减少用户请求的网络时延，进而改善用户的网络体验，已经成为面向5G/Beyond 5G的移动边缘计算（MEC）中的关键性技术之一。围绕移动边缘缓存技术，首先介绍了移动边缘缓存的应用场景、主要特性、执行过程和评价指标；其次，对以低时延高能效、低时延高命中率及最大化收益为优化目标的边缘缓存策略进行了分析和对比，并总结出各自的关键研究点；然后，阐述了支持5G的MEC服务器的部署，并在此基础上分析了5G网络中的绿色移动感知缓存策略和5G异构蜂窝网络中的缓存策略；最后，从安全、移动感知缓存、基于强化学习的边缘缓存、基于联邦学习的边缘缓存以及Beyond 5G/6G网络的边缘缓存等几个方面讨论了边缘缓存策略的研究挑战和未来发展方向。

为了解决车辆重识别过程中因车辆特征图分块所导致的空间信息丢失问题，提出一种联合条纹特征之间关系的模块以弥补丢失的空间信息。首先，针对车辆特殊的物理结构，构建了一种双分支神经网络模型，对输出的特征图进行水平和垂直均等分割并在不同的神经网络分支上进行训练；然后，设计多激活值模块以减少噪声并丰富特征图信息；接着，使用三元组和交叉熵损失函数对不同的特征进行监督训练以约束类内距离并扩大类间距离；最后，设计批量归一化（BN）模块消除不同损失函数在优化方向上存在的差异，从而加速模型的收敛。使用所提方法在VeRi-776和VehicleID两个公共数据集上进行实验，结果表明该方法的Rank1值优于现有最好的方法VehicleNet，验证了其有效性。

为有效分析航空自组网（AANET）中节点失效对整个网络造成的影响，并提高网络在发生安全事件之后的稳定性，提出一种面向AANET的节点失效波及影响分析模型。首先，根据AANET的主要业务建立有向加权业务网络，基于实时AANET建立以各类航空器为节点的无向加权物理网络，并通过业务-物理网络映射关系建立相依网络模型；其次，提出面向AANET的失效传播模型，分析网络节点状态及其之间的相互转换方式；最后，基于链路生存性改进失效流量再分配算法，并将其应用于构建的相依网络模型上，得到因节点失效波及反应转化成失效节点和业务降级节点的集合，并将其用于分析网络各时刻的波及影响情况。实验结果表明，所提出的模型能更准确反映AANET节点失效波及影响情况。

直觉模糊K-modes（IFKM）算法在聚类过程中采用简单0-1匹配相似性度量，既无法有效刻画类内数据对象之间的相似性，也未体现不同属性在聚类过程中的贡献程度；此外，IFKM算法在聚类的每一次迭代中直接根据直觉模糊隶属度矩阵来确定数据对象所属类别，没有充分发挥直觉模糊思想的作用。为了解决这两个问题，提出一种迭代IFKM （IIFKM）算法。首先，基于直觉模糊熵（IFE）与直觉模糊集（IFS）定义了一种加权的直觉模糊隶属度相似性度量；其次，将直觉模糊隶属度矩阵作为迭代信息贯穿于整个聚类过程，使算法中的直觉模糊思想得到充分体现。在UCI数据库的5个数据集上进行的实验结果表明，与IFKM算法相比，IIFKM算法在分类正确率和召回率方面提升了7%~11%，在分类精度方面也有一定提升。

针对已有的混合负载（HTAP）下物化视图异步增量维护任务生成算法主要面向多记录，无法面向单记录生成HTAP物化视图异步增量维护任务，导致磁盘IO开销的增加，进而降低HTAP物化视图异步增量维护性能的问题，提出面向单记录的HTAP物化视图异步增量维护任务的生成方法。首先，建立面向单记录的HTAP物化视图异步增量维护任务生成的效益模型；然后，基于Q-learning设计面向单记录的HTAP物化视图异步增量维护任务的生成算法。实验结果表明，所提算法在实现面向单记录生成HTAP物化视图异步增量维护任务的基础上，将平均每秒读写操作次数（IOPS）、平均CPU利用率（2核）和平均CPU利用率（4核）至少分别降低了8.49次、1.85个百分点和0.97个百分点。

针对外集卡到达时间的不确定性，提出自动堆垛起重机（ASC）作业序列的动态优化，从而以减少ASC作业完成时间以及ASC和外集卡等待时间为目的，提高自动化集装箱码头堆场的作业效率。首先，结合混堆模式下集装箱作业类型与外集卡动态到达的特点，提出ASC动态匹配外集卡作业任务的策略；其次，构建ASC作业时间最短与ASC和外集卡等待时间最短的多目标模型；最后，设计基于动态规则的非支配排序遗传算法Ⅱ （DRNSGA Ⅱ）作为求解算法。在小规模算例实验中，分别运用DRNSGA Ⅱ与遗传算法（GA）求解动态策略和随机策略下的ASC作业问题。实验结果表明，DRNSGA Ⅱ求解的动态策略下目标函数值优于随机策略28.2%，并且动态策略下DRNSGA Ⅱ的求解结果优于遗传算法23.3%。在大规模算例实验中，比较了DRNSGA Ⅱ与多目标粒子群优化（MOPSO）两种算法的性能。实验结果表明DRNSGA Ⅱ的求解结果优于MOPSO算法6.7%。可见DRNSGA Ⅱ能够快速生成多样化的非支配解，为混堆模式下的ASC动态作业提供决策支持。

当前的事件检测模型严重依赖于人工标注的数据，在标注数据规模有限的情况下，事件检测任务中基于完全监督方法的深度学习模型经常会出现过拟合的问题，而基于弱监督学习的使用自动标注数据代替耗时的人工标注数据的方法又常常依赖于复杂的预定义规则。为了解决上述问题，就中文事件检测任务提出了一种基于BERT的混合文本对抗训练（BMAD）方法。所提方法基于数据增强和对抗学习设定了弱监督学习场景，并采用跨度抽取模型来完成事件检测任务。首先，为改善数据不足的问题，采用回译、Mix-Text等数据增强方法来增强数据并为事件检测任务创建弱监督学习场景；然后，使用一种对抗训练机制进行噪声学习，力求最大限度地生成近似真实样本的生成样本，并最终提高整个模型的鲁棒性。在广泛使用的真实数据集自动文档抽取（ACE）2005上进行实验，结果表明相较于NPN、TLNN、HCBNN等算法，所提方法在F1分数上获取了至少0.84个百分点的提升。