研究了服务率不确定情况下的单站点传送带给料加工站(CSPS)系统的鲁棒优化控制问题。在仅知服务率区间的条件下,以CSPS系统的前视距离作为控制变量,将鲁棒优化控制问题建模成不确定参数的半马尔可夫决策过程(SMDP)的极大极小优化问题,在状态相关的情况下,给出全局优化算法进行鲁棒控制策略求解。首先,运用遗传算法求解固定策略下的最差性能值;其次,根据求解得到的最差性能值,运用模拟退火算法求解最优鲁棒控制策略。仿真结果表明,服务率不确定的CSPS系统的最优鲁棒性能代价与服务率固定为区间中值系统的最优性能代价相差不大,并且随着不确定区间的缩小,两者的差值越小,说明了全局优化算法的有效性。

VIA(VirtualInterfaceArchitecture)是用户级集群通信工业标准。对VIA做了扩展,将其引入到网络存储领域,实现了内核级VIA,并且在Linux系统平台上进行了测试。和用户级VIA相比,内核级VIA全面提高了存储系统节点和服务器间通信性能。尤其是对于 512字节以下小数据包,延迟至少降低 30%。

企业风险监测是维护区域经济稳定的重要保障。然而，经济数据结构复杂、逻辑关联多样，且涉及企业敏感信息，导致异构数据的获取与融合在风险分析中面临诸多挑战。此外，部分存在经营风险的企业可能谎报数据，这一行为严重削弱了风险识别的准确性和可靠性。为此，提出一种新的风险小样本学习方法——基于大语言模型的知识图谱对比学习（KGCLM）方法。首先，构建全面的企业风险知识图谱，涵盖风险事件、风险因子等多维语义信息，以全面刻画企业风险特征；其次，利用大语言模型（LLM）对风险知识进行词向量语义增强，从而一定程度上解决风险数据稀疏的问题，提升模型的语义理解能力；然后，设计异构图神经网络（GNN）模型对跨模态风险数据（包括企业注册、投资、司法、舆情等）进行统一建模和表征学习，实现多源异构数据的有效融合；最后，引入对比学习机制，通过构建正负样本对提升模型对相似样本的一致性表示能力和对不同样本的区分能力，显著增强模型在面对谎报数据时的鲁棒性。在中小企业风险数据集（SERD）和中国上市公司风险数据集（CERD）上的实验结果表明，KGCLM在准确率和各类F1分数均显著优于对比实验中的基线模型。在SERD上，KGCLM的准确率达到了90.37%；在CERD上，KGCLM的准确率为74.51%，验证了所提方法在处理数据稀缺和欺骗性数据干扰方面的优越性能。