关键词： 配电系统   电压控制   拓扑变化   深度强化学习   降维注意力   长时特征提取  

摘要： 随着间歇性分布式发电渗透率不断提高，电压越限等问题出现得更加频繁，且现有的电压控制方法无法有效考虑配电系统拓扑变化。提出一种考虑配电系统拓扑变化的电压控制深度强化学习方法。考虑到配电系统运行状态复杂多样和通信成本等问题，将电压控制问题建模为分布式部分可观测马尔可夫决策过程；以降维注意力网络为基础，构建长时特征提取网络，增强智能体对长时间序列的特征提取能力，其自注意力机制可使智能体有效感知配电系统的拓扑变化；为保证智能体学习到安全的控制策略，将迭代投影法作为安全校验机制加入策略网络中。以改进的IEEE 141节点配电系统为例，对所提方法的有效性和鲁棒性进行验证。

关键词： 柔性作业车间调度问题   深度强化学习   图注意力网络   注意力机制  

摘要： 柔性作业车间调度问题作为作业车间调度问题的一种变体，因其广泛的适用性成为现代制造业智能化转型中的重要研究内容。近年来，深度强化学习被用于求解柔性作业车间调度问题，然而，允许将操作分配给具有不同处理时间的多台兼容机器的特点给决策和状态表示带来了额外的复杂性。本文提出了一种基于改进的注意力机制和近端策略优化算法的端到端深度强化学习框架以解决柔性作业车间调度问题。基于异构析取图结构的特点，设计了一种基于分层注意力思想的双层注意力网络，包括节点级注意力层与类型级注意力层，充分提取操作与机器间的复杂信息，以支持高质量的调度决策。在合成数据集和公开数据集上的实验结果表明，所提出的方法在保持高效率的同时，性能和泛化能力均优于传统的优先调度规则方法和目前先进的深度强化学习方法。

关键词： 桥梁管养   智能体   强化学习   路网级桥梁   全寿命期   维养优化  

摘要： 为制定低碳可持续的路网级桥梁全寿命期维养策略,提升环境、经济与安全综合效益,本研究提出一种基于深度确定性策略梯度(DDPG)强化学习的优化方法。该方法结合桥梁结构特征、网络拓扑、交通数据以及风险态度,构建强化学习智能体,系统性优化桥梁维养决策。环境、经济和安全指标的评估综合考虑资源消耗、潜在结构失效引发的后果及车辆绕行的影响等,量化了桥梁维养对可持续性能的贡献。构建强化学习的奖励函数时,将可持续性指标转化为单调递减的效用值,以反映优化过程中的偏好与约束;基于强化学习框架,设计了包含深度神经网络的DDPG智能体,利用路网级桥梁的结构退化特征和交通数据进行试错学习,从而逐步优化维养决策策略。经过验证结果表明,本研究构建的强化学习方法在环境、经济和安全指标之间取得了更优的平衡,智能体通过试错学习捕捉了桥梁性能变化特征,有效优化了维养优先级和资源分配策略,为提升基础设施管理的智能化与可持续性提供了科学依据。

关键词： 深度学习   复合极端风雨事件   CMIP6   中国东部沿海地区  

摘要： 相对于单一极端天气气候事件，由极端强风和极端降水造成的复合极端风雨事件（Compound wind and precipitation extremes, CWPE）对沿海地区的经济和人民生活造成巨大的影响。本文利用第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6, CMIP6）中17个模式模拟1961-2000年中国东部沿海地区CWPE作为训练集，采用多层感知机神经网络建立深度学习（Deep Learning, DL）模型。通过构建适用于CWPE损失函数的方式对模型进行优化，发展适用于降低CMIP6模式对CWPE模拟偏差和不确定性的DL模型。研究结果表明，大多数CMIP6模式对中国东部沿海地区CWPE有较好的模拟能力，其中多模式集合平均值（Multi-Model Ensemble Mean, MME-Mean）和多模式集合中位数（Multi-Model Ensemble Median, MME-Median）的结果相对于单一模式的评估表现更好。以均方误差（Mean Squared Error, MSE）函数作为损失函数构建的DL模型，在泰勒技巧评分（Taylor Skill Score, TS）和均方根误差（Root Mean Squared Error, RMSE）评分上的表现不如多模式集合统计结果。在MSE损失函数基础上加入气候评估指标中的标准差之比（Ratio of the Standard Deviation, RSD）和构建的低估值约束函数，可以有效提高DL模型在TS和RMSE评分上的表现。因此，将由MSE、 RSD以及低估值约束函数构建的加权损失函数训练的DL模型定义为DL-MRM，仅以MSE作为损失函数训练的DL模型定义为DL-MSE。对比分析2001-2014年间两个DL模型对中国东部沿海CWPE模拟表现以及DLMRM相对于多模式集合方法的表现得出：（1）两个DL模型模拟结果均表现低估，但DL-MRM的偏差相比于DL-MSE更低且更接近观测，其中在研究区域内DL-MRM的相对偏差低于DL-MSE的面积约为63%，且相对偏差平均降低了约20%;(2)DL-MRM相较于MME-Mean和MME-Median，整体偏差较低，其模拟结果更接近观测，在研究区域内DL-MRM的相对偏差较低的面积占比分别为67%和62%，且相对偏差分别平均降低约10%和20%。总体而言，通过融合RSD和低估值约束函数构建加权损失函数的方式对模型进行优化，建立了适用于提高CMIP6模式模拟CWPE能力的DL模型，并表明结合深度学习方法相对于传统多模式集合方法能更有效地降低CMIP6模式模拟CWPE的偏差。

关键词： CO   腐蚀   13Cr   机器学习   决策树   腐蚀速率预测  

摘要： CO2腐蚀井下管材现象普遍存在，目前对于气相CO2环境下的13Cr管材腐蚀速率缺少适用的预测方法。针对该问题，研究了含Cr管材抗腐蚀机理及影响因素。基于正交试验法明确了各腐蚀因素影响13Cr管材腐蚀速率的重要性。基于机器学习方法，建立了管材腐蚀速率预测模型。采用Python语言编制了BP神经网络、决策树、随机森林以及支持向量机等4种机器学习模型，以室内数据为数据集进行腐蚀速率模型优选。结果标明，13Cr管材在气相CO2中表现为匀速腐蚀，腐蚀速率为0.0122 mm/a～0.0361 mm/a。与室内结果相比，决策树模型预测结果准确度可达到85.1%。采用现场实际应用套管剩余壁厚对所建模型进行验证，准确率在80%以上。所建立的预测方法可推广应用至相近腐蚀条件下的管材腐蚀速率预测。

关键词： 隐私政策   提示学习   知识融入   合规性分析  

摘要： 【目的】在数字化转型和移动互联网快速发展的背景下，隐私政策合规性分析已成为关键议题。以往的自动化分析方法主要关注隐私政策的完整性，忽略了分析隐私政策的一致性。同时，这些方法需要大量的标注样本，限制了其使用场景。本文致力于提出一种兼顾完整性和一致性、且不需要标注样本的自动化隐私政策合规性分析方法。【方法】首先，根据《个人信息保护法》等相关法规标准，从完整性和一致性两个角度构建了隐私政策合规性评价体系。基于此，提出了一种知识融入的提示学习模型KIPL（Knowledge-Integrated Prompt Learning），通过领域知识微调预训练语言模型并构建提示模板，使其能够在零样本条件下自动分析隐私政策的合规性。最后运用模型分析了小米应用商店14个领域的APP隐私政策合规性。【结果】实验结果表明，KIPL在领域数据集上的准确性、召回率上均较对比方法提升3%以上。通过分析14个领域的隐私政策，本文揭示了各领域在隐私保护上的不足之处，尤其在儿童隐私、数据安全等方面的合规性差异。【局限】当前测评样本数据量较小。【结论】KIPL模型通过结合完整性和一致性分析，实现了零样本场景下的自动化隐私政策合规性分析，在提升分析效果的同时降低了使用成本。实证研究不仅可以为APP运营商提供明确的改进方向，帮助其优化隐私政策内容，还能为政府监管部门提供全面的合规性数据支持，推动行业标准的统一和改进。

关键词： 真空紫外过硫酸盐   有机物激发   污染物降解   机器学习   高阶激发态  

摘要： 真空紫外过硫酸盐（VUV/PS）体系中更快速的污染物降解一直被认为是UV185高效激发H2O和PS的结果，而忽略了UV185对污染物的直接激发，从而低估了UV185在污染物降解方面的贡献。结合机器学习与DFT计算，从数据分析角度对VUV/PS体系中UV185的作用机理进行探究。首先，通过DFT计算获得了30种有机污染物的基态和激发态分子描述符作为输入参数，并利用随机森林模型将其分别与污染物在不同体系中的降解动力学常数和矿化率作为输出参数进行建模，通过观察不同输入参数下模型拟合度的变化对分子描述符进行筛选，保留与输出参数相关性高的描述符，最后通过Shapley加性解释方法（SHAP）分析各模型中贡献度最高的几种输入参数，进而对反应机理进行推测。结果表明，相比于UV体系，VUV体系中S1激发态描述符与亲核反应相关描述符的贡献度出现了明显提高，表明UV185是通过将污染物激发至反应活性更高的S1态，而后以促进光解和亲核反应的机制加快污染物的降解与矿化过程。

关键词： 联邦学习   数据异构   个性化联邦学习   模型预分配   自蒸馏  

摘要： 联邦学习(FL)是一种分布式机器学习方法，利用分布式数据进行模型训练，但在高度异构的数据分布中表现不佳；个性化联邦学习(PFL)通过为每个客户端提供个性化模型来解决这一问题。然而，以往的PFL算法主要侧重于客户端本地模型的优化，而忽略了服务器端的全局模型，服务器计算资源没有得到充分利用。针对上述局限性，提出基于模型预分配与自蒸馏的个性化联邦学习方法 FedPASD。FedPASD从服务器端和客户端两方面入手：在服务器端对下一轮客户端模型有针对性地预先分配，这样不仅能提高模型个性化性能，还能有效利用服务器的计算能力；在客户端，模型经过分层训练，并通过模型自蒸馏微调更好地适应本地数据分布的特点。在CIFAR-10、Fashion-MNIST和CIFAR-100三个数据集上，对FedPASD与FedCP、FedPAC、FedALA等典型算法进行了对比实验，实验结果表明：FedPASD在不同异构设置下的测试准确率都高于FedALA等基准算法，在CIFAR-100数据集上较传统FL算法提升30个百分点，较PFL算法提升2.42到5.92个百分点，在CIFAR-10数据集上最高可达88.54%测试准确率。

关键词： 脓毒症   脓毒症相关肝损伤   机器学习算法   预测模型   分类回归树   随机森林   支持向量机   朴素贝叶斯  

摘要： 目的分析脓毒症相关肝损伤(SRLI)患者的预后,并使用8种机器学习方法建立脓毒症患者入住ICU后发生SRLI的预测模型。方法纳入MIMIC-IV数据库中满足脓毒症诊断标准且无肝脏、胆系基础疾病的患者。根据肝酶≥5倍正常值上限(ULN)或胆红素≥2.0 mg/dL将患者分为SRLI组和非SRLI组。采用卡方检验、多因素Logistics回归分析及倾向性评分匹配法分析2组患者死亡风险。采用8种机器学习算法[Logistics回归、分类回归树(CART)、随机森林(RF)、支持向量机(SVM)、K-近邻(K-NN)、朴素贝叶斯(NBM)、极端梯度提升(XGBoost)、梯度提升树(GBDT)]构建SRLI预测模型并进行验证。结果卡方检验(P<0.001)、多因素Logistics回归分析(P<0.05)、倾向性评分匹配分析后Log-rank(P<0.05)均显示SRLI增加患者死亡风险。SRLI预测模型中,RF算法的曲线下面积(AUC)最高为0.866,其后依次是GBDT(AUC=0.862)、Logistics回归(AUC=0.859)、SVM(AUC=0.837)、NBM(AUC=0.830)、CART(AUC=0.771)、XGBoost(AUC=0.764)、K-NN(AUC=0.722)。结论SRLI增加患者死亡风险。RF算法构建预测模型有较高的诊断价值。

关键词： 渗透学习   中华优秀传统文化   自相矛盾   课堂实录  

摘要： 陈晓艳系嘉兴市名师,华东六省一市(山东、安徽、江苏、浙江、福建、江西、上海)课堂教学展评一等奖获得者。《自相矛盾》一课在第七届华东六省一市小学语文教学观摩研讨活动中作课堂展示。授课对象为江西科技学院附属小学五(3)班学生。此次活动由华东六省一市小语会主办。