• 注意力优先的经验回放及其在自动驾驶汽车中的应用：从更具信息量的经验中学习有助于提升训练质量

  摘要：深度强化学习（DRL）作为解决自动驾驶汽车控制相关联任务的一种强大方法而脱颖而出。为了严格执行控制任务，DRL模型不可避免地依赖于高质量的观测数据，而这又使得这些模型的训练在计算上非常昂贵。因此，提高DRL模型的训练效率至关重要，尤其是对于面临复杂驾驶场景的自动驾驶汽车而言。本文提出了一种基于注意力的新型目标采样方法，以改进深度Q网络的训练。具体来说，我们采用了一种具有多头注意力机制的卷积神经网络架构，来增强智能体对场景中显著对象的关注。该工作的贡献在于构建了一种基于智能体每个经验所获得注意力水平的评分机制。通过利用每个经验元组中的当前状态和下一个状态，所构建的评分鼓励智能体在训练中尝试

  来源：IEEE Systems, Man, and Cybernetics Magazine

  时间：2025-11-21

• 在执行器故障和DoS攻击下，基于数据的迭代学习簇共识控制用于非线性多智能体系统（MASs）

  摘要：本文探讨了在执行器故障和拒绝服务（DoS）攻击下，可重复的非线性多智能体系统的弹性容错集群共识控制问题。为了规避未知的智能体动态行为并利用先前的运行数据，通过局部动态线性化技术，在迭代域内建立了包含故障信息的智能体数据映射。在网络层，假设随机DoS攻击遵循伯努利分布，并引入了反向攻击补偿机制。在物理层，基于改进的投影算法构建了一种自适应的执行器故障补偿策略。在该设计中，提出了一种数据驱动的容错和抗入侵迭代学习控制（FTIT-ILC）方法，以确保双重保障。该方法의 收敛性分析条件基于不可约子随机矩阵的性质。最后，实验验证了FTIT-ILC方法的有效性。引言近年来，多智能体系统（MASs）在

  来源：IEEE Systems Journal

  时间：2025-11-21

• 稻谷效应以及消息大小和错误对网络控制系统的影响

  摘要：近年来，人们越来越关注网络控制系统（NCSs）或多智能体系统（MASs）中通信与控制交互作用的研究。尽管已有大量关于这些交互作用的研究，但大多数研究都过于简化且理想化了。因此，需要更深入、更实际的研究来探讨控制系统中的通信问题。我们的研究旨在探讨通信网络对控制系统的实际影响。我们对NCSs的结构进行了通用开销分析，并设计了一种基于快递服务的成本图表，称为E-Chart，用于表示控制消息的大小。我们发现快递服务中存在一种称为“米粒效应”的现象，即运送一粒米与运送两粒米的成本相同。我们将这一现象应用于控制开销分析和E-Chart中。我们展示了在不同消息大小和压缩比率下的E-Chart结果及开

  来源：IEEE Systems Journal

  时间：2025-11-21

• 基于合作博弈的分布式最优同步控制：离散时间多智能体系统中通过多步分布式值迭代实现

  摘要：分布式策略迭代（DPI）和分布式价值迭代（DVI）是分布式强化学习（DRL）中的两种主要算法，用于解决由分布式协作共识控制派生的分布式协作博弈（DCG）问题。DPI的收敛速度较快，但初始控制策略必须是可行的。DVI算法避免了DPI算法的缺点，但其收敛速度较慢。为了找到一种方法来平衡DPI算法和DVI算法，以解决离散时间线性（DTL）多智能体系统（MASs）中的DCG问题，本文提出了一种基于模型的多步DVI RL算法。首先，将一般DTL MASs中的分布式领导者-追随者跟踪控制问题转化为DCG问题，并利用所提出的算法求解贝尔曼方程得到DCG的纳什均衡解。然后，在分析DVI和DPI算法的基础

  来源：IEEE Systems Journal

  时间：2025-11-21

• 系统目标战斗功能网络的复合损伤指数

  摘要：现代战争已经演变为不同作战系统之间的对抗。确定对系统目标（Systematic Targets，简称STs）的损害程度对于有效的决策和作战规划至关重要。系统目标中的各个组成部分具有各自的功能，这些功能相互协作以完成任务。通过将各组成部分的功能抽象为节点、将功能之间的关系抽象为边，可以将系统目标抽象为一个作战功能网络。不同功能之间的协作行为在“效能循环模型”（Efficacy Loop Model）中得到描述。从多个角度选取、修改或重新设计多种网络损害指标，并将这些指标进行汇总（过程中不考虑主观因素的影响），从而得到综合损害指数（Composite Damage Index，简称CDI）。

  来源：IEEE Systems Journal

  时间：2025-11-21

• 在竞争性战争游戏中，通过人类视觉注意力预测和深度强化学习进行代理决策：一项实验研究

  摘要：在竞争性战争游戏中，人类玩家利用视觉注意力机制快速识别关键任务信息并做出实时决策。然而，传统的深度强化学习（DRL）方法往往缺乏这种聚焦关键线索的能力，从而限制了它们的效率和决策质量。为了解决这一问题，我们提出了一个新颖的框架，通过两项关键创新将人类视觉注意力（HVA）融入DRL中来增强智能体的决策能力。首先，我们开发了一个改进的卷积神经网络用于视觉注意力预测，该网络在多个评估指标上的表现均优于现有模型。其次，我们提出了HVA近端策略优化（PPO）框架，该框架通过两种机制整合了HVA：1）注意力引导的采样；2）多模态特征融合以实现全面的状态表示。实验结果表明，我们的框架胜率为84.4%（

  来源：IEEE Systems Journal

  时间：2025-11-21

• 混合攻击下多智能体系统的冲动同步控制

  摘要：本文研究了在各种网络攻击下多智能体系统（MASs）的安全脉冲共识机制。由于虚假数据注入（FDI）攻击与拒绝服务（DoS）攻击之间的耦合，研究MASs的安全脉冲控制面临重大挑战。本文分别分析了MASs在DoS攻击和FDI攻击下的稳定性，并提出了MASs在DoS攻击下几乎能够达成共识的充分条件，以及在FDI攻击下确保均方有界同步的适当条件。此外，通过考虑这两种网络攻击的耦合效应，本文还提出了在混合攻击下实现系统同步的适当条件。文章设计了针对FDI、DoS和混合攻击的脉冲控制器，以实现安全脉冲控制。最后，以一个包含五个追随者的MAS为例，通过仿真实验验证了所设计的三种脉冲控制器的有效性。引言随

  来源：IEEE Systems Journal

  时间：2025-11-21

• 多种群灰狼优化算法在复杂水下环境中用于协作多自主水下航行器（AUV）路径规划

  摘要：本文提出了一种创新方法，称为改进的多目标多群体灰狼优化算法（IMMP-GWO），用于解决在具有多个目标点的复杂水下环境中多自主水下航行器（multi-AUVs）的合作规划问题。该算法综合考虑了多种因素，如AUV的机动性、能耗、海底地形以及障碍物避让。一个关键的创新点是采用了贪婪算法和柯西变异算子进行混合增强，这显著提升了算法的进化能力。此外，通过引入余弦定律改进了传统GWO算法的收敛性，解决了其固有的收敛限制。还引入了一种基于正弦余弦算法以及动态和静态元素迭代相关性的位置更新策略，以更好地平衡探索行为并加速收敛速度。为了解决GWO边界处理过程中的定向问题，提出了一种新方法，该方法根据最小

  来源：IEEE Systems Journal

  时间：2025-11-21

• 基于李雅普诺夫的三层边缘计算系统中智能精度与延迟权衡框架

  摘要：智慧城市及其相关应用整合了多种尖端技术，如机器学习（ML）和边缘计算（EC）。智慧城市中的ML驱动服务通常计算密集且对时间敏感。虽然EC作为传统云端用户架构的补充基础设施，提升了最终用户的服务质量（QoS），但依赖ML的服务的出现要求重新定义QoS，以纳入相关的ML性能指标。另一方面，EC服务器有限的计算能力使得这些QoS指标之间存在冲突。因此，在运行ML模型的系统成本与ML模型性能之间存在权衡。在本文中，我们提出了一种针对三层云-边缘-用户系统的有效卸载方案，旨在从长远角度优化性能与QoS之间的平衡，特别是对于依赖ML的服务，同时考虑系统的动态特性。通过利用李雅普诺夫优化技术，我们将卸

  来源：IEEE Systems Journal

  时间：2025-11-21

• 基于分布式共识的多旋翼系统控制：在云层环境下生成飞行编队

  摘要：大规模合作环境监测为机器人技术领域带来了诸多挑战，例如间歇性的网络连接、电力和带宽限制以及交互方之间的通信中断。近年来，移动云计算被引入以解决这些问题，尤其是在编队控制领域。因此，本文研究了在异步访问云的情况下，多旋翼飞行器系统的编队生成控制问题。本文假设旋翼飞行器通过云存储服务进行信息交换，而运动控制计算则在边缘设备上完成。同时，设计了一种调度规则，以在不需要持续通信的情况下提高云访问效率。通过为高度和平移子系统设计基于共识的控制律来实现编队生成，并确保旋翼飞行器的位置渐近收敛到初始值的加权平均值。实验结果表明，经过云访问应用的改进控制器能够实现具有计算误差范围内的实际共识。通过设计一

  来源：IEEE Systems Journal

  时间：2025-11-21

• 基于闲置路边设备协同的绿色边缘计算卸载策略

  摘要：移动边缘计算（MEC）在为用户提供低延迟和高可靠性服务方面发挥着关键作用。然而，对于计算密集型应用而言，由于电力设施建设不足以及MEC服务器的计算资源有限，大多数以往的研究工作无法高效地进行。针对上述问题，本文以能量收集技术作为推动绿色边缘计算发展的动力，并提出了一种任务卸载方案。具体而言，我们利用闲置的路边设备（如停放的车辆）作为虚拟边缘服务器，这些设备集成了能量收集功能，协助MEC服务器执行卸载任务。此外，为了最大化用户体验（QoE），我们建立了一个包含延迟、剩余能量和任务成功率等指标的模型。随后，我们对瞪羚优化算法进行了改进，提出了遗传-瞪羚优化算法（GGOA），以获得该模型的次优

  来源：IEEE Systems Journal

  时间：2025-11-21

• 模型驱动设计集成框架（MDDIF）：优化产品开发流程及面向制造的设计案例研究

  在现代复杂系统（如航空发动机润滑系统）的开发过程中，一个长期存在的痛点是设计、制造与测试环节的脱节。传统方法往往在设计基本定型后才考虑制造可行性（Design for Manufacturing, DfM）和测试可行性（Design for Test, DfT），导致后期发现问题时需要付出高昂的返工成本和时间代价。这种“后期修补”模式严重制约了产品开发效率，尤其在安全关键系统（safety-critical systems）中，微小的设计疏忽都可能引发严重后果。正是为了解决这一核心矛盾，CLARA A. RAMIREZ、RAVI GORTHALA 和 AMY E. THOMPSON（IEEE会

  来源：IEEE Open Journal of Systems Engineering

  时间：2025-11-21

• HS-GCN：一种高性能、可持续且可扩展的基于芯片片的加速器，用于图卷积网络推理

  摘要：图卷积网络（GCNs）被提出用于扩展机器学习技术在图相关应用中的能力。典型的GCN模型包含多个层次，每个层次都包括一个通信密集型的聚合阶段和一个计算密集型的组合阶段。随着现实世界中图的大小呈指数级增长，当前的定制加速器在高效执行GCN推理时面临挑战，因为片上缓冲区和其他用于数据计算和通信的硬件资源有限，这降低了性能和能效。此外，将现有的单体设计进行扩展以应对上述挑战会在功耗、面积和产量方面引入显著的成本效益问题。为此，我们提出了HS-GCN，这是一种高性能、可持续且可扩展的基于芯片组的加速器，用于GCN推理，并大幅提高了能效。具体来说，HS-GCN集成了多个可重构的芯片组，每个芯片组都可

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

• 基于语义通信的低碳可持续框架在人员重新识别中的应用

  摘要：人物重新识别（Re-ID）是安全系统和视频监控中的关键技术。然而，现有的大多数方法都专注于精确的Re-ID，这些方法不仅忽略了传输开销、计算能耗和碳排放问题，而且不可持续。此外，在现实世界场景中，由于摄像机的鸟瞰（BEV）视角，个人语义通常会被模糊和扭曲。交叉照明和面部遮挡也削弱了关键的个人语义。这些缺陷导致了大量的碳排放和较差的Re-ID性能。为了降低视频传输开销、计算能耗和碳排放，同时保证Re-ID的准确性，本文提出了一种基于语义通信的低碳可持续框架（SC-LCSF）用于Re-ID。SC-LCSF采用基于增强型语义感知注意力机制（ESA-SE）的语义编码器来提取个人语义。仅在语义层传

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

• 基于数据的嵌入式设备软件驱动式功率估算

  摘要：在物联网（IoT）中广泛使用的计算机设备的能耗测量是一项重要且具有挑战性的任务。大多数这些IoT设备缺乏用于能耗测量的现成硬件或软件。在本文中，我们提出了一种基于数据驱动分析的、易于使用的软件能耗估算方法，该方法利用外部低端功率表来实现。我们使用Jetson Nano板和Ruideng UM25C USB功率表对这一方法进行了演示。我们探索了多种机器学习方法，并结合了智能数据采集与分析技术以及物理测量方法。实验中采用了周期性长时间测量来建立和验证功率模型，从而能够从低端功率表中获得更准确的功率读数。我们使用基准测试来评估针对Jetson Nano板和Raspberry Pi的软件功率模型

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

• 通过临时本地模型加速联邦遗忘（Federated Unlearning）过程

  摘要：联邦去学习（FUL）是一种旨在解决从训练有素的联邦学习（FL）模型中移除数据贡献问题的方法。现有的FUL方法仅关注客户端贡献的迭代去学习，无法处理多个客户端同时请求移除数据的情况。此外，FUL还需要解决收敛速度、保持全局模型性能以及并行去学习以加速去学习过程等问题。为填补这一空白，我们提出了联邦客户端遗忘（FedCF）算法，这是一种快速且准确的FUL方法，它可以像现有方法一样移除单个客户端的贡献，同时并行移除多个客户端对全局模型的贡献，确保去学习后全局模型的性能，并缩短去学习时间。其核心思想是通过从剩余客户端的更新中提取知识并将其添加到初始全局模型的相应参数中，然后利用临时模型重建去学习

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

• Hyper-IIoT：一种基于智能合约的资源受限工业物联网访问控制方案

  摘要：近年来，工业流程的改进以及来自工业物联网（IIoT）设备的隐私敏感数据管理复杂性的增加，凸显了对安全、可靠和适应性强的数据管理解决方案的迫切需求。在这项工作中，我们提出了一种基于智能合约的IIoT访问控制方案，该方案采用基于属性的访问控制（ABAC）模型来为不同的工业组件设置访问权限。我们通过设计和部署智能合约来定义私有数据的存储模型和数据格式，以管理系统操作和访问策略。此外，还部署了布隆过滤器组件来优化合约管理的效率和系统性能。实验结果表明，在实际场景模拟中，Hyper-IIoT能够很好地控制合约执行时间，保持系统吞吐量稳定，并在分布式系统中实现快速共识过程，即使在大规模请求场景下也能

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

• 基于语义通信的遥感图像高质量压缩与传输

  摘要：遥感图像在环境监测和城市规划等领域发挥着至关重要的作用。然而，由于通信链路脆弱、带宽有限以及无线环境恶劣，从远程地点向地面应用传输数据时面临着高比特错误率的难题，这会对下游任务产生不利影响。语义通信是一种可行的解决方案，它仅传输利用神经网络提取的原始数据的语义特征。尽管有效，但现有的语义通信方法无法满足高压缩率需求和复杂通信环境的要求。因此，在本文中，我们提出了一种有效的图像压缩与传输框架ASE-JSCC。为了减少传输的数据量，我们设计了一个语义提取模块和一个重要特征选择模块，以高效地提取、选择和压缩下游任务所需的关键语义特征。为了提高模型在受多变信道影响的复杂环境中的通信鲁棒性，我们通

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

• EEVS：重新利用废弃智能手机进行经济与生态药物分子的虚拟筛选

  摘要：虚拟筛选在药物发现的早期阶段发挥着不可或缺的作用，它利用高通量分子对接技术从庞大的数据库中寻找潜在的药物候选物。虚拟筛选需要大量的计算资源来分析大量的化合物。然而，对计算资源的巨大需求以及获取高性能硬件的挑战阻碍了药物发现的发展。本研究提出了EEVS（经济与生态虚拟筛选）这一创新框架，该框架利用废弃智能手机的计算能力来实现成本效益高且环保的虚拟筛选。在本研究中，使用16部废弃智能手机的EEVS将虚拟筛选的构建成本降低了38.7%、11.9%和26.9%（分别对应于使用CPU、GPU和FPGA的情况）。此外，EEVS在保持与CPU相似的功耗和对接准确性的同时，筛选速度提高了4.05倍。与G

  来源：IEEE Transactions on Sustainable Computing

  时间：2025-11-21

• 如何用激光为芯片降温：一家初创公司计划将数据中心处理器中的热量转化为光能

  摘要：现代高性能芯片是工程学的奇迹，其中包含了数百亿个晶体管。问题在于，你无法同时使用所有这些晶体管。如果尝试这样做，将会产生热点——即温度在极小区域内急剧升高的现象，其功率密度几乎接近太阳表面的温度。这导致了一个令人沮丧的悖论，被称为“暗硅”（dark silicon）。计算机架构师用这个术语来描述芯片中必须保持关闭状态的部分所占的比例逐渐增加的情况。在现代芯片中，多达80%的晶体管在任何时候都必须处于“关闭”状态，以防止芯片过热。我们正在一块硅片上构建超级计算机，但却只利用了其潜在能力的一小部分。这就好比建造了一座摩天大楼，却只能使用前10层。插图由Peter Crowther绘制

  来源：IEEE Spectrum

  时间：2025-11-21

知名企业招聘：