本文旨在阐述复杂系统认知、管理和控制中人机互信的混合增强智能和知识自动化机制与应用。本文从复杂系统研究的发展历程出发，通过对复杂系统的特性、人工智能科技、人机混合增强智能科技及其在复杂系统管控中的必要性阐述，分析了人类智能、机器智能在复杂系统管控中的优势与局限性，并提出“人机互信知识自动化”的概念。以电力系统大电网调控为背景，阐述了未来人机混合智能在大电网调度中可能的技术路径和应用基础，并以潮流校正控制为例，说明人机知识自动化任务流程的完成过程。通过本文内容的阐述，希望对基于人机混合增强智能的复杂系统管理和控制的理论方法提供一种新的机制和应用路径，并对社会典型复杂系统管控的数字化、智能化建设起到积极作用。

情感脑机接口（brain–computer interfaces，BCIs）已成为在人机协作中实现情感智能的一个重要途径。然而，由于脑电图（electroencephalogram，EEG）信号的复杂性和情绪反应的个体差异性，设计一个可靠和有效的模型仍然是一个巨大挑战。考虑到不同人格特征的个体在情绪感知和反应过程中的差异，整合人格信息和脑电信号对情绪识别是有帮助的。鉴于此，提出一种人格引导的注意力神经网络，其可以利用人格信息学习更为有效的EEG表征以用于情感识别。具体来说，我们首先利用卷积神经网络提取脑电信号的时域和空域表征，进而设计一种特殊的卷积核同时学习大脑头皮不同区域间和区域内的EEG导联相关关系。其次，考虑到不同大脑头皮区域在情绪识别中可能发挥不同的作用，提出一种人格引导的区域注意力机制，以进一步探索区域内和区域间EEG导联的贡献。最后，设计一种基于注意力的长短期记忆网络（long short-term memory，LSTM）建模EEG信号的时域动态特征。在AMIGOS数据集（一个用于个人和群体的情感、人格特征和情绪多模态研究的数据集）的实验结果表明，本研究所提方法可以显著提升被试独立策略下情感识别的性能，并优于现有情感识别方法。

针对人—多机器人协同系统提出一种基于行为控制框架的带记忆强化学习任务管理器（RLTS）。由于重复的人工干预，现有人—多机器人协同系统决策时间成本高、任务跟踪误差大，限制了多机器人系统的自主性。此外，基于零空间行为控制框架的任务管理器依赖手动制定优先级切换规则，难以在多机器人和多任务情况下实现最优行为优先级调整策略。提出一种带记忆强化学习任务管理器，基于零空间行为控制框架融合深度Q-网络和长短时记忆神经网络知识库，实现任务冲突时最优行为优先级调整策略以及降低人为干预频率。当机器人在紧急情况下置信度不足时，所提带记忆强化学习任务管理器会记忆人类干预历史，在遭遇相同人工干预情况时重新加载历史控制信号。仿真结果验证了该方法的有效性。最后，通过一组受外界噪声和干扰的移动机器人实验，验证了所提带记忆强化学习任务管理器在不确定现实环境中的有效性。

目前，主题爬虫是从海量异构网络中获取有效领域知识的重要方法。目前大多数主题爬虫技术难以获得高质量爬行结果。主要难点包括主题基准模型的建立、超链接主题相关性的评估和爬行策略的设计。本文采用领域本体为特定主题构建主题基准模型，并提出一种新的基于局部本体和全局本体的多重筛选策略（MFSLG）。为提高待访问超链接主题相关性计算精度，提出一种基于网页文本和链接结构的综合优先度评估方法（CPEM），同时，采用模拟退火（SA）算法避免主题爬虫陷入局部最优搜索。本文首次设计融合SA算法、MFSLG策略和CPEM策略实现主题爬虫，提出两种新的基于本体和SA主题爬虫策略（FCOSA），包括基于全局本体的FCOSA策略（FCOSA_G）和基于局部本体和全局本体的FCOSA策略（FCOSA_LG），以从网络中获取与暴雨灾害主题相关的网页。实验结果表明，针对不同性能指标，所提爬虫策略优于其他主题爬虫策略。

软件开发人员通常需编写与已有代码具有类似功能的代码，而帮助开发人员重用这些代码片段的代码推荐工具可显著提高软件开发效率。近年来许多研究者开始关注这一领域，并提出多种代码推荐方法。一些研究者使用序列匹配算法得到相关代码，这些方法往往效率较低，且只能利用代码中的文本信息。另一些研究者从代码中提取特征并形成特征向量，从而计算代码间相似性并得到推荐结果。然而特征向量相似往往不代表原始代码相似，在将抽象语法树转换为向量的过程中存在结构信息丢失问题。对此，我们提出一种基于近似子树匹配的代码推荐方法。与现有基于特征向量匹配的方法不同，该方法在匹配过程中保留了查询代码的树型结构，从而找到与当前查询在结构上最为相似的代码片段。此外，通过哈希思想将子树匹配问题转化为树与列表间的匹配，使得抽象语法树信息可以用于对时间要求较高的代码推荐任务。为评估方法的有效性，构建了多个涵盖不同语言和粒度的代码数据集。实验结果表明，该方法在所有数据集上的召回率均优于两种对比方法——SENSORY和Aroma，且可以应用于大型数据集。

为解决水环境污染问题，依托基于视觉的水下垃圾自主清理机器人，提出一种基于改进YOLOv4的垃圾检测方法，可实现高速、高精度的目标检测。具体而言，选择YOLOv4算法作为执行目标检测的基本神经网络框架。为进一步提高检测精度，将传统YOLOv4改进为四尺度检测算法；为提高检测速度，对新模型进行模型剪枝操作。同时，将所提方法应用于水下机器人，实现了自主垃圾收集作业。检测速度可达66.67帧/秒，平均准确率可达95.099%；实验结果表明，改进后的YOLOv4算法在检测速度和精度方面均表现优秀。

针对具有未知非线性扰动和输出限制的柔性海洋立管系统，提出一种基于自适应神经网络的边界控制方法抑制振动。首先，通过偏微分方程分布参数系统描述柔性海洋立管系统的动态特性。为补偿非线性扰动对系统影响，利用径向基神经网络构造一个基于神经网络的边界控制器以减少振动。在所提边界控制器下，基于李亚普诺夫方法，保证柔性海洋立管系统一致有界。该方法为其他柔性机器人系统的边界控制提供了一种集成神经网络的思路。最后，通过数值仿真验证所提方法的有效性。

在有限状态机研究领域，传统矩阵法首先构造状态转移矩阵，然后利用状态转移矩阵的幂来表示系统动态转移过程。这一过程是有限状态机系统分析的基石。本文提出一种基于矩阵的静态方法。该方法从拓扑结构的视角审视有限状态机，而非传统动态转移过程的视角，因此能够避免现有方法中存在的“维度爆炸”问题。基于这种静态方法，本文重新分析确定有限状态机的闭环检测与可控性问题。此外，我们提出可控等价型与最小可控等价型概念，并给出相关算法。

由于边缘设备有限算力和边缘网络有限的无线资源，利用联邦边缘学习（federated edge learning，FEEL）训练机器学习模型通常非常耗时。本文研究了量化FEEL系统中训练时间最小化问题，其中异构边缘设备通过正交信道向边缘服务器发送量化后的梯度。采用随机量化对上传的梯度进行压缩，可减少每轮通信的开销，但可能会增加通信轮数。综合考虑通信时间、计算时间和通信轮数对训练时间进行建模。基于所提出的训练时间模型，描述了通信轮数和每轮延迟之间的内在权衡。具体地，分析了量化FEEL的收敛性。提出一种基于数据模型双驱动的拟合方法以得到精确的最优间隔，并在此基础上得到通信轮数和总训练时间的闭式表达式。在总带宽限制下，将训练时间最小化问题建模为量化级数和带宽分配的优化问题。本文通过交替求解量化优化子问题（通过连续凸近似方法求解）和带宽分配子问题（通过二分查找方法求解）解决这个问题。在不同学习任务和模型下，仿真结果证明了本文分析的有效性和所提优化算法性能接近最优。

近年来，在纳米尺度上使用互补金属氧化物半导体（CMOS）技术设计逻辑电路面临着各种挑战。漏电流、短效应沟道和高能量耗散是一些亟待解决的问题。量子点元胞自动机（QCA）代表了未来可能替代CMOS的一种合适选择，因为与标准CMOS相比，它消耗的能量微不足道。设计算术电路关键是基于1位全加器的结构。低复杂度的全加器模块有利于开发各种复杂结构。本文介绍了基于单元交互的可扩展1位QCA全加器结构。我们提出的全加器包含QCA设计偏好，例如使用的单元数量少、延迟低和占用面积小。此外，所提结构已扩展到更大的电路，包括4位行波进位加法器（RCA）、4位行波借位减法器（RBS）、加/减电路和2位阵列乘法器。所有设计均使用QCA Designer-E 2.2版软件进行仿真和验证。该工具可以估计能量消耗以及评估电路的性能。仿真结果表明，所提设计在复杂度、面积、延迟、成本和能量消耗方面都是有效的。

与线性因果相比，非线性因果具有更复杂的特点和内涵。本文主要讨论非线性因果中的若干个问题，并着重强调因果域的概念。本文基于广泛应用的计算模型和方法，围绕非线性因果分析与计算以及因果域的识别问题提出相应观点和建议，并通过几个具体案例揭示非线性因果在处理复杂因果推断问题中的重要性和现实意义。