以ChatGPT为代表的大语言模型技术对包括软件工程在内的很多领域都带来巨大冲击，也引发广泛焦虑。为在迷雾中看清一点方向，近期我们基于各种技术文献和实践分享以及我们自身的初步探索不断讨论和思考“大模型时代的软件工程”或者“大模型的软件开发能力”这一命题。同时我也参加了几次线上访谈，触发了更多认识和思考，在此基础上撰写了此篇文章，希望与大家分享一些观点并激发相关讨论。由于到目前为止大模型在很大程度上仍然是一个黑盒，并且大模型技术还在快速迭代和发展之中，同时目前看到的以及我们自己实践的基于大模型的软件开发案例还比较初步，因此本文的很多认识和思考不一定准确，未来还可能会随着技术和实践的发展而不断刷新。

磁驱动微米机器人能够在人体内局部低侵入性地执行特定任务。为到达体内病灶区域，微米机器人常常需要在比静止液体更为复杂的流动血液内进行导航运动。因此，相应的精准控制方案设计更具挑战性。目前已有许多关于磁控微米机器人在流体内的运动控制及其理论研究。本文回顾总结了有关磁控微米机器人在流体中的最新研究进展，包括流动系统的建立、运动的动力学建模以及控制方法。此外，讨论了当前面临的挑战和局限性。希望本文为微米机器人在复杂流体环境中的高效控制提供新的思路，并加快微米机器人在临床应用中的研究。

作为强化学习领域最基本的主题之一，样本效率对于深度强化学习算法的部署至关重要。与现有大多数从不同类型的后验分布中对动作进行采样的探索方法不同，我们专注于策略的采样过程，提出一种有效的选择性采样方法，通过对环境的内部层次结构建模来提高样本效率。具体来说，首先在策略采样过程中使用聚类方法生成动作候选集，随后引入一个用于对内部层次结构建模的聚类缓冲区，它由同轨数据、异轨数据以及专家数据组成，用于评估探索阶段动作候选集中不同类别动作的价值。通过这种方式，我们的方法能够更多地利用专家示教数据中的监督信息。在6种不同的连续运动环境中进行了实验，结果表明选择性采样方法具有卓越的强化学习性能和更快的收敛速度。特别地，在LGSVL任务中，该方法可以减少46.7%的收敛步数和28.5%的收敛时间。代码已开源，见https://github.com/Shihwin/SelectiveSampling。

卷积神经网络（CNN）在许多实际应用领域中有着快速发展。然而，CNN性能很大程度上取决于其超参数，而为CNN配置合适的超参数通常面临着以下3个挑战：（1）不同类型CNN超参数的混合变量编码问题；（2）评估候选模型的昂贵计算成本问题；（3）确保搜索过程中收敛速率和模型性能问题。针对上述问题，提出一种基于高斯过程（GP）和粒子群优化算法（PSO）的混合模型优化算法（GPPSO），用于自动搜索最优的CNN超参数配置。首先，设计一种新的编码方法高效编码CNN中不同类型的超参数。其次，提出一种混合代理辅助（HSA）模型降低评估候选模型的高计算成本。最后，设计一种新的激活函数改善模型性能并确保收敛速率。在图像分类基准数据集上进行了大量实验，验证GPPSO优于最先进的方法。以金属断口诊断为例，验证GPPSO算法在实际应用中的有效性。实验结果表明，GPPSO仅需0.04和1.70 GPU天即可在CIFAR-10和CIFAR-100数据集上实现95.26％和76.36％识别准确率。

和声搜索算法(harmony search, HS)是一种随机元启发式算法，其灵感来自于音乐家的即兴创作过程。针对HS在求解中易陷入局部极值等不足，本文提出一种混合布谷鸟算子的改进的和声布谷鸟搜索算法(modified HS with a hybrid cuckoo search (CS) operator, HS-CS)增强全局搜索能力。该算法首先对HS音高扰动调整方法的随机性进行分析，根据和声库中解的质量生成自适应惯性权重，并重构微调带宽寻优，提升HS的寻优效率及精度。其次，引入CS算子扩大解空间的搜索范围和提高种群密度，从而能够在随机生成和声和更新阶段快速跳出局部极值。最后，构建动态参数调整机制以提高算法寻优的效率。通过证明3个定理揭示HS-CS是一种全局收敛的元启发式算法。在实验部分，选取12种经典的测试函数优化求解以验证HS-CS算法的性能。数值分析结果表明，HS-CS在处理高维函数优化问题上显著优于其他算法，表现出较强鲁棒性、高收敛速度以及收敛精度。为进一步验证算法在实际问题求解中的有效性，将HS-CS用于优化BP神经网络进行加权模糊产生式的规则抽取。仿真实验结果表明，HS-CS优化后的BP神经网络能够获得较高的规则分类精度。因此，从理论和应用方面都证明了HS-CS是行之有效的。

本文使用切换建模和光滑插值技术，研究倾转旋翼机过渡模式的状态跟踪控制问题。基于过渡模式的非线性动力学模型，采用Jacobi线性化方法，并根据倾转角设计切换信号，建立线性切换系统模型。在此基础上，设计H_∞状态跟踪控制方案解决过渡模式的控制问题。该方法不直接限制控制输入的幅值，而采用改进的光滑插值方法实现无扰切换。最后，以XV-15倾转旋翼机为例，验证该控制方案的有效性。

科技进步不断扩大通信行业的潜力。图像在加强交流中发挥着重要作用，已被广泛应用。因此，图像质量评估（IQA）对优化传递给终端用户的内容至关重要。在IQA中使用卷积神经网络面临两个常见难题。一是这些方法难以提供图像最佳表示，另一个问题是模型具有大量参数，容易导致过拟合。为解决这些问题，提出一种参数更少的深度学习模型——密集卷积网络（DSC-Net），用于无参考图像质量评估（NR-IQA）。此外，将多模态数据用于深度学习明显改进各种应用的性能。多模态密集卷积网络（MDSC-Net）融合了灰度共生矩阵（GLCM）方法提取的纹理特征和DSC-Net方法提取的空间特征，并对图像质量进行预测。所提框架在基准合成数据集LIVE、TID2013和KADID-10k的性能表明，MDSC-Net方法在NR-IQA任务中表现出良好性能，超过了当前最先进的方法。

无监督领域自适应通过学习域不变表示实现神经网络从有标签数据组成的源域到无标签数据组成的目标域迁移。近期研究通过直接匹配这两个域的边缘分布实现这一目标。然而，已有研究大多数忽略域对齐和语义判别学习之间的动态平衡，因此容易受负迁移和异常样本影响。为解决这些问题，引入动态参数化学习框架。首先，通过探索领域级语义知识，提出动态对齐参数自适应地调整域对齐和语义判别学习的优化过程。此外，为获得判别能力强和域不变的表示，提出在源域和目标域上对齐优化过程。本文通过综合实验证明了所提出方法的有效性，并在3个视觉任务的7个数据集上进行广泛比较，证明可行性。

在实际场景中，重型柴油车是城市氮氧化物的重要来源，其排放的氮氧化物（NOx）占车辆总排放量的80％以上，颗粒物（PM）占90％以上。检测和控制重型柴油车的排放对保护公众健康至关重要。目前，道路上的车辆必须每6个月或每年定期检测一次，在车辆检查站过滤出高排放的移动源。然而，由于年检间隔时间较长，很难及时有效地筛选出高排放车辆，而且固定的阈值不能适应车辆驾驶工况的动态变化。车载诊断设备（OBD）安装在车辆内部，可以连续跟踪和实时记录排放数据。本文提出一种时间优化长短期记忆（LSTM）和自适应动态阈值方法，使用OBD数据识别重型高排放车辆。首先，建立一个时间优化LSTM排放预测模型，以解决实际中大量OBD数据流造成的时间步注意力偏重问题。然后，利用灵活的阈值标准检测浓度预测误差序列，以区分异常排放情况，该阈值随驾驶条件变化自适应计算得到。最后，引入时间序列的相似性度量策略，以纠正一些假的异常结果。在3个真实OBD时间序列排放数据集上的实验表明，该方法得到优异的高排放源识别结果。

现有机动目标跟踪方法在杂波环境中强机动目标的跟踪性能并不令人满意。本文提出一种混合驱动方法，利用数据驱动和基于模型算法的优点跟踪多个高机动目标。将时变恒速（CV）模型集成到在线学习的高斯过程（GP）中，提高高斯过程的预测性能。进一步与广义概率数据关联（GPDA）算法相结合，实现多目标跟踪。通过仿真实验可知，与广泛使用的机动目标跟踪算法如交互式多模型（IMM）和数据驱动的高斯过程运动跟踪器（GPMT）相比，提出的混合驱动方法具有显著的性能优势。

提出一款应用于第五代金属边框智能手机的高隔离度两天线模块。基于一个蚀刻在地板上的T形缝隙，通过合理地设计一个耦合馈电环天线和一个耦合馈电缝隙天线，实现了一款紧凑的两天线模块。尽管耦合馈电环天线和耦合馈电缝隙天线共口径，两者之间的隔离度高于30 dB。随后，通过集成4个两天线模块，实现了一款8×8多入多出系统。该系统实测互耦和包络相关系数分别小于-18.5 dB和0.02。