本文研究带有不等式约束和等式约束的矩阵值分布随机优化问题。其中，问题的目标函数是具有随机变量的多个矩阵值函数的和，并以分布式方式解决了该问题。本文推导了处理约束的惩罚方法，并提出选择可行惩罚函数和惩罚增益的原则。针对随机优化问题，提出一种基于gossip模型的分布式优化算法，并对其收敛性进行证明和分析。最后，为验证所提算法的可行性，本文提供了两个数值示例。

本文研究了带N个非一致闭凸集约束的分布式优化问题，目的是在固定的不平衡图上设计一个相应的分布式优化算法解决该问题。为此，在改进的push-sum框架下，本文设计了新的分布式优化算法，并在强连通图的假设下给出了其严格的收敛分析。最后，仿真结果证明了所提算法的良好性能。

由于电动汽车的普及性和家用电器的灵活性，在动态电价下对家庭能源系统进行能源调度优化电力成本和保障居民舒适度是可行的。本文提出一种基于数据驱动的深度强化学习家庭能源管理方法。首先，为揭示影响电动汽车充电行为的多种不确定因素，引入一种结合驾驶员经验、突发事件和交通状况的改进数学模型描述电动汽车在家庭能源系统中的动态能量需求。其次，提出一种解耦优势演员-评论家(DA2C)算法，通过缓解策略和价值共享网络导致的过拟合问题提升能源优化性能。此外，策略函数和价值函数的解耦网络确保了所提方法在不可见场景中的泛化性。最后，将所提方法与现有方法进行综合实验比较。结果表明，该方法能在不同场景下优化用电成本并兼顾居住舒适度。

下一个兴趣点（POI）推荐是基于位置的社交网络（LBSN）的一项重要任务，其目标是使用历史签到数据在特定情境下为用户推荐下一个兴趣点。现有研究将用户时空信息线性离散化，然后使用基于循环神经网络（RNN）的方法进行建模。但是这些研究忽略了时空信息对用户偏好的非线性影响以及用户轨迹和候选兴趣点之间的时空相关性。为解决这些问题，本文提出一种时空轨迹（STT）模型。该模型使用具有注意力机制的长短期记忆网络（LSTM）作为基本框架，并将时空信息以编码形式引入模型。在编码信息过程中，使用指数型衰减因子刻画用户兴趣随时间和距离的非线性漂移特性。此外，本文在目标召回过程中设计一个时空匹配模块，该模块通过测量用户历史轨迹与候选集之间的相关性来为用户筛选最有可能的下一个兴趣点。本文使用4个真实数据集评估STT模型性能。实验结果表明，本文所提方法的推荐效果比主流的推荐模型有显著提升。

准确的长期电力预测对电网决策运行和用户用电管理非常重要，可保证电力系统的可靠供电和电网经济的可靠运行。然而，大多数时间序列预测模型在数据量大、预测精度高的长时间序列预测任务中表现不佳。为了应对这一挑战，提出名为LDformer的并行时间序列预测模型。首先，将Informer与长短期记忆网络相结合，以获得时间序列的深度表达能力。其次，提出并行编码器模块提高模型鲁棒性，并将卷积层与注意力机制相结合，以避免注意力机制中的值冗余。最后，提出结合UniDrop的概率稀疏注意力机制，以减少计算开销并减轻序列中一些关键连接丢失的风险。在5个真实数据集上的实验结果显示，在不同的长时间序列预测任务中，LDformer大部分结果都优于最先进的基线结果。

由于模拟系统在现代电子设备中起着至关重要作用，模拟系统测试优化已引起学术界和工业界广泛关注。尽管现有方法能实现测试策略的自动生成，但是由于复杂结构和多变的运行环境的影响，模拟系统难以有效生成诊断策略。因此，受到系统拓扑结构和冗余信息的影响，生成的测试策略在实际应用中缺乏可行性。此外，现有方法假设相互独立的测试项需要串行执行，增加了测试时间消耗。为解决上述问题，本文提出用于生成混合测试策略的启发式规划方法。实验证明，相较现有方法生成的策略，启发式规划方法和卷展启发式规划方法生成的策略具有更少层数和更低测试代价。通过对混合“或”节点的自适应优化和测试代价更新，该方法能提供更可行的优化方案并降低测试产生的代价。因此，本文提出的方法具有更高的优化效率。

针对出租车与乘客之间的供需不平衡问题，本文提出一种基于Spark的分布式归一化集合经验模态分解和面向空间注意力机制的双向门控循环单元（EEMDN-SABiGRU）模型，实现乘客热点的精准预测，旨在于降低盲目巡航开支、提高载客效率和实现收益最大化。首先，提出一种归一化的集合经验模态分解方法（EEMDN），处理网格中乘客热点数据，解决非平稳序列问题和数值差异过大造成的预测精度下降问题，避免EMD本征模态函数（IMF）存在的模态混叠现象。其次，构建一种基于乘客上下车热点的权重和乘客的空间规律性的空间注意力机制，捕捉每个网格中的乘客热点特征。再次，融合一种双向门控循环单元（GRU）算法，解决GRU仅能获取前向信息而忽略后向信息问题，提高特征提取的准确性。最后，在Spark并行计算框架下，采用真实的出租车GPS轨迹数据，基于EEMDN-SABiGRU模型实现了乘客热点的准确预测。实验结果表明，在00网格4个数据集上，与LSTM、EMDL-STM、EEMD-LSTM、GRU、EMD-GRU、EEMD-GRU、EMDN-GRU、CNN和BP相比，EEMDN-SABiGRU的平均绝对百分比误差、平均绝对误差、均方根误差和最大误差值分别降低了43.18%、44.91%、55.04%和39.33%。

基于人机交互的医疗图像分割方法是一种新的范式，其通过引入专家交互信息来指导算法完成图像分割任务。然而，现有医疗图像分割模型往往容易产生“交互误解”，即无法合理权衡短期和长期交互信息的重要性。为更好地利用不同时间尺度上的交互信息，本文提出一种基于自适应置信度校准的交互式医疗图像分割框架MECCA，其结合了基于分割决策的置信度学习技术和多智能体强化学习技术，并通过预测分割决策与短期交互信息的对齐水平来学习一个新颖的置信度网络。随后，提出一种基于置信度的奖励塑造机制，在策略梯度计算中引入置信度，从而直接纠正模型产生的交互误解。MECCA还通过标签生成和交互指导来降低交互强度和难度，从而实现用户友好交互。实验结果表明，MECCA在不同分割任务中可以显著提高短期和长期交互信息的利用效率，且仅需较少的标注样本。演示视频可通过https://bit.ly/mecca-demo-video访问。

本文研究了两个中心节点之间的距离对网络一致性的影响。网络一致性由拉普拉斯特征值所量化，可用来衡量线性系统对外部噪声的一致性程度。为获得网络一致性关于距离的精确表达式，选取一类由网络参数控制的具有两个中心节点的树状网络。利用其规则的拓扑结构，得到一致性关于网络参数和网络规模的解析表达式。证明两个中心节点距离越短，度的差异性越大，网络一致性越好。在相同网络规模和距离下，最大的中心节点度差异会导致最优的一致性。最后，建立了网络一致性与平均路径长度之间的联系，发现它们呈线性关系。

本文提出一种适用于5.8 GHz WBAN应用的方向图可重构天线阵列。天线阵列由辐射组件和控制网络组件组成。辐射组件包括4个平面F型天线，它们位于上层的4个角上，彼此逆时针旋转90°。控制网络组件位于底层，包括一个4端口可控网络。通过控制集成在可控网络中的PIN二极管，可以获得与人体表面相切的全向辐射图和与人体表面垂直的定向辐射图。我们测量了阵列安装在人体或前臂假体上时的阻抗带宽、辐射模式和增益，实验结果与仿真结果一致。同时仿真了两种辐射模式下的电磁波吸收比值（SAR）和波束切换能力，以确保该阵列的实用性。

提出一种利用嵌入式均匀柱面透镜设计交叉电桥的新方法。与传统交叉电桥设计相比，该方法在空气填充的基片集成波导交叉腔内引入一个均匀柱面透镜，将入射波导向指定方向。根据射线追踪法，引入的均匀柱面透镜可以在不提高加工复杂度和面积的前提下，有效束缚从输入端传输到输出端的电磁波。详细阐述了该方法的工作机理，并通过电场分布进一步予以验证。利用空气填充基片集成波导技术，研制了工作在毫米波频段的二、三、四通道交叉电桥，验证了所提方法的可行性。同时引入过渡结构，便于实验测量。研究发现二、三、四通道空气填充基片集成波导交叉电桥仿真带宽分别为33%、14%和10%，其核心尺寸分别为0.74λ×0.74λ、1.43λ×1.43λ和1.90λ×1.90λ。最后，为进一步阐述本文方法的优势，将其与公开文献中的类似方法进行了比较。