RESEARCH AGENDA

研究

我的研究关注一个核心问题：当通信、计算、能量和时间都受到约束时，自主网络化系统如何仍然做出可靠、安全且高效的决策。

01 / VISION

研究愿景

我将通信、控制、优化、学习与安全视为同一个决策系统中的耦合组成部分，而不是彼此独立的模块。我的目标不是分别优化每一层，而是让系统理解哪些信息真正影响控制、哪些计算值得执行，以及在不确定性和攻击存在时有限资源应如何分配。

02 / QUESTIONS

核心研究问题

以下五个问题贯穿我目前的大部分工作，也构成博士阶段研究的主要主线。

Q01
在通信资源受限、网络时延和不确定性并存的情况下，如何让通信决策真正服务于闭环控制性能，而不是单纯优化吞吐量或频谱效率？
Q02
在带宽、能量、感知范围和计算资源均受限的环境中，多无人机如何协同感知、通信、规划与控制，并实现安全且可扩展的自主决策？
Q03
如何利用图神经网络、大语言模型等学习方法加速复杂组合优化，同时保留传统优化方法在可行性、安全性和约束满足方面的保证？
Q04
当网络化自主系统遭受DDoS、恶意软件、窃听或模型不确定性影响时，如何联合设计通信、控制与资源调度，使系统在攻击和扰动下仍保持安全与服务连续性？
Q05
当通信、计算、能量和时间都成为稀缺资源时，智能系统应该如何判断“什么信息值得传、什么任务值得算、什么决策需要立即执行”？

03 / INTERACTIVE METHOD

从最优化模型到可部署的 AI 求解器

下面的动画展示了我在学习增强优化中反复使用的一条主线：提出最优化问题，用精确算法获取专家最优解，利用神经网络学习“状态→解”的映射，对预测解进行规范化与可行性修复，最后与最优解比较。

FORMULATE

提出最优化问题

把网络化系统任务转化为决策变量、目标函数和硬约束。

UAV UAV D1D2D3

系统状态 ss = [h, E, q, γ, ⋯]

目标minₓ f(x; s)

约束g(x; s) ≤ 0 · h(x; s) = 0

EXPERT SOLVER

用精确算法求专家解

用 MPC、MILP/MINLP、分解等精确或近精确算法求解代表性实例。

精确 / 专家求解器 Mixed-Integer Expert Solver

MILP / MINLPMPC horizon

Branch-and-Bound Search

active explored incumbent pruned

MPC receding horizonk → k+H

k+1

k+2

k+3

k+4

k+5

k+6

k+7

state xₜ control uₜapply first control → shift horizon

EXPERT DATA

构建专家数据集

将每个系统状态 s 与对应的专家解 x* 配对，得到监督学习数据集。

#sx*split

01[0.12, 0.81, …][0, 0.67, …]训练

02[0.21, 0.74, …][1, 0.70, …]训练

03[0.30, 0.67, …][0, 0.73, …]训练

04[0.39, 0.60, …][1, 0.76, …]训练

05[0.48, 0.53, …][0, 0.79, …]训练

06[0.57, 0.46, …][1, 0.82, …]验证

07[0.66, 0.39, …][0, 0.85, …]测试

0专家样本D = {(sᵢ, xᵢ*)}

TRAIN

训练神经网络学习状态到解的映射

前向传播生成候选解，专家解作为监督目标计算损失，再通过反向传播更新权重。

01 input 02 hidden 1 03 hidden 2 04 output 05 loss 06 backprop

输入特征隐藏层 1隐藏层 2输出神经元

s[.72, .18, .91, .43, .66, .27]

→

h₁ = σ(W₁s+b₁)[.81, .12, .64, .35, ⋯]

→

h₂ = σ(W₂h₁+b₂)[.62, .41, .33, .77, ⋯]

→

x̂[.91, .08, .69, .26]

training loss0.842

前向传播activation →

反向传播← ∇θ𝓛

parameter updateWₗ, bₗ updated

FEASIBILITY

规范化预测解并修复约束

通过投影、截断、取整、再平衡或轻量修复问题，将 x̂ 转换为满足约束的 x̃。

候选解 x̂x̂ = [1.08, −0.04, 0.73, 1.27]

P ≤ 1.001.08× 违反

E ≥ 0−0.04× 违反

y ∈ {0,1}0.73× 违反

Στ ≤ T1.27T× 违反

01投影02截断03取整04修复 LP

步骤 1：将功率变量投影到可行边界 P = 1.00。

可行解 x̃x̃ = [1.00, 0.00, 1, 0.92]✓ 满足

COMPARE

与最优解进行对比

比较最优性差距、可行性、时延与鲁棒性：目标是在显著降低在线求解开销的同时保持近最优质量。

指标精确算法AI + 修复

最优性差距

0%最优基准

ε%近最优

可行性

100%hard constraints

100%after repair

在线求解时间

高开销求解

快速推理

x*↔x̃near-optimal + feasible + fast

提出最优化问题

把网络化系统任务转化为决策变量、目标函数和硬约束。

04 / THEMES

研究主题

上述问题通过八个相互关联的研究主题展开，并归纳为三个更高层次的研究集群。

自主网络化系统

面向互联自主系统的通信、控制、移动与韧性设计。

研究方向 01

通信—控制协同设计

依据控制紧迫性、不确定性与风险，联合优化无线通信、计算与控制决策。

MPCResource AllocationWireless

研究方向 02

多无人机系统与自主探索

研究面向自主无人机集群的可扩展协同、移动、地图共享与安全感知规划。

Multi-UAVMappingTrajectory Planning

研究方向 04

信息物理安全与韧性

将攻击、认证开销与网络不确定性纳入控制和资源分配问题，为互联自主系统构建韧性决策机制。

DDoSRiskResilience

学习与优化

利用学习方法加速或结构化复杂的优化与控制决策。

研究方向 03

学习增强优化

利用图学习、模仿学习和专家引导预测加速困难的组合优化，同时保持解的可行性。

GNNMILPImitation Learning

研究方向 06

大语言模型引导的调度与控制

将自然语言任务描述与信息物理系统中的调度、资源分配和滚动时域控制相连接。

LLMSchedulingReceding-Horizon Control

网络化智能

面向资源受限环境的边缘智能、安全无线系统与轻量感知。

研究方向 05

无人机/物联网边缘计算与 VNF 编排

联合研究边缘网络中的无人机部署、服务功能配置、任务卸载、路由与能源约束。

Edge ComputingVNFOffloading

研究方向 07

安全与能量感知无线物联网

研究资源受限物联网中的物理层安全、能量采集、太阳能供电网络与安全数据采集。

Physical-Layer SecurityEnergy HarvestingIoT

研究方向 08

智能感知与轻量人工智能

探索面向可穿戴设备与传感智能系统的轻量学习、分层路由与跨域鲁棒推理。

SensorLLMWearable ComputingLightweight AI

05 / METHODS

方法工具箱

我的方法体系将模型驱动的优化与控制、学习驱动的加速方法以及网络化系统建模结合起来。

优化与控制

Model Predictive Control (MPC)
Distributed MPC
MILP / MINLP
Risk-Aware & Robust Optimization
Sample Average Approximation

学习与人工智能

Graph Neural Networks
Imitation Learning
LLM-Guided Optimization
DNN Split Inference
Mixture of Experts

网络化系统

Multi-UAV Systems
Edge Computing & VNF
Physical-Layer Security
Energy Harvesting
3D Gaussian Mapping