陈星州让算法与数据驱动工程

意图分流（Agent 路由）：服务端以纯规则判定请求属于「编排」还是「问答」，不额外消耗一次模型调用；中文动名词同形——「巡检要注意什么」里的「巡检」是名词性——所以强咨询句式的判定必须排在动作动词之前，否则会把提问误判成指令；问答轮不产出任务计划、不触发 JSON 解析，前端同步隐藏时间轴与执行面板；system prompt 按意图分两套下发，问答模式不塞动作白名单，单次省约 1000 token。

现场知识结构化（站点注册表）：把 12 个现场点位与 8 台设备建成注册表，点位带地形、风险等级、是否可燃气体环境与口语别名，设备带类型及其所属点位；「地形 → 载体」适配规则（平地三种载体可达，楼梯、管廊、夹层仅四足可达）同时写进 prompt 与校验器，改一处两处生效。原本是自由文本的目标字段因此变成可校验字段——此前模型完全可以吐出格式完美、动作合法、参数合规、但目标写「火星基地 3 号舱」的计划并一路放行。

目标语义校验三档：目标不在注册表内记 warn，放行但挂提示交人工复核；载体到不了该地形判 error，执行前预检直接拦下、不下发；动作与设备类型不匹配（如把声波检测打在储罐上）记 warn，界面可见。执行层预检共五项检查，不信任上游任何结论，下发前重验一遍。

大模型流式对话与解析：以 fetch + ReadableStream 手写 SSE 客户端（POST 场景不适用 EventSource），按分隔符切分缓冲区并把不完整残片回填至下一分片，以 TextDecoder 的 stream 模式处理跨分片的多字节汉字；边收边解析模型输出中的 JSON 代码块，闭合即上屏，无需等待整条流结束；Pinia 维护全平台唯一数据源，问答与编排页面复用同一份流式数据。

工程化与质量门禁：Vue3 + TypeScript 全量类型契约（先定数据接口再写页面，vue-tsc 类型检查零错误）；Vite 手动分包把 Element Plus / ECharts / Vue 拆为独立 vendor chunk，业务代码 14 kB；命令式冒烟脚本覆盖 7 类场景 62 条断言，含意图分流与目标点位的正负例；真实 API 调用需三个开关同时成立才放行，默认全程走 Mock 剧本。

ECharts 按需注册与体积治理：整包入口 import * as echarts from 'echarts' 会把地图、GL、关系图、树图等本项目一个都没用到的模块全部注册进产物，且 Tree Shaking 对这种「注册式副作用」无效 —— 注册动作写在 echarts 主入口里，打包器判定它有副作用、不敢删。因此改用 echarts/core + use() 显式注册：按组件实际用到的倒推出 8 种系列（bar / line / pie / heatmap / custom / scatter / effectScatter / lines）、10 个组件（grid / tooltip / legend / title / dataset / transform / visualMap / dataZoom / markLine / graphic），渲染器只注册 Canvas 不注册 SVG。图表分包由整包的 1035 kB（gzip 344 kB）降至 674 kB（gzip 224 kB），减少 35%（两组数字均为 npm run build 实测：整包 1035.10 kB / gzip 343.52，按需 674.02 kB / gzip 223.61）。
代价与坑：漏注册不会编译报错 —— 没注册 tooltip 就静默不显示、没注册 visualMap 就静默不映射，只在控制台打一行 series type not exists，且是否触发取决于模块加载顺序，开发时偶然能跑、构建后就翻车。所以把注册收敛到 src/charts/register.ts 单一模块，所有图表组件统一从这里引入 echarts，让「用了什么」和「注册了什么」在同一处可核对；ComposeOption 组合类型能拦住系列名拼错（heatmap 写成 heatMap），但拦不住「忘记 use」—— 前者编译期报错，后者只能靠清单核对。

自定义系列与实例生命周期：断面拥挤度没有现成图表类型可用 —— 热力图只能给格子填纯色，表达不了「同一条带子按拥挤度比例伸缩」，因此用 custom 系列手写 renderItem，以 api.coord() 换算数据到画布坐标、api.size() 取格子尺寸（不能用容器宽度除以小时数，图表一旦缩放比例全错）；实例以 shallowRef 持有并配 ResizeObserver，路由切换时 dispose，单张图渲染异常只留空该面板、不影响整屏。

时段联动与下钻：以 provide/inject 下发时间区间（全天 / 早高峰 / 平峰 / 晚高峰），切换后顶部四项指标、断面拥挤榜单、站点热力、线路占比与拓扑节点同步重算，榜单按当前时段峰值重排而非全天榜单切片；图表只做增量 setOption、不销毁重建实例；分时图用 dataset + transform 分离数据与口径，切时段只改 transform 的两个比较值，数据处理代码一行不动；点击拓扑站点下钻单站详情、点击告警跳转对应车站。

数据可复现与标定测试：客流由固定种子的伪随机发生器按「到站 → 下车 → 上车 → 驶向下一区间」逐区间递推生成，刷新前后数据完全一致，讲解与截图可对账；34 个 Vitest 用例除功能断言外，加入「最繁忙断面满载率落在 0.8–1.15」「榜单前十至少覆盖 3 个拥挤等级」的标定断言，改坏客流模型时测试先报错，而不是等看图才发现整屏一个颜色。

指标口径与业务判断：顶部指标取高峰小时最大断面满载率而非全网日均值 —— 同一段断面按高峰小时算是 0.94，按三小时平均只有 0.72，差的 22 个百分点正好是「要不要加车」的分界；断面客流按车内人数逐区间递推，与运营侧满载率口径一致。

多端通信与链路可靠性：脑电头环经 TCP 上行推送注意力、头动、眨眼与注视点四类信号，上位机完成卡尔曼滤波与决策后，通过 Tello SDK 的 UDP 通道下发指令帧、本地端口接收状态回传 —— 脑电数据走 TCP、飞行指令走 UDP；接收与决策解耦为生产者-消费者，遥测经环形缓冲异步刷新界面，链路加入超时重传与看门狗。

基于 Qt 的上位机交互界面与指令映射：以 Qt 构建上位机操作界面，用屏幕分区与悬停触发实现无接触操作（脑机鼠标），将眨眼与头动映射为虚拟鼠标操作，眨眼判定加入 2.5 秒冷却防重复识别，界面边缘设特技指令快捷区，支持 14 类基础指令与 6 类特技动作下发；实测双击眨眼起飞成功率 90%、头动方向控制准确率 100%、全路径通关 95%。

飞行控制与位姿解算：对头环 4 类多模态信号做滑动窗口采样与卡尔曼滤波预处理，注意力作调速权重、头动经坐标变换输出速度与位置指令，Python 实现位置闭环；双模式共享注意力调速 0.20~0.55 m/s，横滚解耦抗干扰，水平精度 ≤5 cm、垂直漂移 ≤3 cm。

数据构建与特征工程：基于自组织网络模型设计三层无人机网络（通信层 / 结构层 / 任务层），Python + NetworkX 参数化仿真批量生成不同节点规模（50 / 100 / 200）与聚集系数下的网络数据，清洗为节点-连边矩阵 + 多维特征后，用 GNNs（GCN / GAT）嵌入训练，映射低维节点向量。

强化学习与影响力评估：以节点嵌入为状态、影响力增益为奖励训练 DQN 智能体，实现单点与基于 ANC 曲线 R 值的序列节点影响力评估，比较度中心性、介数中心性、改进接近中心性、特征向量中心性四种方法，在 50–100 节点高聚集性网络上效果最佳，具备跨网络泛化能力。

解空间设计与遗传算子：针对华北山区乡村 2024–2030 年农作物种植策略优化问题，将解矩阵离散化处理，通过间接设解与地块细分，设计特殊的交叉与变异规则。

多情景收益优化：在滞销与降价出售两种销售情景下最大化乡村总收入，模型求得滞销情况下最大收益 3.23 亿元、降价情况下最大收益 4.16 亿元。

时变综合优化：考虑小麦 / 玉米销售增长、其他作物销售与亩产变动、种植成本和销售价格变化等不确定性，建立时变综合优化模型并求解。

可替代性与相关性分析：使用直接替代法计算作物间的可替代性与互补性，构建收益变化矩阵量化关系；结合 k-means 聚类与二元二次线性回归分析销售量、价格、成本的相关性；通过多维尺度分析验证交叉与变异规则的可行性，并对交叉率 / 变异率参数扫描验证参数选择优越性。

多源数据融合与三维重建：针对风廓线雷达、微波辐射计、地面自动气象站、S / X 波段多普勒天气雷达 4 类异构观测，Python 实现数据清洗 pipeline（缺失值识别、异常值过滤、坐标系统一、时空对齐）；以 IDW + 时空高斯加权补全缺失，输出水平 100m × 垂直 50m 分辨率的三维湍流场（融合后 R² 达 0.97）；进一步以风廓线雷达为输入拟合简化估算模型，站内 RMSE 0.0832、跨站 RMSE 0.2254。

预测与航路规划：以湍流动能演化方程为核心，PSO 校准方程参数、集合卡尔曼滤波同化修正预报误差，给出未来时段三维湍流预报；将三维湍流场栅格化离散，构建以湍流强度为权重的代价函数与可接纳启发式，改进 A* 搜索低湍流航路并以三次 B 样条做路径平滑，较直线路径减少 56.76% 湍流强度、较动态规划减少 12.85%。

几何与数据建模：建立地平 / 镜面坐标系，通过几何投影法构建阴影遮挡效率模型、高斯能流分布构建截断效率模型；构建 N 面定日镜批量参数化场景数据，得出年平均光学效率 0.646、年平均输出热功率 36.25 MW。

参数扫描与算法求解 pipeline：编写 MATLAB 自动化脚本遍历排布方案与镜面尺寸，分别使用粒子群算法（PSO）与贪婪算法求解；同尺寸场单位镜面输出功率提升 3.97%，不同尺寸场融合多变量复杂约束再提升 1.38%，结果用 SolarPilot 工业级软件交叉验证，并整理为多方案对比报告供工程选型参考。

嵌入式信号生成：基于 STM32 + FPGA 协同架构，控制 DDS 与 DA 实现不同调制信号的输出，完成高频信号模拟系统搭建。

软件参数校准：设计软件参数校准流程，支持对输出信号的幅值 / 频率等参数在线配置与校准。

图论建模与命题证明：通过图论与组合数学提出两个命题（等长路径通过率解析表达式、最优解存在性），使用 BFS 求 OD 对最短路径并计算通过率，得到网络总加权可达率 0.8856。

多故障场景推广：将命题推广至多道路同时故障场景，求解得到总加权可达率 0.8103。

动态交通分配：动态有向加权网络中采用两步贪心 BFS 搜索与 DTA 动态交通分配，牺牲部分可达率换取总体更高可达率，结果 0.7901。

鲁棒性优化：将新建边问题转化为边攻击鲁棒性问题，使用节点度与边介数加权的边权计算方法，最高可达率 0.8026。

嵌入式软硬件开发：基于 STM32F103 + FPGA（EP4CE6E22C8）协同架构，C 语言实现 AM/FM/CW 与 2ASK/2PSK/2FSK 共 6 类调制信号的识别流程；AM 采用包络检波 + 低通滤波，FM 用 NE564n 压控振荡器解调，数字通道对 Um 做 FFT 频谱分析判别调制类型，2FSK 复用 FM 解调模块；通过 HMI 串口屏（陶晶驰 / USART）实时显示调制方式识别结果、调制参数与幅值 / 频率 / Rc 测量值，支持触控下发参数校准。

硬件设计与系统联调：完成 PCB 设计（带通滤波器 / 继电器组 / 包络检流电路）与焊接，开展 STM32–FPGA–AD–DA 链路系统联调，完成幅值 / 频率 / Rc 三参数共 204 次联合测试。

物理建模与数值求解：运用牛顿第二定律对投放物理过程建模，通过伽利略变换简化风向因素，使用龙格库塔算法求解三元二次微分方程，得出不同风向角下的投放距离。

发射策略决策模型：分析投放距离与飞行高度、速度、发射速度和俯冲角度的关系，建立发射策略决策模型。

扰动修正与姿态调整：对扰动进行归因，使用随机矩阵修正模型，通过 Softmax 归一化函数将稳定性参考系数转化为可量化指标，结合刚体转动定理分析无人机姿态调整策略。