本发明提供一种装卸次数受限的快速复合运输路径规划方法，用于在指定最大装卸次数约束条件下，输出顶点之间的最短路径。该方法在Lewis算法的基础上，增加了对装卸次数的限制，在装卸次数受限条件下实现了快速复合运输路径规划算法。相较于现有算法，本发明的快速复合运输路径规划方法不仅解决了复合运输中最短路径的求解问题，还在不引入额外的计算复杂性的情况下，从装卸次数的角度出发，灵活实现装卸次数受限的快速复合运输路径规划，降低复合运输的成本，为复合运输提供便利，具有较高的适用性。

本发明公开一种氨基化复合涂层,所述氨基化复合涂层是通过将3-氨丙基三乙氧基硅烷涂层在150～180℃与聚乙烯亚胺接触1～10小时得到.经过聚乙烯亚胺处理的3-氨丙基三乙氧基硅烷涂层的流动电势值随时间的变化减小,涂层的稳定性更好,该氨基化复合涂层在水溶液中的稳定性要比未改性的3-氨丙基三乙氧基硅烷涂层更为稳定。

本发明涉及超声引发溶液聚合制备纳米铁聚合物复合材料的方法。将三氯化铁、甲基丙烯酸甲酯、苯乙烯、甲苯和偶氮二异丁腈混合均匀，在氮气保护条件下超声辐射，得到反应后溶液；向反应后溶液中加入无水甲醇进行沉淀，过滤得到沉淀物，将沉淀物洗涤、真空烘干并研磨得纳米铁聚合物复合材料，聚合物复合材料为灰黑色固体粉末。本发明在使用氮气保护、不加入还原剂的条件下，超声辐射，铁离子被还原成纳米铁颗粒，同时 MMA、St原位聚合，一步直接合成了纳米铁聚合物复合材料，这是一种相对绿色、节能又环保的方法。

将纳米级尺寸石墨烯量子点修饰到超薄ZnO纳米片表面，同样可大大提高ZnO纳米片的光催化性能，结果如下图所示，这主要归因于石墨烯量子点与ZnO纳米片形成p-n结，促进光生载流子的分离效率。 此外，将 N 掺杂石墨烯量子点与 TiO2 纳米片复合，构筑高效可见光催化剂， 可

成功开发具有自主知识产权的新型浅色导电晶须，用晶须替代纳米颗粒作为基体制备导电填料加入纤维基体中，具有比导电超细颗粒更好的分散性，而且由于晶须是棒状结构，分散在纤维中可以通过搭接的方式首尾相接，更利于纤维导电。浅色导电晶须的开发研究对白色导电纤维的制备提供了理论和实践基础，葛明桥教授团队开发的白色导电纤维经检测达到 109Ώ（熔融纺丝）和 106Ώ（湿法纺丝）达到导电纤维要求，是国内导电纤维领域的一项重大突破，可提高白色导电纤维自产率，应用前景广阔。 关键技术 （1）将高速搅拌与化学共沉积法结合，制备出的浅色导电二氧化钛纳米晶须的电阻率达到了 103 Ώ•cm。 （2）将纳米晶须添加入纺丝液中，通过湿法纺丝方法制备出复合导电纤维，该种纤维的电阻达到了 106Ώ。 （3）与企业合作制备导电母粒，进而通过熔融纺丝方法制备出各种复合结构的导电纤维，该种纤维的电阻达到了 109Ώ。 知识产权及项目获奖情况 发表学术论文 9 篇；申请专利 6 项 项目成熟度 建立了 50L 的纳米晶须合成反应釜，实现产业化生产 投资期望及应用情况 目前已与部分企业合作，成功制备该导电材料并应用于化纤、纤维素等。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。

成果描述：我们研发的低/中介LTCC材料主要性能满足： 材料1： 介电常数：10±10% Qf：≥50000 烧结温度：900度 材料2：介电常数：20±10% Qf：：≥50000 烧结温度：900度市场前景分析：这两类LTCC材料具有损耗低，与LTCC工艺兼容等特点，非常适合基于LTCC技术研发的各种微波集成器件应用与同类成果相比的优势分析：国内目前还没有厂家进行同类型材料的批量生产，主要依托国外进口，因此技术和成本优势明显。

该成果探讨了煤的结构参数与煤光催化氧化反应性、光-生物耦合降解的关系及控制方法，并基于煤特殊的物理化学结构，以及光敏化和光氧化降解特性，采用聚合物共混原理成功开发了一项多功能降解薄膜母料制备及功能材料制备技术。首次将煤作为光降解控制试剂应用于新型光降解薄膜制备，该成果对用光催化氧化、光-生物耦合方法进行煤温和定向转化有着重要科学和实际意义。获陕西省科学技术进步二等奖1项，中国煤炭工业协会科学技术进步二等奖1项，获国家发明专利3项。 在渭北及新疆等地进行了薄膜农业田间试用，本项目薄膜对农作物如玉米、棉花等生长有良好的促进作用，降解性能满足实际要求，降解后对土壤无不良影响，并具有保氮和降草等功能，降解薄膜土壤背景分析通过了农业部食品质量监督检验测试中心（石河子）质量检测。