论文

大规模车辆路径问题 (VRP) 面临两个长期难题。一方面，许多可扩展方法依赖于图划分、邻域候选限制或分阶段决策来控制计算量， 这削弱了模型对全局结构的建模能力；另一方面，虽然许多方法在测试阶段引入搜索以提升解质量，但搜索通常只作为模型预测之后 的一次性后处理——模型给出预测，搜索进行修复，两者之间缺乏持续反馈：改进后的结构状态很少被反馈回模型指导后续推理， 而高质量的搜索解也几乎不会进入后续的训练监督。

为解决这一问题，我们提出 LSL（Learning to Search, Searching to Learn）， 一个面向大规模 VRP 的学习—搜索闭环框架。LSL 首先在稀疏候选图上预测搜索友好的结构先验，随后搜索在这些先验的引导下 迭代精化当前解。更关键的是，搜索并不在一轮精化后就退出系统：推理阶段，搜索返回的结构状态被反馈给模型，用于下一轮预测； 训练阶段，多条高质量搜索解被组织成行级软目标，用于模型更新。由此形成”学习告诉搜索去哪里探索，搜索告诉模型哪些 结构值得学习”的闭环。实验表明，LSL 在多个大规模 VRP 基准上同时取得良好的可扩展性、效率和解质量。

触觉传感能通过接触直接获取物体的物理属性，然而大多数现有方法仅采用预定义属性标签来描述触觉数据， 语义灵活性受限。将触觉信号与自然语言对齐，可以得到更丰富的、概念级别的表示。

本文提出一种基于 Transformer 的触觉—语言框架，借助 Steering Vectors 将共享嵌入空间 组织为可操控的概念空间：这些向量把触觉属性编码为语义方向，使模型在有限监督下仍能对语义实施 显式控制。同一潜空间支持两个互补任务：给定描述期望触觉属性的自然语言查询时，机器人可在其触觉 经验中检索最相关的材料；而当机器人实际接触物体表面后，可生成对该表面触觉属性的自然语言描述。

实验结果表明，该框架能够从自由形式的自然语言中有效检索触觉表示，并生成具有感知依据的触觉描述， 从而更好地支持人—机器人交互。

仿人面部机器人的表情需要在”对观察者而言看起来自然”与”在有限驱动能力的机械面部上可执行” 之间达到平衡。本文学习一种从目标面部信号到机器人底层执行器指令的映射，不只复现静态关键 表情，还复现了类人化的微动态，同时保持机械极限内的稳定。工作包括数据采集、重定向，以及 一个在视觉逼真度与物理可行性之间做折衷的学习控制器。

需要丰富接触的操作任务，要求世界模型不仅能预测动作之后场景看起来是什么样，还要预测指尖 感受到什么。本文训练一个视觉—触觉联合的潜空间世界模型，将视觉与触觉信号联合编码到 共享潜空间，并在该空间中推演未来状态。该模型可用于规划与策略学习，适合打滑、粘连、力突变 等视觉看不到但触觉能捕捉到的任务。

我们在仅凭视觉存在歧义的操作任务上进行评估，结果显示在潜空间动力学中引入触觉通道可同时 改善状态预测精度与下游任务成功率。

S 盒（替换盒）是现代对称密码体制的核心组件，其非线性度、差分均匀性和不可预测性直接决定了密码算法的安全性。然而， 静态 S 盒一旦结构固定，就容易受到代数攻击与侧信道攻击。本文提出了一种动态 S 盒构造方案，结合二维混沌映射与 上的不可约多项式：混沌映射提供密钥敏感性与巨大参数空间，使不同密钥生成不同 S 盒；不可约多项式 则提供代数结构以约束最坏情况下的密码学指标。

消融实验在非线性度、严格雪崩准则（SAC）、比特独立准则（BIC）、差分/线性逼近概率以及生成效率等标准密码学指标上系统 评估所生成的 S 盒，结果均满足或优于密码学使用要求。

我们进一步将动态 S 盒集成到分组密码图像加密流程中，在标准测试图像上验证其加密效果：像素级扰乱与扩散效果显著，密文 直方图接近均匀分布，NPCR / UACI 分数高，能有效抵抗差分攻击、统计攻击与暴力破解。