针对多波束测深中倾斜波束处测深质量易受强能量干扰问题，提出一种基于接收通道相干性的相位拟合区间估计方法。首先，计算预成波束时延后指定通道间的相位相干因子并设定门限。然后，在各波束的深度时间门限内根据相干因子估计拟合区间窗长和搜寻范围。最后，在区间搜寻范围内采用逐点法确定拟合区间最终位置并估计波达时间。1000 m和5500 m深度海域数据验证表明，相较于子阵相关系数法，通道相干因子法使有效测深点数分别增加了8.5%和11.86%，在强能量干扰和低信噪比的边缘处给出了更好的结果，覆盖宽度得到提升，具有很好的鲁棒性和抗干扰能力。

针对传统声源定位方法在低频条件下定位效果差的问题，提出一种基于遗传算法的非同步测量声源定位算法。该算法根据声源平面划分的网格点数确定染色体长度，采用二进制将解空间编码成有限长度的字符串，并根据每个个体在非同步测量下的缺省互谱矩阵定义适应度函数，进行优化搜索。为提高定位效率，结合常规波束形成方法对搜索空间进行预处理，从而缩小搜索范围。实验结果表明，所提算法在低频、低信噪比条件下仍能实现高精度定位，并在多声源环境中展现出良好的鲁棒性与抗噪性能。

基于卷积神经网络的超分辨算法，难以充分学习低分辨率到高分辨率图像的复杂映射，导致重建图像精度低、细节不保真，提出一种基于差异特征反投影融合 （difference feature back-projection fusion，DFBPF）的图像超分辨重建算法。该算法通过DFBPF模块，在迭代上下投影过程中融合原始特征与分支间差异特征，利用误差反馈引导重建优化。同时，通过通道交互型全局上下文模块，增强网络的全局理解能力。在各测试集上，峰值信噪比/结构相似度取得了更好的结果，缩放因子为×2时依次为38.18 dB/0.961 2、33.89 dB/0.920 5、32.30 dB/0.901 5、32.80 dB/0.934 2、39.14 dB/0.978 6。实验结果表明，所提算法重建的图像边缘更清晰、细节更丰富。

针对复杂噪声条件下传统闭式解算法和部分优化算法在进行多基地声纳目标定位时定位精度和稳定性不足的问题，引入差分进化算法求解定位模型。通过解析信号传输路径的几何关系，建立基于到达时间差的双曲定位模型，并详细阐述差分进化算法求解定位模型的核心思路与数学过程。利用仿真实验，确定适用于不同噪声水平的差分进化算法关键参数；验证在传感器位置、声速、时延测量误差的噪声条件下相较于模拟退火算法和牛顿迭代算法，该算法具备更优的定位性能；并研究定位误差的空间分布特性，尽管从传感器网络的几何中心向外，该算法的定位精度逐渐降低，但仍能实现对目标的有效定位。研究成果证明了差分进化算法在多基地声纳系统中进行目标定位的可行性和鲁棒性。

针对外场电磁兼容性试验天线性能受温度影响导致测试结果产生误差的问题，以电磁兼容辐射发射测试中常用的有源单极振子天线为研究对象，分析了温度变化对天线接收性能的影响机理，提出了一种基于温度效应的天线接收特性测试方法, 获得了典型天线接收特性随温度的变化规律及天线系数误差修正曲线，用于外场自然温度环境下测试结果误差修正。结果表明，典型有源单极振子天线在?40℃至50℃温度范围内最大接收误差可达5 dB，通过误差修正可以扩展天线的使用范围，还可为同类天线的外场使用提供参考。

间歇采样转发干扰、频谱弥散干扰及其组合干扰识别特征不稳定、分散性强，存在单一特征方法识别困难且神经网络方法受限于样本不足和时效性差的问题。对此，提出一种基于核密度估计的似然函数构建方法，通过结合多种特征的统计分布实现对单类及其组合干扰的精准识别，克服组合干扰特征不稳定的问题。数字仿真实验显示，在不同信干比条件下，所提方法准确率均高于决策树方法10%以上，且所需样本远少于神经网络方法，为复杂电磁环境下雷达有源干扰识别提供了一种有效途径。

为解决合成孔径雷达图像中飞机目标部件特征离散引发虚警、成像角度差异性导致特征失稳的问题，提出基于散射拓扑增强的双流合成孔径雷达飞机目标检测网络。首先通过基于图卷积的层次拓扑特征提取模块，实现对目标散射点的空间建模，增强其结构关联性。在此基础上，引入精细化层次特征调节模块，使用多层次拓扑信息对不同感受野视觉特征进行调节与增强，提升模型对目标几何表征的感知能力。最后在合成孔径雷达飞机检测数据集上进行实验验证，所提网络相较于基线方法mAP提升2.8%，整体mAP达到67.0%。在多种复杂场景下均优于其他同类方法，具备较强的鲁棒性和泛化能力。

地基雷达是月面成像的重要设备。然而，地基雷达处于观测边缘期时，脉内多普勒效应会导致脉压偏移，使得传统后向投影算法生成的月面图像出现偏移。为提高地基雷达观测边缘期的月面成像能力与减小定位偏差，提出逐脉冲轨迹拟合方法，分析非停走假设下的回波模型与脉内多普勒效应影响，并提出一种月面后向投影成像的脉内多普勒补偿方法。仿真实验结果表明所提方法能够使月面后向投影图像精准定位与聚焦，算法具有有效性。

面对具有高机动特性无人机等气动目标，传统基于固定运动模型的目标跟踪算法在应对目标的复杂运动模式时，常因模型失配导致跟踪精度下降甚至目标丢失。针对这一问题，提出一种基于自适应转弯（adaptive coordinated turn，ACT）模型和双向长短时记忆（bidirectional long short-term memory，Bi-LSTM）网络的多模型交互跟踪算法。通过Bi-LSTM网络学习历史观测数据与目标运动状态之间的非线性关系，实现对目标转弯率的精确辨识；基于数据-模型混合驱动的思想，将神经网络的预测结果与交互多模型ACT（interacting multiple model-ACT，IMM-ACT）滤波算法相结合，有效提升算法在目标运动模式切换时的响应能力。实验结果表明，所提算法在目标运动模式多样化及高频切换场景下具有较高的跟踪精度，显著提升机动目标跟踪的稳定性和连续性，为机动目标跟踪提供了新的解决方案。

现有雷达海上漂浮目标识别方法通常需要应用双极化、长时观测数据等信息，导致应用场景受限。针对该问题，以海上目标耐波性理论为支撑，通过分析发现漂浮目标在海浪扰动下呈现的排序起伏变化和随机程度具有特定规律，利用多尺度排列熵方法进行特征提取，可清晰呈现漂浮目标时序扰动频率高、排列模式多样的规律特点。基于该机理提出一种应用多尺度排列熵特征的海上漂浮目标识别方法。以衡量两类目标样本可分性的巴氏距离为定量指标，对特征提取参数中的嵌入维数和粗粒化尺度进行优化处理，实现特征可分性改善。2级和4级海况实测数据验证结果表明，在0.5 s观测时间上，所提方法对漂浮目标识别的平均准确率达96.1%，优于已有方法，且在较短观测时间、不同观测视角、无需双极化等条件下均可实现较高的识别准确率，具有稳健性。

雷达对多目标进行跟踪时，传统跟踪算法都是基于单帧递推思想进行实现的，只考虑多目标回波单帧信息，容易存在较大误差。为综合考虑目标的多帧信息，提出一种基于航迹随机集的多目标自适应航迹整体估计算法。首先基于航迹随机集生成观测区域内的多个航迹候选量测序列，而后对这些量测序列进行多项式时间序列分析并进行航迹整体估计，直接生成多目标运动轨迹。航迹随机集通过航迹假设思想能够同时考虑目标的多帧运动信息，大大降低杂波环境对多目标跟踪效果造成的影响；而航迹整体估计方法直接估计目标的整体航运动特性，其模型可随观测数据的到来实时调整变化，可以获得连续时间区间上任意时刻的目标状态。仿真结果表明，基于航迹随机集的多目标自适应航迹整体估计算法能够在杂波环境下对多目标进行有效跟踪，且相较于传统算法，该方法生成的整体航迹更为平滑且有着更好的多目标跟踪效果。

基于标签多伯努利（label multi-Bernoulli，LMB）后验密度的多传感器多目标跟踪方法存在“标签不一致”、航迹连续性差，漏检率和跳变率高等问题。对此，提出一种基于LMB后验航迹估计的分布式多传感器多目标跟踪方法。首先建立最小化不同传感器估计航迹间多帧状态差异和时间维关联跳变的目标函数，采用凸松弛技术将高维非线性目标函数化简为线性形式，通过聚类和线性规划在多项式时间内实现了航迹的有效关联。其次采用广义协方差交集准则和互补原则并行融合关联航迹。最后基于有限集统计学理论推导了非关联航迹的融合方法。仿真实验表明所提方法可有效提升航迹连续性、降低航迹漏检和跳变，具有较好的工程应用价值。

随着物联网设备的大规模应用，芯片漏洞成为设备安全的重要隐患。现有方法多聚焦于漏洞存在性的检测，忽视其可利用性分析，易导致“假阳性”问题。本文提出一种基于模型的芯片漏洞分析方法，融合设备模型与漏洞检测信息，挖掘潜在攻击链，并基于多架构统一建模语言构建设备与攻击者的混合状态机模型以模拟真实攻击过程。通过行为仿真评估系统是否异常，从而判断漏洞是否可被利用。以智能家居系统为例，成功验证了手机全球定位系统芯片漏洞的可利用性，并在实测中复现了攻击效果致使手机崩溃，验证了方法的有效性。

以连续监测条件下存在竞争失效现象的机电产品为对象，研究有限时间区间内不完美维修策略对维修成本的影响规律。针对因突发失效和性能退化失效引起的竞争失效，提出一种二维预防性维修策略。其中，二维预防性维修策略的一个维度是基于不完美维修时间间隔的维修，另一个维度是基于产品性能退化阈值的视情维修，以先发生为准。考虑事后维修为最小维修和不完美维修两种情形，采用改进的离散网格方法优化有限时间区间内实施二维预防性维修和事后维修的总维修成本。以电梯制动器为案例，验证所提维修策略和方法的有效性。结果表明：实施事后最小维修和二维预防性不完美维修能实现维修成本的最小化。此外，在特定改善因子下，最优参数的二维预防性维修等价于基于性能退化阈值的维修。

为解决有人/无人编组在未来作战中使用受限问题，构建基于柔性作业车间调度的多机协同动态武器目标分配模型。首先，构建以有人机为长机、多无人机为武库机的协同作战模式。然后，将嵌套分割算法的全局寻优能力和模拟退火算法的局部搜索能力相结合，提出一种混合嵌套分割方法。所提方法能够针对具体想定，在特定的时间窗口内对有限的多无人僚机导弹资源进行统一调度与决策管理，完成动态目标分配，实现对多个目标的有效战术杀伤。所提方法在动态武器目标分配领域具有重要意义。

针对测控数传一体化调度需求、大规模卫星资源调度效率低下、调度后设备资源呈现高碎片化特征3个目前实际测控中遇到的突出问题，建立测控数传一体化资源调度优化模型，提出任务满足率和空闲资源碎片两个优化目标，并设计三阶段启发式求解算法。该算法首先生成调度初始解，然后结合回溯搜索机制，引入禁忌表、随机搜索等启发式策略，提高任务满足率，最后通过建立可行解决策函数，优化资源分配，降低空闲资源碎片数量。实验结果表明，与现有基准算法相比，该算法求解效率至少提升4倍，任务满足率至少提高3.13％，空闲资源碎片数量至少降低18.05%，验证了其在解决强约束测控数传一体化调度问题上的核心优越性。

装备试验鉴定发挥着严把定型关口的作用，性能鉴定是其中的一个环节。数字化技术的发展带来了数字化试验的新形式，即研发数字装备随实装交付。针对数字装备的性能鉴定，确定试验样本量是试验方案设计的基础，由于数字装备的多输出参数和多鉴定方式，现有方法不能直接确定样本量，为此首先提出基于数字装备输出参数和实装等试验数据一致性检验的数字装备鉴定框架，然后给出只考虑实装试验方式下的最小试验样本量，再根据各种试验方式的关系进行样本等效和合并，最终得到鉴定所需的试验样本量。通过算例分析，说明了所提方法的有效性。

为了解决长寿命、高可靠性产品在可靠性验证试验中面临的耗时长问题，本文以寿命服从指数分布的产品为研究对象，提出了一种基于相似产品先验的Bayes可靠性验证试验方案设计方法。首先，引入贝叶斯方法，将同类型产品的试验数据作为先验信息，采用拟合优度检验统计量量化产品之间的相似性，进一步利用继承因子实现先验分布的计算。随后，运用贝叶斯平均风险准则计算实际的生产方和使用方风险。最后，通过迭代方法求解最优的可靠性验证试验方案。实验结果表明，与GJB899A-2009标准中的可靠性验证试验方案相比，本文方法可显著缩短试验时间。

针对动态对抗场景中因节点损毁导致打击链中断的问题，提出一种基于断点复用与局部搜索的在线重构方法。构建“物理-功能-状态”三层抽象网络模型，实现节点、连边与语义约束的统一建模。引入改进的非支配排序遗传算法（non-dominated sorting genetic algorithm, NSGA）-II以保留可用前段链路、压缩搜索空间，并结合逼近理想解的排序法（technique for order preference by similarity to ideal solution, TOPSIS）实现毫秒级的帕累托最优解决策。仿真结果表明，所提方法在链路重构时延上较传统策略降低62%，在装备资源下降20%的条件下仍可保持极高的任务完成率，且算法复杂度随节点规模线性增长，满足主流分布式作战体系对实时性与扩展性的需求。

在复杂网络中，确定重要目标对于提升系统效率和增强能力至关重要。本文提出一种基于二阶度分解的改进K-shell分解方法。针对复杂网络中的传播特性，将原始K-shell依托节点度分解的步骤替换为依托节点的二阶度分解，并且在相同二阶度分解的K-shell层内，引入改进的网络约束系数用于判定同一K-shell层内的节点是否有更多的结构洞连接。这种方法旨在提供一个更全面和准确地反映节点在网络中的重要性。该方法通过改进的K-shell分解和网络约束系数，有效地评估了不同网络中的关键传播节点。与传统方法相比，该方法在计算复杂度和结果精度方面具有明显的优势，通过实验验证，即使Kendall系数效果不佳，该方法在不同网络中也能有效评估关键传播节点。

针对深度强化学习（deep reinforcement learning, DRL）在无人机避让系统中应用所造成的安全风险，将系统论、控制论、安全性分析及模拟仿真结合，提出一种基于分层系统理论过程分析?蒙特卡罗（systems-theoretic process analysis-Monte Carlo，STPA-MC）的智能避让安全风险识别及评估方法。首先，面向复杂智能系统安全性需求捕获不足的问题，基于STPA，解耦智能避障系统架构及DRL模型构建，除在系统层级分析失效风险及防护外，也基于DRL模型开发过程评估失效致因场景，并建立层级间安全危害影响追溯。其次，面向关键安全指标量化问题，采用MC方法评估软演员评论家智能算法对适航标准的符合性，分析不同因素的安全影响，衍生定量需求。实验表明为满足适航要求，感知距离需要大于445 m，测距误差标准差要小于0.43 m。研究成果可为无人机智能避让适航标准的制定提供理论支持。

舰载直升机是两栖立体登陆作战的重要力量，如何面向复杂动态的战场环境和任务需求对舰载直升机群进行灵活高效的动态调度对提升两栖编队作战效能具有重要意义。针对两栖登陆背景下舰载直升机作战任务执行过程中的动态不确定性，设计了一种基于需求窗口策略的动态调度优化方法。首先，考虑多舰船平台资源和作战与保障全链路任务统筹，基于作战资源和多阶段作业时序等约束，以登陆耗时和任务调整代价为多目标函数，构建了舰载直升机任务动态调度的数学模型。为求解上述模型，设计了基于扰动事件模拟的动态调度策略和基于禁忌搜索的动态调度算法，在动态调度策略的基础上生成算法的优化初值，并在搜索过程中引入了基于条件判断的分散搜索和集中搜索操作。最后，通过两栖登陆作战想定，比较不同调度策略下优化结果的差异，验证了调度策略的合理性，算法计算效率较高，收敛效果较好，为高烈度对抗环境下舰载直升机作战方案的动态调整提供了参考依据。

传统深度神经网络在处理大批量、多类别、多程度故障样本数据时，需增加网络层数来提升表征能力，从而提高诊断精度，但网络层数的增加易引起梯度消失，导致识别准确率提升困难。结合残差神经网络与连续小波变换方法，并使用线性指数单元改进残差神经网络，提高网络在处理大批量故障样本数据时的识别精度上限。结果表明，使用线性指数单元的激活函数能够有效改善残差神经网络的训练稳定性与预测精度，在具有42种不同类别与程度的多传感器机电系统故障数据集中，所提方法相比未使用残差层和线性指数单元的同规模神经网络识别正确率至少提高13%。因此，所提方法通过融合连续小波变换与线性指数单元改进的残差神经网络，可显著抑制梯度消失问题，有效突破传统深度神经网络的识别精度瓶颈，为复杂机电系统多故障智能诊断提供了一种高可靠性的解决方案。

针对吸气式高超声速飞行器在飞行器/发动机耦合影响条件下的高性能姿态控制问题，设计一种自适应观测补偿的高性能滑模控制（sliding mode control, SMC）方法。该方法以指数收敛的SMC为基础，引入扩张状态观测器（extended state observer, ESO）进行控制补偿。为了提高模型不确定性情况下姿态控制性能，提出一种基于综合指标的控制参数优化方法，通过非线性优化方法解决目前SMC与ESO复杂增益整定问题。数学仿真结果显示，在大量不确定性组合条件下，所提方法能够保证姿态跟踪的鲁棒性。进一步通过硬件在环仿真验证可得，所提方法在考虑强耦合强非线性模型影响下，在控制超调与稳定时间方面优于基准SMC与非线性动态逆控制。

针对高轨导航接收机信号失锁后的快速重捕问题，提出利用码相位和多普勒频率之间的约束关系来压缩频率搜索范围的快速重捕算法。首先，分析在轨道外推和时间同步技术辅助下接收机信号重捕时的信号搜索范围。然后，研究接收机位置误差与速度误差变化规律，发现二者之间存在显著的线性相关性。最后，基于这一线性相关性推导码相位和频率之间的约束关系，进一步压缩频率搜索范围。仿真结果显示，在失锁1800 s后进行信号重捕，每个码相位搜索单元对应的待搜索频率范围可缩减至原来的40%以内，并且有效提高了信号捕获算法的运行效率。

针对传统随机模型未充分考虑伪卫星几何构型及先验模型中部分参数依赖经验值的问题，首先构建基于精度因子（dilution of precision，DOP）的随机模型，其次设计移动窗口载波相位方差实时估计方法，通过实时提取固定窗口历史历元的载波相位观测量噪声，自适应调整随机模型参数，最后融合DOP贡献度定权与自适应参数调整，形成一种顾及伪卫星几何构型的随机模型精化方法。实验结果表明，所提方法水平定位精度可达到0.136 3 m，相较于传统等权随机模型和载噪比随机模型分别提高25.68%和23.98%。

在有限的训练数据下，通过深度学习来学习更具判别性的特征仍是一个挑战。本文提出一种基于Transformer的自适应正交约束神经网络，通过将原始空间划分为多个子空间来增加嵌入空间的密度，学习更深层次的特征。基于正交约束的思想，提出了一种重叠的子空间分离的方法，从而减少同质信息。同时，动态调整子空间之间的权重，优化因相似性而难以训练的样本。分别在University-1652数据集、实测数据和不同天气条件模拟数据上进行了实验，结果表明，与基线算法相比，本文提出的算法在定位和导航任务中的性能分别提升了29.58%/26.52%（R@1/AP）和21.51%/27.98%（R@1/AP）。尽管训练数据有限，本文提出的模型仍能学习到更鲁棒和更具判别性的特征表征，从而促进相似类别的识别，帮助无人机实现准确的定位和导航。

针对无人机/船海空协同降落任务中存在的降落精度问题、船舶横摇对降落的影响等问题，提出一种基于虚拟制导的无人机/船协同降落鲁棒自适应模糊控制算法。首先，设计一种逻辑虚拟飞机/船舶制导方法，利用L₁虚拟船- L₂虚拟机生成满足降落要求的制导路径。其次，建立带有船舶横摇的四自由度模型，在模糊逻辑系统基础上结合动态面控制技术对系统未知模型参数的非线性项进行在线逼近并化简。最后，利用李雅普诺夫稳定性理论证明所提控制算法满足半全局一致最终有界稳定。仿真实验验证了所提算法的有效性。

针对多项式大机动模型中姿态缺乏解析表达式的问题，提出一种基于Gibbs矢量多项式的大机动姿态轨迹模型。首先，基于所提轨迹模型推导姿态与角速度的解析表达式，以获取参考姿态真值；其次，根据有限次多项式拟合的角速度模型，构造姿态解算所需的角增量子样；最后，采用毕卡迭代与泰勒级数展开两种高精度姿态算法，对模型的正确性进行验证。仿真实验结果表明：毕卡迭代算法在迭代至4次时性能优于传统二阶算法，迭代至6次时达到收敛；泰勒级数展开算法在展开至6阶时性能优于传统二阶算法，展开至7阶时达到收敛；且两种高阶姿态算法收敛后的稳态性能保持一致。上述结果一方面验证了现有文献中关于高阶姿态算法性能的相关论述，另一方面也证实了所提轨迹模型在高阶姿态算法性能评估中的有效性。

自动调制识别（automatic modulation recognition，AMR）在电子对抗、频谱监测等复杂电磁环境下的非协作通信中至关重要，但现有方法在低信噪比（signal-to-noise ratio, SNR）时易受噪声干扰且特征提取能力不足。为此，提出一种基于随机共振（stochastic resonance，SR）与双输入SR网络（dual-input SR network，DualSR-Net）的AMR方法，通过联合原始同相正交（inphase quadrature， IQ）数据和SR增强的IQ数据，利用噪声能量转换与多尺度特征融合提升识别鲁棒性。实验表明，该模型在全SNR范围的分类准确率较现有方法提升3%~6.5%，尤其在低SNR（?8~0 dB）场景下提升5.7%~9.6%，显著优于主流模型。双通道架构融合时频增强与深度特征学习，为恶劣环境下可靠调制分类提供新思路。

直接序列扩频（direct sequence spread spectrum，DSSS）水声通信中基于交叉模糊函数（cross ambiguity function，CAF）的多普勒估计方法具有计算密集、求解耗时长的缺点。为了提高多普勒估计效率，提出一种基于图形处理器（graphic processing unit，GPU）的多普勒快速估计方法。首先，为了降低CAF多普勒估计方法的计算复杂度，提出一种改进两步式多普勒估计算法。其次，从设备内存预加载、运算单元并行化、GPU算法部署3个方面进行算法实现。最后，使用实际海试数据对方法进行测试并与CPU估计方法进行对比。测试结果表明，提出的GPU多普勒快速估计方法能够实现DSSS水声通信信号多普勒因子的准确估计。与CPU估计方法相比，最大加速比为263.65，极大地提高了多普勒估计算法的执行效率。

频谱资源日益紧张，测距通信复合系统对高频谱利用率和高精度定位需求愈发迫切。针对传统系统频谱利用率低、复杂环境下易被干扰等问题，提出基于全跳变多元位置相移键控（m-ary position phase shift keying，MPPSK）调制的测距通信复合信号设计，与传统调制相比，该信号带宽极窄且在低信噪比下的时延估计和相干解调有明显优势。仿真结果表明，信号?60 dB带宽约为1 kHz，频带利用率为31.25 bit/s/Hz，低信噪比下时延估计均方根误差和相干解调误码率分别可达到${10^{ - 9}}$ s和${10^{ - {\text{3}}}}$。外场实测结果表明，待测点距离3个发送台分别为53 km、77 km、96 km，定位均方根误差为48.523 m。研究成果可用于完成远距离高精度测距通信功能，此外信号包络恒定，可寄生在公开的调频、调幅信号中，不影响宿主信号的同时实现隐蔽传输。

5G服务化结构改变了工业互联网数据服务过程，运营商网络通过资源层和服务层的编排系统为垂直行业提供定制化网络服务。为保障工业业务迁移到5G网络后其时空维度可达和网络服务可靠，采用时延Petri Net建立了全局服务层编排模型，并基于进程代数建立了承载层局域状态模型，提出通过Petri Net的Token在层级之间进行参数传递的方法，实现服务层与承载层两层之间编排与调度的协同，并基于多目标遗传算法进行多业务的动态服务编排，实现工业业务确定性执行逻辑及时间保障。对工业现场网调度业务网络服务进行建模及分析，验证了所提方法能对全局视图下的系统状态和服务功能时序逻辑关系进行精准描述，并在动态环境的网络仿真中验证所提优化算法的节点平均资源使用率在70%以下，且在高负载下能保证87.3%的业务成功到达。