轉載新型半導體碳基材料，中國技術領先半導體核心價值：碳基材料！中國技術領先全球今天要講解的是碳基材料，又是個全新的概念，很多人可能不理解，但是從此以後必須要理解，不能有任何的糾結和猶豫，原因只有一個碳基材料的關鍵性。第三代半導體材料，之前反復提示的核心價值，第三代半導體材料包括，氮化鎵，氧化鍺，碳化硅，金剛石，砷化鉀、石墨烯和碳，其中碳基半導體材料是其中非常重要的部分。採用硅以外的材料做集成電路，一直是國外半導體前沿的技術。相比于硅基，碳基半導體成本更低、功耗更小、效率更高的優勢，更適合在不同領域的應用而成為更好的半導體材料選項。碳基技術也是西方發達國家一直研發預備替代硅基的新技術。斯坦福大學的研究表明，碳管技術有望將常規的二維硅基芯片技術發展成三維芯片技術，這至少能將當前芯片的綜合能力提升1000倍以上。在硅基芯片領域，我國的發展空間有限，

友達電子遊藝場

因為多數的技術專利在國外手中，這就像在4G通信領域我們永遠只能追趕，因為專利技術在國外，所以只能追趕。在5G領域可以實現領先，因為我們研發早，投入大，成為標準制定者，有更多的專利技術儲備，所以才能實現趕超。硅基材料也是如此，專利在國外，但是在第三代半導體材料端，無論是氮化鎵還是碳基材料，全球所有的研發都剛剛開始，而且我國的研發一直在第一梯隊，這次碳基材料更是如此。中國碳基半導體研究是代表世界領先水平。中科院院士、北大學教授彭練矛和張志勇教授帶領的團隊，解決了長期困擾碳基半導體材料制備的瓶頸，最重要的三個點，純度、密度與面積這三個問題得到了基本的解決問題。研究成果已經被收錄在今年5月22日的《科學》期刊“應用物理器件科技”欄目中。這代表著專利技術掌握在中國人手中。該方法可以在四英寸基底上，制備出密度高達 120 / 微米、半導體純度超過 99.9999%、直徑分布 1.45±0.23nm 的碳納米管平行陣列，並在此基礎上，首次實現性能超越同等柵長的硅基 CMOS 技術的晶體管和電路。這一成果，也將為碳基半導體進入規模工業化奠定基礎。如果把芯片比作一棟房子，晶體管就是建房的磚頭，一棟棟的房子就構成了我們的信息社會。關于摩爾定律的終點，業界沒有定論，但 2020 年至 2025 年，是人們普遍認為的摩爾定律死亡期。硅晶體管的尺寸將無法再縮小，芯片性能提升也將接近物理極限。那麼，碳管就會成為新的“磚頭”，誰能掌握代替晶體管的碳管，誰就掌握了未來芯片的核心。我國碳基技術起步較早，近年來取得了一系列突破性的進展，極大地提升了我國在世界半導體行業的話語權。碳基技術在不久的將來可以應用于國防科技、衛星導航、氣象監測、人工智能、醫療器械等多重領域。未來半導體的最核心技術，第三代半導體材料的核心之一，中國必須要掌握而且已經開始加速掌握的技術，相當重要。【摘要】在應對突發重大傳染病時，社區防控是整個社會疫情防控的重要一環。在新型冠狀病毒肺炎疫情社區防控實踐經驗的基礎上，提出一個社區疫情排查調度問題的數學模型，根據相關疫情防控信息為社區重點住戶估算風險指數，

毛孔粗大

並在此基礎上將重點住戶分配給各個排查工作小組，為每個小組設定排查路線，

紐約洋基

從而盡可能高效地完成各項排查任務。為求解該問題，提出一種混合智能優化調度算法，它基于水波優化的啟發式策略搜索解空間，並混合了兩種局部搜索策略來提高解的精度，形成初步調度方案。在調度方案的實施過程中，如果排查到某個對象有特殊情況需要處置，算法將對方案進行動態調整，以適應變化後的排查任務。在浙江省多個社區排查的實際案例問題上的計算結果驗證了方法的有效性。【關鍵詞】 疫情防控 ; 社區排查 ; 智能優化調度 ; 水波優化【引用格式】陳鑫錛吳佳宇錛吳雪錛 等. 社區疫情排查的智能優化調度方法[J]. 智能科學與技術學報錛 2020錛 2(2): 126-134.CHEN X錛 WU J Y錛 WU X錛 et al. An intelligent optimization scheduling method for community patrolling and investigation in epidemic situations[J].Chinese Journal of Intelligent Science and Technology錛 2020錛 2(2): 126-134.1.引言新型冠狀病毒肺炎疫情傳播速度快、感染範圍廣，街道、鄉鎮等基層社區面臨巨大的防控壓力。對重點人員的日常排查是社區防控的一項重點工作。很多社區存在人口密度大、人員分布和流動情況復雜、工作人員數量不足等問題，日常排查任務非常艱巨，因此需要對排查任務進行合理的規劃調度。通過對浙江省多個社區日常疫情排查的需求進行分析以及對實踐經驗進行總結，本文提出了一個社區疫情排查調度問題的數學模型，它根據相關疫情防控信息為社區內的各個重點住戶估算風險指數，在此基礎上將重點住戶分配給各個排查工作小組，並為每個小組設定排查路線，要求每個小組在不超過工作時間上限的前提下，盡早完成所有排查任務，同時盡量優先排查風險指數高的住戶，以便于對危險因素早發現、早應對。在排查過程中，如果發現某個重點住戶有特殊情況需要處置（如發高燒需要就醫），該小組需要留在該住戶處進行處置（如呼叫急救支援並等待救援到來），同時，剩餘的排查任務還需要實時重新調度，以適應變化後的情況。社區內各個重點住戶的分布可以用一個圖來表示，住戶位置為圖的頂點，社區交通路線為圖的邊，排查小組被視為在圖中移動的車輛，那麼可將該問題抽象為車輛路徑問題（vehicle routing problem，VRP）的一個變種；與基本 VRP 不同，它考慮了不同排查小組之間的差異，而且在目標函數中引入了風險指數。VRP是一個NP難問題，傳統的精確優化算法只能求解小規模的問題實例。近年來，利用以進化算法為代表的各類智能優化算法求解 VRP 成為研究熱點，這些算法包括遺傳算法（genetic algorithms，GA）、粒子群優化（particle swarm optimization，PSO）算法、蟻群優化（ant colony optimization，ACO）算法、人工蜂群（artificial bee colony，ABC）算法和生物地理學優化（biogeography-based optimization，

司機遇險暗打手勢收費員秒懂報警

BBO）算法等。利用進化算法求解VRP的綜述可參見參考文獻。為有效求解社區疫情排查調度問題，本文提出了一種水波優化（water wave optimization，WWO）算法和局部搜索混合的智能優化調度算法。WWO算法是一種較新的啟發式搜索策略，它借鑑不同波長的水波運動規律來平衡全局搜索和局部搜索。為提高解的精度，本文還設計了兩種局部搜索策略，並將它們與WWO算法混合。針對排查過程中發現特殊情況需要處置的場景，本文還提出了一種對調度方案進行實時動態調整的方法，以高效完成剩餘的排查任務。在浙江省多個社區排查的實際案例問題上的計算結果驗證了本文方法的有效性以及本文方法相對于其他流行算法的性能優勢。2.社區疫情排查調度問題的數學模型疫情期間，每個社區基于日常登記信息、疾控部門通報、疫情圖、大數據健康碼等手段確定每日要排查的以下幾類重點住戶。在本文的研究中，根據具體情況給每個重點住戶估算一個風險指數。• 確診患者的密切接觸者。尚在隔離觀察期內，設觀察期共D天，當前為觀察期的第d天，則風險指數估算為a(D-d)/D，其中a為一個系數，本文設置為70。• 從外地返回社區的人員。尚在隔離觀察期內，在觀察期的第d天，風險指數估算為bj(D-d)/D，其中bj是一個與人員出發地相關的系數，如從疫情圖紅色地區返回的人員設為70，橙色、黃色、藍色、綠色地區分別設為56、42、28、14。• 有發熱、咳嗽等疑似症狀的人員。風險指數由醫生估計，一般為5~70的一個整數。• 其餘健康碼非綠色的人員。本文對紅碼人員和黃碼人員設置的基準風險指數分別為60和30 （社區工作人員也可根據具體情況進行調整）。• 其他重點人員。如孤寡老人、殘障人士等，其風險指數由社區工作人員估計，一般為 1~70 的一個整數（不一定代表感染風險，也可以表示因缺乏關注可能帶來的其他風險）。如果某一住戶內有多名上述人員，則該住戶的整體風險指數為個人風險指數之和。設一個社區內有n個重點住戶，其中第j個住戶的風險指數為rj，對住戶j執行詢問、體檢等排查任務所需的時間為（1≦j≦n）；社區排查工作由m個小組分頭進行，其中第i個小組從出發到第j個住戶所需的時間為，從第 j 個住戶到第 j′個住戶所需的時間為（1≦i≦m; 1≦j錛j′≦n）。注意不同小組花費的時間可以各不相同，如有的小組步行，有的小組乘坐電瓶車（可能裝載了給隔離住戶運送的物品）。疫情排查調度問題就是要將各個重點住戶分配給各個排查工作小組，並為每個小組設定排查路線，從而盡可能高效地完成排查任務。問題的決策變量X可以表示為m個整數向量，其中 表示第i個小組被分配到的個住戶的排查序列。由此可按式（1）和式（2）估算出排查每個序列中每個重點住戶錛(1≦i≦m)需要的時間：問題的目標是使得排查完所有重點住戶需要的時間加權之和最小：加入了每個住戶的風險指數作為權重系數之後，調度方案需盡量優先排查風險指數高的住戶，這樣有利于對危險因素早發現、早處置。問題的解還需要滿足以下約束條件。• 每個住戶都被分配了一個排查小組，沒有遺漏也沒有重復。令表示序列中所有元素的集合，則每個解需要滿足：• 每個小組的工作時間不超過上限T（本文中設為12 h）：3.混合智能優化調度算法上述問題模型可視為 VRP 的一個變種，與基本 VRP 相比，它考慮了不同工作組之間的差異，因此屬于異質VRP（heterogeneous VRP），而且它的目標函數引入了每個住戶的風險指數。本文提出了一種WWO算法和局部搜索混合的智能優化調度算法來高效求解該問題，並提出一種動態調整方法來應對排查過程中出現特殊情況需要處置的情況。3.1 基于 WWO 算法和局部搜索的智能優化調度算法WWO算法是一種受淺水波運動現象啟發的智能算法。與絕大多數進化算法一樣，它也是通過對一組解的不斷進化來搜索解空間。其基本思想是將每個解X視為一個“水波”並賦予一個波長λ(X)，其值與解的適應度成反比。在每次迭代時，算法在每個解的波長範圍內進行搜索：較優的解波長較小，故在較小範圍內搜索；較差的解波長較大，故在較大範圍內搜索。這就能在局部搜索和全局搜索間達到一個較好的平衡，如圖1所示。圖1 水波優化算法基于波長的傳播搜索示意圖針對本文的社區排查規劃問題，這裡將問題的每個解編碼為一個長度為n+m-1的整數向量。算法先隨機初始化一個解集P，其中每個解是隨機生成的整數集{1錛2錛…錛n}的一個排列，然後向其中隨機插入m-1個0作為分隔符，這樣整個排列被分為m個子序列，每個子序列代表一個排查小組的任務序列xi。問題的優化目標函數是式（3），參照參考文獻中的策略，本文採用如下計算式來計算每個解的波長：其中，X′為P中的每個解。算法每次迭代時，對解X的搜索按如下方式進行：從左至右，在X的每一個非零維j上，以λ(X)為概率，隨機反轉從第 j 維到第 j'維的部分序列X[j…j′]，其中 j'是[j+1錛n+m-1]的一個隨機整數。由于j'是隨機生成的，當部分序列X[j…j′]不包含分隔符0時，反轉操作只改變一個排查小組的任務序列；當部分序列X[j…j′]包含了分隔符0時，反轉操作將改變兩個或兩個以上小組的任務序列。λ(X)越大，執行反轉操作的期望次數就越大，對X的改變也就越大。為了進一步提高對問題的求解能力，本文還提出了兩種局部搜索策略。第一種局部搜索策略試圖改進每個新生成的解，因為無論是隨機生成的解，還是通過一系列隨機反轉操作產生的解，在排查任務分配上都沒有細致優化，可能有較大的提升空間。該局部搜索策略反復比較了解中最早完成任務的小組和最晚完成任務的小組，嘗試將後者的某個任務轉交給前者來執行，從而平衡任務分配。該局部搜索在解X上的執行步驟如下。第一步，選出X中最早完成任務的小組序列和最晚完成任務的小組序列。第二步，對于中的每個住戶，嘗試將其移出，並依次嘗試插入裡的個位置中，在這些位置中選擇一個使整個解的目標函數值 f(X)改進最大的一個。第三步，執行使目標函數值 f(X)改進最大的移動操作。第四步，重復第一步至第三步，直到目標函數無法繼續改進。第二種局部搜索策略只作用于新找到的當前最優解X*，因為該解有可能非常接近實際的全局最優解或某個局部最優解。該局部搜索每次嘗試交換X*中的兩個元素位置來生成一個鄰域解；解的長度為n+m-1，因此最多可能生成(n+m-1)(n+m-2)/2個鄰域解（由于元素中包括分隔符，有的鄰域解可能無效，而被忽略）。算法 1 給出了整個混合智能優化算法的偽代碼，其中rand函數生成指定範圍內均勻分布的一個隨機數。算法 1 求解社區疫情排查調度問題的混合智能優化調度算法。3.2 方案動態調整策略在排查過程中，如果一個小組排查到某個重點住戶有特殊情況（如發高燒需要就醫），則該小組需要留在該住戶處進行處置（如呼叫急救支援並等待救援到來）。通常情況下，這種處置時間會比較長且難以估算，因此本文的策略是將該組剩餘的任務實時分配給其他小組。不失一般性，設第1個小組在執行到其序列中的第j項任務時遇到了特殊情況，需要長時間處置，那麼需要將序列x1中從j+1到n1的重點住戶分配給其他小組。設遇到特殊情況時，其他每個小組i將要處理的下一個任務在序列xi中的下標為 pi；由于特殊情況的消息通信和重新調度都需要時間，本文的策略是不改變其他每個小組將要處理的下一個任務，即其他小組只有在處理完下一個任務後才可能去分擔x1的剩餘任務。剩餘任務的分配策略如下。第一步，令j = j+1。第二步，如果存在任務已全部完成的小組，即，則將x1錛j分配給其中距離最近的一個小組。第三步，否則，按式（8）選出一個小組i*，將第1小組的當前任務x1錛j插入序列xi*的第pi*個和第pi*+1個任務之間。第四步，令pi*=pi*+1，j = j+1。第五步，重復第一步至第四步，直到，即第1小組的剩餘任務全部分配完畢。在後續任務的執行過程中，如果第1小組對的特殊情況處置完畢，那麼該小組可以繼續執行排查任務；類似地，設此時其他每個小組i將要處理的下一個任務下標為，那麼採用如下策略為該小組重新分配任務。第一步，從其他小組中選出一個任務完成時間最長的小組，按式（9）從其序列中選出一個任務：第二步，如小組i*的任務完成時間晚于第1小組，那麼將'安排給第1小組，令j = j+1並轉至第一步；否則，調整過程結束。4.計算結果根據浙江省杭州市和紹興市多個社區日常疫情排查的實際案例，按照本文方法構建了12個問題實例並進行求解。這些問題實例對應的社區類型包括封閉式社區、板塊型社區和農村社區。各實例的基本特征見表1，其中N表示社區總戶數， n 表示重點住戶數，m 表示排查小組數量，表示每個重點住戶的平均排查時間，表示兩個重點住戶之間的平均交通時間，表示排查過程中遇到特殊情況需要處置的住戶數量，表示這些特殊情況的平均處置時間。12個實例中有 8個在排查過程中遇到了特殊情況而需要動態調整方案。為了驗證算法性能，筆者首先邀請有經驗的社區工作人員對每個問題實例手工制定排查規劃，他們的做法是將重點住戶大致劃分為幾個區域，然後安排工作小組分別排查這些區域，每個小組的路線大致按照由近到遠的貪心策略來規劃。接下來，在每個問題實例上，筆者分別運行了GA、ACO算法和BBO算法（這3個算法的參數均按參考文獻中的推薦設置）來與本文的WWO混合算法進行比較。相比而言，WWO混合算法只需要設置解集P的大小，不需要設置其他參數；這裡解集大小初始值設為50，並隨著算法迭代逐步減少到6（每次迭代刪除解集中的最差解）。除了人工方法外，每個智能優化算法在每個實例上隨機重復 30 次，算法終止條件均設置為 CPU 運行時間不超過 30 min。計算環境為Intel i7-6500 2.5 GHz CPU，8 GB DDR4內存，Windows 7操作系統。圖2給出了12個測試實例上的算法比較結果，其中基于經驗的人工方法標記為Man；針對每個智能優化算法，本文分別給出了其返回解的目標函數值的最小值（Min）、最大值（Max）、中位數（Median）、下四分位數（Q1）和上四分位數（Q3）。為便于表示，設每個實例上所有算法求解次數中得到的最佳解的目標函數值為f*，圖2中把所有目標函數值 f(X)統一縮放為 f(X)/f*。結果表明，在所有的問題實例上，最佳解f*都是WWO算法取得的。先比較人工方法和WWO算法，前者的目標函數值總是比後者 30 次運行中得到的最大值還要大；在小規模的實例#1和#2上，人工方法的目標函數值大約是WWO算法的2倍；在中等規模的實例#3～#8上，人工方法的目標函數值約是WWO算法的3~8倍；在大規模的實例#9～#12 上，人工方法的目標函數值超過了WWO算法的10倍，而且人工方法的解還違反了式（6）的約束。在所有實例上，人工方法的性能也都低于其他算法。這說明社區排查調度是一個復雜的問題，最優解乃至大部分次優解需要對分組和線路進行巧妙的組合優化才能發現，僅憑經驗很難找到較優的解。圖2 計算實驗結果再比較4個智能優化算法。在所有的問題實例上，WWO算法不僅中位數總是最小的，其他各項指標也都顯著優于其他3個算法。而且隨著問題規模的增長，WWO算法相對于其他算法的優勢越來越明顯，這說明WWO算法能夠有效求解大規模的復雜問題實例。在4個算法中，GA的總體性能表現最差，在中小規模的實例#2～#5上，其目標函數值大約是WWO算法的2倍；而在後面更大規模的實例上，GA的目標函數值最多達到了WWO算法的9倍，這是因為GA的搜索機制使其很容易陷入局部最優。BBO算法在較小規模的實例#1和#2上的性能接近WWO算法，說明其在較小的解空間內的搜索能力較強，但隨著解空間的增長，BBO算法全局探索能力的不足逐漸顯現；在最後兩個實例#11和#12上，BBO算法的目標函數值約為WWO算法的6倍。ACO算法的性能在小規模實例上略遜于 BBO 算法，但在更大規模的實例上逐漸趕上甚至超過了BBO算法，這說明ACO算法在較大的解空間中的搜索能力相對更強；盡管如此，在實例#10～#12 上，ACO 算法的目標函數值也達到了WWO算法的3倍。這些實例問題上的計算結果表明，本文提出的基于WWO算法的混合智能優化調度算法相對于其他算法具有明顯的性能優勢。上述問題實例中，有8個實例出現了需要特殊處置的情況。類似地，

台中夜市即將開幕

筆者也請社區工作人員手工制定對特殊情況的修改方案，其基本策略是把出現情況的小組的剩餘任務按由近到遠的順序分配給其他小組。圖3在這8個實例上分別比較了以下幾項：• 按手工方案無特殊情況發生的任務最終完成時間（記為MAN）；• 按手工方案應對特殊情況後的任務最終完成時間（記為MAN-R）；• 按 WWO 計算方案無特殊情況發生的任務最終完成時間（記為WWO）；• 按 WWO 計算方案應對特殊情況後的任務最終完成時間（記為WWO-R）。結果表明，按手工方案應對特殊情況後，任務完成時間平均增加了約 102 min，而本文方法應對特殊情況的任務完成時間只增加了48 min，這充分說明了本文的應對方法更為敏捷和有效。在大規模問題實例 #11和 #12上，按手工方案計算出的任務完成時間接近或達到24 h，應對特殊情況後的任務完成時間更是超過24 h，這在實際應用中顯然是無法滿足需要的。因此，應用本文方法對社區疫情排查進行優化調度，並在出現特殊情況後進行有效應對，對提高排查效率有巨大幫助。圖3 手工方案和WWO計算方案應對特殊情況前後的任務最終完成時間對比5.結束語本次新型冠狀病毒肺炎疫情防控的重點和難點在于基層，最大力量也在基層。但在疫情高發區，社區排查任務十分繁重，需要對排查任務進行高效的調度。本文提出了一種基于WWO算法的混合智能優化調度算法來實現社區疫情排查調度，並提出一種實時調整方法來應對排查過程中可能遇到的特殊情況。在浙江省多個社區排查的實際案例問題上的計算結果驗證了本文方法的有效性。本文研究中假定排查人員的分組是已經確定的。在更復雜的任務條件下，還需要按人員分工先進行分組，如區分一般工作人員、醫護人員、安保人員等，以便更有效地處置不同類型的重點住戶。下一步研究將考慮把人員優化分組也集成到整個優化模型中，並設計更有效的算法來求解集成後的問題。後續還擬將本文方法擴展應用于學校、工廠等其他重點區域的疫情排查，並引入網絡監測和分析來提高風險評估效果。作者簡介 About authors陳鑫（1997-），女，杭州師範大學信息科學與工程學院碩士生，主要研究方向為智能優化算法 。吳佳宇（1996-），女，

帝盛電子遊藝場

浙江工業大學計算機科學與技術學院碩士生，主要研究方向為智能優化調度 。吳雪（1996-），女，浙江工業大學計算機科學與技術學院碩士生，主要研究方向為智能優化調度 。張敏霞（1968-），女，博士，浙江工業大學計算機科學與技術學院副教授，主要研究方向為智能交通和智慧物流 。鄭宇軍（1979-），男，博士，杭州師範大學信息科學與工程學院教授，主要研究方向為智能優化計算 。，