第五届计算机、物联网与控制工程国际学术会议（CITCE 2025)

重要信息

官网： https://ais.cn/u/Q3IBre

时间：2025年12月19-21日

地点：中国 · 广州

征稿主题

一、核心技术体系与交叉融合架构

1.1 技术体系的协同架构

计算机、物联网与控制工程的融合形成了多层次技术架构，各模块的协同关系如下：

技术领域	核心模块	关键技术	协同作用
计算机技术	计算平台、算法引擎	边缘计算、云计算、AI 算法	数据处理与智能决策
物联网技术	感知层、网络层	传感器网络、MQTT 协议、RFID	数据采集与传输
控制工程	控制层、执行层	PID 控制、模糊控制、模型预测控制	物理系统调节与执行

1.2 技术融合的典型特征

三者的融合呈现出实时性 、智能化 、分布式等特征：

实时性：物联网采集数据通过边缘计算快速处理，控制指令低延迟响应
智能化：AI 算法嵌入控制流程，实现自适应决策与优化
分布式：多节点协同工作，构建去中心化的智能控制系统

二、物联网技术的实践与应用

2.1 物联网通信协议对比与选型

物联网设备通信依赖多样化协议，不同协议的特性对比：

通信协议	传输距离	功耗	传输速率	适用场景
MQTT	远（TCP/IP）	低	中	设备消息传输
ZigBee	中	极低	低	智能家居、工业传感
LoRa	极远	低	低	广域物联网
5G	远	中	极高	高带宽低时延场景

2.2 物联网数据采集与处理示例

以下是基于 Python 的物联网数据采集与解析代码：

python

运行

复制代码

import paho.mqtt.client as mqtt
import json

# MQTT客户端配置
MQTT_BROKER = "broker.emqx.io"
MQTT_PORT = 1883
MQTT_TOPIC = "sensor/data"

def on_connect(client, userdata, flags, rc):
    print(f"Connected with result code {rc}")
    client.subscribe(MQTT_TOPIC)

def on_message(client, userdata, msg):
    # 解析传感器数据
    payload = json.loads(msg.payload.decode())
    sensor_id = payload["sensor_id"]
    temperature = payload["temperature"]
    humidity = payload["humidity"]
    timestamp = payload["timestamp"]
    
    print(f"传感器[{sensor_id}]数据：温度={temperature}°C，湿度={humidity}%，时间={timestamp}")
    
    # 数据预处理与阈值判断
    if temperature > 30:
        print(f"警告：传感器[{sensor_id}]温度过高！")

# 初始化MQTT客户端
client = mqtt.Client()
client.on_connect = on_connect
client.on_message = on_message

client.connect(MQTT_BROKER, MQTT_PORT, 60)
client.loop_forever()

三、智能控制算法的实现与优化

3.1 模型预测控制（MPC）的应用示例

模型预测控制适用于多变量约束系统，以下是简化的 MPC 实现代码：

python

运行

复制代码

import numpy as np
from scipy.optimize import minimize

class MPCController:
    def __init__(self, model, horizon=5):
        self.model = model  # 系统模型：x_{k+1} = f(x_k, u_k)
        self.horizon = horizon  # 预测时域
        self.u_bounds = [(-1, 1)]  # 控制输入约束

    def cost_function(self, u_seq, x0, setpoint):
        # 计算预测时域内的成本
        x = x0
        cost = 0
        for u in u_seq.reshape(-1, 1):
            x = self.model(x, u)
            cost += np.sum((x - setpoint)**2) + 0.1 * np.sum(u**2)
        return cost

    def compute_control(self, x0, setpoint):
        # 初始化控制序列
        u_init = np.zeros(self.horizon)
        # 优化控制序列
        result = minimize(self.cost_function, u_init, args=(x0, setpoint),
                         bounds=self.u_bounds * self.horizon)
        # 返回第一个控制输入
        return result.x[0]

# 一阶系统模型：x_{k+1} = 0.8*x_k + 0.5*u_k
def system_model(x, u):
    return 0.8 * x + 0.5 * u

# MPC控制示例
mpc = MPCController(system_model, horizon=5)
x = 0  # 初始状态
setpoint = 5  # 目标值

for step in range(20):
    u = mpc.compute_control(x, setpoint)
    x = system_model(x, u)
    print(f"Step {step}: 状态={x:.2f}，控制输入={u:.2f}")

3.2 强化学习在控制中的应用

强化学习通过与环境交互优化控制策略，以下是倒立摆控制的 Q-learning 实现：

python

运行

复制代码

import numpy as np

class QLearningController:
    def __init__(self, state_dim, action_dim, alpha=0.1, gamma=0.9, epsilon=0.1):
        self.q_table = np.zeros((state_dim, action_dim))
        self.alpha = alpha  # 学习率
        self.gamma = gamma  # 折扣因子
        self.epsilon = epsilon  # 探索率

    def choose_action(self, state):
        # ε-贪心策略
        if np.random.uniform(0, 1) < self.epsilon:
            return np.random.choice(self.q_table.shape[1])
        else:
            return np.argmax(self.q_table[state, :])

    def learn(self, state, action, reward, next_state):
        # Q值更新
        old_value = self.q_table[state, action]
        next_max = np.max(self.q_table[next_state, :])
        new_value = old_value + self.alpha * (reward + self.gamma * next_max - old_value)
        self.q_table[state, action] = new_value

# 倒立摆环境简化模型
def pendulum_env(state, action):
    angle, angle_vel = state
    # 动作：0(左推)、1(不动)、2(右推)
    torque = (action - 1) * 0.5
    angle_vel += (3 * np.cos(angle) + torque) * 0.05
    angle += angle_vel * 0.05
    angle_vel *= 0.99  # 阻尼
    
    # 状态离散化（角度分10区间，角速度分10区间）
    angle_bin = int((angle + np.pi) / (2*np.pi/10)) % 10
    vel_bin = int((angle_vel + 8) / (16/10)) % 10
    next_state = angle_bin * 10 + vel_bin
    
    # 奖励计算
    reward = np.cos(angle) if abs(angle) < np.pi/2 else -10
    done = abs(angle) > np.pi/2
    return next_state, reward, done

# 训练过程
controller = QLearningController(state_dim=100, action_dim=3)
episodes = 1000

for episode in range(episodes):
    state = (np.random.uniform(-np.pi/4, np.pi/4), 0)
    state_bin = int((state[0] + np.pi)/(2*np.pi/10))*10 + int((state[1]+8)/(16/10))
    total_reward = 0
    
    for _ in range(200):
        action = controller.choose_action(state_bin)
        next_state_bin, reward, done = pendulum_env(state, action)
        controller.learn(state_bin, action, reward, next_state_bin)
        
        state_bin = next_state_bin
        total_reward += reward
        if done:
            break
    
    if episode % 100 == 0:
        print(f"Episode {episode}: 总奖励={total_reward:.2f}")

四、系统集成与工程实践

4.1 边缘计算与物联网的融合架构

边缘计算将计算能力下沉至物联网边缘节点，典型架构包括：

感知层：传感器、智能设备采集数据
边缘层：边缘网关、边缘服务器实现数据预处理与实时控制
云端层：大数据分析、模型训练与全局优化

4.2 工业控制系统的安全防护

工业控制系统面临网络攻击风险，防护策略包括：

网络隔离：采用 DMZ 区域隔离生产网与办公网
访问控制：基于角色的权限管理（RBAC）
入侵检测：异常流量分析、行为模式识别
数据加密：传输层采用 TLS/SSL，存储数据加密

五、国际交流与合作机会

作为国际学术会议，将吸引全球范围内的专家学者参与。无论是发表研究成果、聆听特邀报告，还是在圆桌论坛中与行业大咖交流，都能拓宽国际视野，甚至找到潜在的合作伙伴。对于高校师生来说，这也是展示研究、积累学术人脉的好机会。