985工科博士毕业，专攻定位、导航和滤波等算法研究。从业10年，主要使用MATLAB

本文介绍了一套面向城市干线多交叉口信号协调控制的仿真框架，重点研究了车联网环境下的全感应协调控制方法（FAC-CV）。该方法利用网联车辆提供的实时交通信息，动态调整绿灯时间和交叉口相位差，与传统固定协调和全感应协调控制相比，显著降低了平均延误和排队长度。仿真结果显示，FAC-CV在80%网联车辆渗透率下，平均延误比固定协调降低25.3%，比传统全感应协调降低15.8%。研究还分析了不同渗透率对控制效果的影响。配套MATLAB代码可模拟多种控制策略的性能对比，为车联网环境下的信号优化提供参考。

针对城市单交叉口的全感应信号控制仿真框架，核心方法为FA-CV（Fully-Actuated Control under Connected Vehicle Environment），即车联网环境下的全感应自适应控制。程序模拟四进口道交叉口在90个信号周期内的车辆到达、排队与消散过程，并以运动学模型重建网联车辆（CV）上报的位置与速度信息，据此估算清空排队所需的最小绿灯时长；

本文提出了一种基于TD-U-CP模型的城市交叉口信号控制优化方法，采用整数编码精英保留遗传算法对调头开口位置和信号配时方案进行联合优化。算法通过13个整数基因编码染色体，包含调头开口位置、绿灯时间和相位方案等信息，以通行能力与延误比为适应度指标，分两阶段进行优化：先独立优化各时段调头开口位置，再固定峰值时段方案后精细化调整信号配时。MATLAB实现结果表明，该方法能有效提升交叉口运行效率，输出推荐调头位置、最优相位方案及延误与通行能力的优化对比图表，为交叉口渠化设计与信号控制提供量化决策支持。

本文介绍了一种面向高动态车联网的移动性感知多智能体强化学习驱动分割联邦学习方法（VRC-FSHL）。该程序实现了服务器广播全局模型、车辆间协同卸载和联邦聚合的核心流程，通过动态选择最优DNN拆分点和目标车辆来优化训练时延。实验结果显示，相比本地训练和V2S卸载，V2V协作方案能显著提升训练效率，并自动回滚劣化方案以保持性能稳定。程序输出了模型收敛曲线、时延对比和卸载关系可视化结果，验证了车载节点协作的有效性。该方法可扩展至区块链信任评估、大模型边缘部署等研究方向。完整MATLAB代码已开源，适用于车联网和联

*边缘多中心分层联邦学习（Multi-Center Hierarchical Federated Learning, MCHFL）**框架，针对车路协同感知任务（以交通状态二分类为例，采用逻辑回归模型）构建了完整的仿真验证体系。该框架包含三个层次：（1）车辆层：各车辆基于本地交通感知数据进行小批量梯度下降的本地模型更新；