我们对π，K，D（s）和B（s）介子的风味可观察性进行了全面研究，以限制两个希格斯双重峰模型（2HDM）具有自然风味保持性，即Z 2对称（I，II， X，Y）和对齐的模型类型。 使用更新的理论预测和B→τν，D→μν，D s→τν，Ds→μν，K→μν，π→μν，B s 0→μ+μ−，B d 0→μ的实验分析 +μ−，τ→Kν，τ→πν，B→X sγ$$ \ overline {B} \至{X} _s \ gamma $$，K‐K¯$$ K \ hbox {-} \ overline {K} $$混合，B d 0-B d 0 $$ {B} _d ^ 0 \ hbox {-} {\ overline {B}} _ d ^ 0 $$混合，B s 0-B s 0 $$ {B} _s ^ 0 \ hbox {-} {\ overline {B}} _ s ^ 0 $$混合，我们获得了2HDM中参数的约束。 在计算约束时，我们注意确定CKM矩阵元素，并将其重新拟合为实验数据，以使来自其他希格斯玻色子的新贡献不会影响确定。 结果，我们发现从II型和Y型的B→X sγ$$ \ overline

在这项工作中，我们研究了逃逸强子化作用并作为均匀散布的完美流体而幸存的一小部分夸克和胶子能否同时发挥暗物质和暗能量的作用。 如[1]所述，这种流体的特征在于两个主要参数：β，与作为暗物质的夸克和胶子的数量有关； 和γ，作为宇宙常数。 我们使用Ia型超新星（SNeIa），长伽玛射线暴（LGRB）类型和直接观测的哈勃数据，在宇宙尺度上探索该模型的可行性。 我们发现：（i）通常，β不能受SNeIa数据或LGRB或H（z）数据的约束； （ii）γ可以被所有三个数据集很好地约束，对能量物质含量的贡献约为78％； （iii）当假设（仅）重质物质先验强时，模型的两个参数被成功约束。

本文提出约束迭代LQR（CILQR）算法，解决自动驾驶中非线性系统与复杂约束下的实时运动规划难题。通过将状态和控制约束转化为二次成本项，结合障碍函数与线性化技术，实现高效求解。引入椭圆障碍物模型与多项式参考线，提升避障安全性与轨迹平滑性。仿真验证了算法在静态避障、变道跟车及混合场景中的有效性，计算时间低于0.2秒，具备实时应用潜力。 自动驾驶技术领域内的实时运动规划问题一直是一个研究热点，尤其是在面对非线性系统和复杂的约束条件时，传统的轨迹和采样方法很难满足高度动态环境下的空间和时间规划需求。为了提高计算效率，减少非平滑轨迹的出现，2017年IEEE 20th国际智能交通系统会议上，陈建宇、詹炜和富士重工的富士重工业株式会社提出了一个名为“约束迭代线性二次调节器”（CILQR）的新算法，该算法能够在满足复杂约束的条件下，高效地解决非线性系统的预测性最优控制问题。通过将状态和控制约束转化为二次成本项，并结合障碍函数和线性化技术，CILQR算法实现了运动规划问题的有效求解。陈建宇等人进一步通过引入椭圆障碍物模型和多项式参考线，极大地提升了避障安全性和轨迹的平滑度。仿真测试结果表明，CILQR算法在静态避障、变道跟车以及混合场景中均展现出了高效性和有效性，其计算时间低于0.2秒，展示了良好的实时应用潜力。 为了应对非线性和非凸的碰撞避免约束，CILQR算法在迭代线性二次调节器（ILQR）的基础上进行了改进。ILQR算法是一种高效的预测性最优控制问题求解算法，但它无法处理约束问题。陈建宇等人提出的CILQR算法有效地解决了这一问题，它在考虑非线性车辆运动学模型时，能够处理非凸碰撞避免约束，这些约束包含了非线性等式约束和非凸不等式约束，使得问题解决变得尤为困难和低效。在克服了这一难题后，CILQR算法生成的运动规划结果是连续的、最优的，并且具有空间和时间维度。 在运动规划模块中，CILQR算法能够处理动态变化环境下的非线性和非凸碰撞避免约束，从而在实时应用中保持高效率。陈建宇、詹炜和富士重工的研究成果，对自动驾驶车辆在复杂动态环境中的实时运动规划问题提供了一种新的解决思路。 此研究成果同时表明，陈建宇、詹炜和富士重工的团队通过结合先进的计算方法和数学建模技术，为自动驾驶领域提供了一种在高度动态环境中具有实际应用前景的实时运动规划解决方案。CILQR算法不仅提升了自动驾驶系统的避障安全性和轨迹平滑度，而且显著降低了计算成本，使得该算法在自动驾驶技术的实际应用中具备了更高的可行性。通过仿真验证，证明了CILQR算法在解决自动驾驶中运动规划问题的能力，为后续研究和实际应用奠定了坚实基础。

标准模型之外的几种粒子物理学理论都认为中微子会衰减。 在这项工作中，我们假设中微子振荡的标准机制是通过将最重的中微子质量状态衰减为无菌中微子而改变的，并且取决于模型，它是标量的还是马洛顿的。 我们研究了即将进行的KM3NeT-ORCA实验对这种情况的敏感性，发现它可以将振荡实验（考虑了三中微子振荡）的电流范围提高大约两个数量级。 我们还研究了这种中微子衰减的存在如何影响大气振荡参数sin2⁡θ23和Δm312的确定，以及对中微子质量排序的敏感性。

使用最近发现的希格斯玻色子ΦH的总宽度表示约束，使用其相对的壳上和壳外产生和对一对Z玻色子的衰减率，其中一个Z玻色子衰减成电子或介子对。 ，另一个是电子，介子或中微子对。 该分析基于2011年和2012年大型强子对撞机CMS实验收集的数据，对应于在质心能量s = 7 TeV和19.7fbâ1处的5.1fbâ1的综合光度。 在s = 8 TeV处。 同时最大似然拟合到共振峰附近和Z玻色子对生产阈值之上的测量的运动学分布导致在95％置信度水平上H = 22 MeV的希格斯玻色子宽度的上限 乘以标准模型中mH = 125.6 GeV的测量质量的期望值。

我们研究了具有动态混合和/或质量混合项的U（1）X模型的框架。 在这种模型中，我们给出了费米子规子相互作用以及中微子-电子散射截面的一般和精确的解析公式。 然后，我们在考虑新物理和标准模型贡献之间的干扰的情况下，得出了对引起中微子电子散射新物理贡献的各种U（1）X模型的限制。 分析了来自TEXONO，CHARM-II和GEMMA的数据，发现它们相互补充，为新载体玻色子的质量提供了最大的限制。 尤其是，我们证明了我们的结果对类似暗光子和亮Z'模型的有效性。

AMS-02观测到的宇宙射线（CR）e±过量可以用暗物质（DM）ni灭来解释。 但是，DM解释需要一个大的hil灭横截面，而其他观测结果则强烈反对该横截面，例如费米-拉特（Fermi-LAT）伽马射线观测矮星系和普朗克观测宇宙微波背景（CMB）。 此外，CR e±过量所需的DM ni没横截面也太大，以至于无法通过热生产产生正确的DM残留物密度。 在这项工作中，我们使用带有速度依赖的DM hil没横截面的Breit-Wigner机制来调和这些张力。 如果DM粒子的CR e±随v〜O（10-3）增大而非常接近于物理极点情况下的共振，那么它们在银河系中的an灭截面将达到最大值。 另一方面，对于矮星系中和重组时具有相对相对较小速度的DM颗粒，suppressed灭截面将得到抑制，这可能分别影响γ射线和CMB观测。 我们找到一个合适的参数区域，可以同时解释AMS-02结果和热文物密度，同时满足Fermi-LAT和Planck约束。

我们研究具有大量中微子的标量场暗能量模型（即Ï•CDM模型），其中标量场具有反幂律势，即V（Ï•）ˆˆâˆα（ α> 0）。 我们发现中微子质量的总和是对CMB温度功率谱和物质功率谱有重大影响。 另外，参数α对光谱也有轻微的影响。 采用联合样本来限制参数，这些样本包括来自Planck 2013和WMAP9的CMB数据，来自WiggleZ和BOSS DR11的星系聚类数据以及Ia型超新星观测的JLA汇编。 在考虑中的CDM模型的背景下，联合样本以高精度确定了宇宙学参数：重组时声层的角度大小，由于电离而产生的汤姆森散射光学深度，重子和冷暗的物理密度 物质，并且标量频谱索引估计为Î= =（1.0415ˆ0.0011 + 0.0012）×10×2，Ï= 0.0914×0.0242 + 0.0266，bh2 = 0.0222 ±0.0005，ch2 = 0.1177±0.0036和ns = 0.9644×0.0119 + 0.0118，分别在95％置信水平（CL）。 事实证明，对于CDM模型，在95％的CL下，α<4.995。 但是，不排除对应于α= 0的CDM方案在95％CL。 此外，对于

在非均匀宇宙中，暗光子向普通光子的宇宙学转换（反之亦然）可能发生在许多共振红移上。 这改变了CMB观察到的能谱和小尺度各向异性的程度。 我们利用EAGLE仿真的结果来获得沿随机视线的转换概率以量化这些影响。 然后，我们将结果应用于暗物质衰变所产生的暗光子，以及将它们的高红移转换为普通光子的情况，从而改变了宇宙曙光时代预期的21 cm全局信号。 具体来说，我们表明，从COBE / FIRAS的亮度温度测量和 普朗克和SPT的CMB各向异性测量。

（IEEE复现）多艘欠驱动无人水面艇编队协同路径跟踪控制：反步法控制器+Lyapunov误差约束+径向基函数神经网络在线估计和补偿仿真内容概要：本文围绕多艘欠驱动无人水面艇（USV）编队协同路径跟踪控制问题，提出了一种结合反步法控制器、Lyapunov误差约束和径向基函数（RBF）神经网络的控制策略。通过反步法设计控制器以实现精确的路径跟踪，利用Lyapunov稳定性理论构建误差约束条件确保系统稳定性，并引入RBF神经网络对系统中的未知动态和外部干扰进行在线估计与补偿，从而提升控制精度和鲁棒性。该方法在Matlab/Simulink环境中进行了仿真验证，复现了IEEE相关研究成果，展示了其在复杂海洋环境下多艇协同控制的有效性与先进性。; 适合人群：具备自动控制、机器人学或船舶工程背景，熟悉非线性控制理论与仿真工具（如Matlab）的研究生、科研人员及工程技术人员。; 使用场景及目标：①研究多智能体系统在不确定环境下的协同控制机制；②深入理解反步法、Lyapunov稳定性分析与神经网络自适应估计的融合设计方法；③应用于无人艇、无人潜器等海洋装备的路径跟踪与编队控制算法开发与优化； 阅读建议：建议读者结合文中提到的仿真代码进行实践操作，重点关注控制器设计步骤、Lyapunov函数构造逻辑以及RBF神经网络的权重更新律实现，同时可拓展至其他智能算法在海洋运载器控制中的应用研究。