• 研究题目与背景

  • 题目：大型语言模型辅助科研写作的认知负荷与质量影响评估（心理学与教育技术交叉领域，实验研究）
  • 背景说明：
    • 现实问题：研究人员在选题梳理与草稿撰写中越来越依赖LLM，但其对认知负荷（尤其是外在负荷与本质/生成性负荷的权衡）、写作质量（结构、论证、准确性、规范性）与潜在偏差的作用缺乏严格的控制性因果证据。
    • 现有局限：多数研究基于主观调查或事后评价，混杂任务难度、学科差异、LLM熟练度、信息来源可得性等变量；缺乏过程数据与可重复的实验范式。
    • 本研究定位：采用被试内设计，设置无辅助、提示工程辅助、反馈迭代三种条件；以短时文献综述与方法草写为任务；采集过程数据与NASA-TLX，双盲专家评分量化质量；分层控制专业水平与主题熟悉度，进行预注册与伦理审查，力图获得稳健的因果证据与可推广的实践准则。

• 研究问题与意义

  • 核心研究问题：
    1. 与无辅助相比，提示工程辅助与反馈迭代是否显著降低科研写作的主观认知负荷（NASA-TLX），并如何影响过程负荷指标（时间、停顿、编辑轨迹、提示策略）？
    2. 两种LLM辅助范式对写作质量（结构完整性、论证严密性、事实准确性、学术规范性）的主效应与差异如何？是否存在“降低负荷—提升质量”的协同或权衡？
    3. 专业水平（分层）与主题熟悉度是否显著调节LLM辅助的效果？不同学科场景（心理学 vs 教育技术）是否影响外部效度？
    4. LLM辅助是否引入系统性偏差（如引用分布、措辞风格、概念选择）？如何以可操作的准则降低风险？
  • 研究假设（可在预注册中明确方向与备择方案）：
    • H1（负荷）：相较无辅助，提示工程与反馈迭代均降低NASA-TLX总体负荷；反馈迭代在外在负荷上降幅更大，但可能提高生成性负荷（任务投入），总体主观负荷变化需实证检验。
    • H2（质量）：反馈迭代 > 提示工程 > 无辅助，在结构与论证质量上呈现阶梯式提升；准确性与规范性在“限定语料”的条件下改善更显著。
    • H3（调节）：低熟练度/低主题熟悉度群体获益更大；存在条件×熟练度的交互。
    • H4（偏差）：在不限定信息来源时，LLM输出的引用与概念偏向可能上升；在限定语料+证据对齐约束下可显著缓解。
  • 学术与应用意义：
    • 提供因果证据与可重复范式，填补“主观调查—控制实验”之间的证据缺口。
    • 产出分层使用准则与风险清单，服务研究生培养、科研写作培训与机构政策制定。
    • 公开匿名化过程数据与评分基准，推动方法复用与社区标准。

• 文献综述要点

  • 综述框架：
    • 理论基础：认知负荷理论（本质负荷、外在负荷、生成性负荷的划分及在写作任务中的映射）、自我调控学习与分布式认知/工具中介理论。
    • 写作与人机协作：学术写作过程模型（规划—草拟—修订—校对）、LLM对构思、结构化和语言润色的潜在作用与风险（幻觉、引用不当、过度简化）。
    • 评测方法：NASA-TLX维度与应用、过程数据（编辑轨迹、停顿、时间）作为负荷与策略的代理指标；专家评分与信度评估（ICC/广义理论）；自动化度量的局限与辅助角色（可读性、语法错误率等）。
    • 先行证据：LLM在教育技术与心理学写作中的初步研究（偏调查/准实验）、提示工程与迭代反馈范式的效果与边界。
  • 检索建议：
    • 数据库：PsycINFO、ERIC、Web of Science、Scopus、ACM Digital Library、IEEE Xplore。
    • 关键词组合：large language model OR generative AI AND scientific writing; cognitive load OR NASA-TLX; prompt engineering; iterative feedback; writing quality; process mining; academic integrity。
    • 纳入/排除标准：近5年为主，方法严谨、可重复性高的实证研究优先；排除缺乏对照或不可验证的案例分享。
  • 综述写法：
    • 以问题驱动组织（负荷、质量、偏差与调节变量），形成证据图谱与空白点。
    • 指出方法学不足（未控制语料、未记录过程数据、样本分层缺失）与本研究如何补足。

• 研究方法与设计

  • 实验设计：
    • 设计类型：被试内 3 条件（无辅助、提示工程辅助、反馈迭代），任务类型为短时文献综述与方法部分草写。
    • 主题与材料：为控制信息来源与难度，提供经预评估等价难度的3个微主题；每个主题附6–8篇摘要与关键段落的“限定语料包”（PDF/文本），统一任务指令与时间。
    • 条件定义：
      • 无辅助：仅使用文本编辑器与限定语料，不得调用LLM或外部检索。
      • 提示工程辅助：提供标准化提示模板（如角色设定、分步大纲、要点提取）；规定最多3–5次交互，禁止自由迭代与外部检索；要求输出必须证据对齐（引用限定语料）。
      • 反馈迭代：允许与LLM连续往返迭代，包括让LLM自评与重写；仍需限定语料与证据对齐；记录全部交互。
    • 任务时长与流程：每主题30–40分钟；条件顺序采用拉丁方随机化；每次任务间设10分钟洗脱期；任务前进行提示策略简短训练（10分钟），确保理解操作规范。
  • 被试与分层：
    • 样本量建议：以中等效应f=0.25、α=0.05、功效0.80、3水平RM设计估算，建议至少N=48–60；考虑专业水平分层（如硕士、博士、博士后/教师各≈16–20人），总样本≈60较稳健。可先行N≈18–24的pilot用于效应与方差估计，再确定主试样本。
    • 纳入标准：具备基础学术写作能力；语言一致（例如中文或英文统一）；无严重视听或输入障碍；对LLM有基本认知但无强烈依赖。
    • 熟悉度测量与匹配：每主题事前自评熟悉度（Likert），用于随机分配与统计控制；写作能力基线测验（简短写作任务或历史作品评分）。
  • 过程数据采集与度量：
    • 工具与日志：键击/编辑轨迹记录（如Keylogger或Inputlog类工具）、屏幕与窗口焦点切换、时间/停顿分布、LLM交互日志（prompt与响应、token量、轮次）。
    • 认知负荷：任务后即时NASA-TLX（原始维度与加权得分）；可叠加Paas主观努力量表作为稳健性指标。
    • 质量评分：双盲专家评分，维度包括结构（逻辑、段落组织）、论证（证据使用、推理严密）、准确性（事实与引用对齐）、规范性（格式、伦理合规）；至少2–3名评审，先行标尺校准与评审一致性训练；计算ICC(2,k)或G系数，必要时加第三评审仲裁。
    • 辅助自动指标：可读性、用词多样性、语法错误率、引用覆盖率；仅作辅证，不替代人工评分。
    • 偏差度量：限定语料对齐率、引用集中度（年份/期刊分布）、措辞模式（过度肯定/模糊词频），以及与限定语料不一致的陈述比例。
  • 伦理与合规：
    • 预注册（OSF/本校注册平台）：明确假设、主要与次要结果、统计模型、排除标准、缺失值处理、修订边界。
    • 伦理审批：自愿知情同意、可撤回、数据匿名化处理（去标识prompt内容中的个人信息）、屏幕录像审慎使用与安全存储。
    • 学术规范：严禁幻觉式引用，必须从限定语料中抽取证据；公开数据前做去隐私与合规审查。
  • 统计分析计划：
    • 主要模型：线性混合效应模型（LMM）
      • 负荷模型：NASA-TLX总分 ~ 条件 + 主题熟悉度 + 专业水平 + 任务顺序 +（1|被试）+（1|主题），必要时加入条件×熟练度交互；维度级分析作为次要结果。
      • 质量模型：质量总分/各维度 ~ 条件 + 熟练度 + 熟悉度 + 顺序 +（1|被试）+（1|主题）；评审者作为随机效应或使用评分平均并报告ICC。
    • 稳健性：重复测量ANOVA对照分析；非正态时考虑有序回归或稳健回归；多重比较采用Benjamini–Hochberg控制FDR。
    • 过程特征与预测：用时间、停顿、修订率、prompt长度/轮次等特征构建认知负荷预测模型（Elastic Net/随机森林/梯度提升）；采用被试外留一交叉验证防止泄漏。
    • 效应呈现：报告估计值、95%CI、效应大小（η²p或标准化系数）、Bayes因子可作为补充；可视化轨迹与分布。

• 预期成果与创新点

  • 预期成果：
    • 实证证据：LLM辅助对认知负荷与写作质量的因果效应与调节机制；过程数据驱动的策略画像。
    • 规范与准则：分熟练度与学科场景的使用建议、提示工程策略库、风险清单。
    • 开放资源：匿名化过程数据、评分标尺与示例、可复现实验方案与分析脚本。
    • 应用产出：顶级会议/期刊论文1篇以上；教学培训材料与评审式实践指南。
  • 创新点：
    • 采用“限定语料+证据对齐+被试内对照”的严格范式，最大限度剥离信息可得性与任务难度混杂。
    • 将主观负荷、过程数据与质量评分三线融合，建立可解释的因果链与预测模型。
    • 明确两类LLM辅助范式（模板化提示 vs 迭代反馈）的差异化效应与适配场景。
    • 完整的开放科学实践：预注册、双盲评分、数据与脚本开放，提升可重复与推广性。

• 研究计划与时间安排

  • 第1–2月：文献综述与方案细化；主题遴选与难度预评估；评分标尺开发与评审训练；伦理审批与预注册完成。
  • 第3月：平台与日志系统搭建与联调；pilot实验（N≈18–24），估计效应与方差，优化任务与时长。
  • 第4–6月：正式数据采集（N≈60），分层与顺序随机化实施；质量控制与数据备份。
  • 第7–8月：数据清洗与信度检验；主要与次要分析；预测模型训练与验证；可视化与结果解释。
  • 第9月：撰写论文、实践指南与培训材料；数据与脚本整理与开放发布。
  • 第10月：投稿与修订；研讨会/课程内试用与反馈迭代。

• 可行性分析

  • 资源与技术：
    • 必需设备：统一写作环境与LLM接口、键击/编辑轨迹记录工具、数据存储与加密。
    • 人力与专业：统计与数据工程支持、双盲评审专家库（心理学/教育技术双域）。
  • 风险与控制：
    • 学习与顺序效应：拉丁方与洗脱期控制；在模型中显式加入顺序项。
    • 幻觉与不当引用：限定语料与证据对齐要求；评分惩罚与过程审计。
    • 评审一致性：充分的标尺校准与一致性检验；必要时第三评审仲裁。
    • 外部效度：跨学科双域样本与分层设计；在讨论中界定适用边界。
    • 数据隐私：严格匿名化；屏幕录像仅用于过程指标提取并受控访问。
  • 预算与时间：以学校/项目支持为主；实验平台一次性开发后可复用，降低后续成本。

• 参考文献格式要求

  • 引用风格：建议采用APA第7版或目标期刊指定格式；所有引用需与限定语料或可验证来源对齐。
  • 文内与参考列示：
    • 期刊论文：作者.（年份）。题目。期刊名，卷(期)，页码。DOI
    • 会议论文/报告：作者.（年份）。题目。会议名，地点。DOI/URL
    • 工具与软件：开发者.（年份）。软件名与版本[计算机软件]。来源/URL。注明访问日期与参数设置（如LLM模型名、版本、温度）。
    • 量表与方法：原始文献完整引用（如NASA-TLX原始论文）。
  • 数据与材料引用：开放数据与脚本需提供持久标识（如DOI/OSF链接），在方法与附录中详述采集与处理流程。
  • 学术规范：
    • 严禁不当二次引用与未核实来源；避免将LLM输出作为原始事实来源，需由限定语料或权威文献支持。
    • 标注使用的LLM模型、接口、参数与版本，确保可重复性。

撰写提示：

• 在开题报告中，优先以“研究问题—方法—证据链”结构展开，明确控制与对照、过程记录与质量评价之间的逻辑闭环。
• 将“限定语料与证据对齐”作为贯穿全案的原则，以此保证准确性与伦理合规。
• 在预注册中锁定主要假设、模型与排除/修订准则；报告阶段严格遵循并区分探索性分析。

研究题目与背景

• 建议题目（可二选一并在开题时进一步细化）：

  • 低碳城市交通场景下的多目标鲁棒优化与强化学习混合调度框架研究
  • 面向信号控制—公交优先—电动充电协同的多目标鲁棒优化与Pareto学习方法

• 背景撰写要点（建议1500–2000字）：

  1. “双碳”目标与城市交通低碳转型需求：说明交通部门碳排占比、拥堵—排放—公平的多目标内在张力；指出电动化、公共交通优先与智慧信号成为主线但存在系统耦合与不确定性。
  2. 现有方法局限：
     • 单目标或加权和方法难以稳定刻画Pareto权衡，权重敏感、不可解释。
     • 传统启发式与局部优化难以在大规模实时场景下兼顾收敛性与稳健性。
     • 强化学习在交通控制中表现出一定效果，但缺乏对安全/约束/公平的严格保证；与优化模型耦合不足。
     • EV充电调度与信号控制/公交优先分割求解导致系统性效率损失。
  3. 技术挑战：
     • 多尺度时空（秒级信号、分钟级公交、小时级充电；路口—走廊—区域—配电网）决策协调。
     • 需求波动、观测噪声、模型失配导致解的鲁棒性与泛化性不足。
     • 实时性与可扩展性矛盾：复杂约束下的求解时间受限。
  4. 拟解决路径（简述）：基于分解协调（Benders/ADMM）构建可证明的离线多目标鲁棒优化层，得到Pareto前沿与策略族；结合约束/安全强化学习实现在线自适应与滚动优化；在SUMO与真实路网半实物实验验证；针对信号、公交优先、EV充电统一建模并给出收敛与复杂度分析。

—写作提示：用一张“问题—方法—验证—成果”的框架图概览研究闭环；量化实时性（如每相位更新≤1 s）、规模（路口数/车道数/充电桩数）、不确定性类型（需求±x%、噪声方差）。

研究问题与意义

• 核心研究问题（RQ）：

  • RQ1 多目标如何在拥堵（延误）、排放强度、交通公平之间形成可解释且可计算的Pareto前沿？
  • RQ2 如何构造能处理多尺度耦合（信号—公交优先—EV充电—配电约束）的统一模型与分解机制？
  • RQ3 需求波动与传感噪声下，如何进行鲁棒/分布式鲁棒建模并保证解的可行性与性能下界？
  • RQ4 如何将具有理论保证的分解优化与强化学习在线决策有效耦合，并确保约束可行与收敛？
  • RQ5 在大规模真实路网中，如何实现分钟级/秒级实时求解的工程化落地？
  • RQ6 如何量化并优化公平性（区域/群体延误、公交通达性）而不牺牲整体效率与低碳目标？

• 研究意义：

  • 理论层面：构建面向低碳交通的多目标鲁棒优化—RL混合范式，补足Pareto可证性与在线适应性之间的理论断层。
  • 方法层面：提出可扩展的ADMM/Benders协调方案与约束RL的集成策略，给出收敛性与性能下界。
  • 实践层面：统一信号控制、公交优先与EV充电调度，直接服务低碳治理；形成可复现工具链与政策建议。

文献综述要点

• 检索策略与数据库：
  • 数据库：Web of Science, Scopus, IEEE Xplore, TRR/TRB, Transportation Science, Transportation Research Part B/C/D/E, Operations Research, Management Science, Automatica, NeurIPS/ICLR/AAAI（方法学）
  • 关键词组（布尔组合）：multi-objective traffic signal control, Pareto optimization, robust optimization, distributionally robust, ADMM, Benders decomposition, constrained reinforcement learning, safe RL, EV charging scheduling, transit signal priority, emission modeling SUMO HBEFA/CMEM, equity in transportation
• 综述结构建议（分主题小节）：
  1. 多目标交通优化与Pareto学习：ε-约束、标量化、Pareto导航（NBI/NCH）、多目标RL（policy ensembles/hypervolume）；指出可解释性与全局覆盖不足问题。
  2. 交通流与排放建模：CTM/MFD/DTA与SUMO排放模型（HBEFA/PEMS/CMEM接口）；对比精度—计算开销权衡与标定要点。
  3. 分解协调算法：ADMM在网络流/能量系统/交通控制中的应用，Benders在充电/选址/调度中的分解优势；现有工作对非凸/离散变量处理的限制。
  4. 强化学习在交通控制：单点—走廊—区域控制、MARL、约束/安全RL、模型预测RL；缺点：可行性与稳定性保证不足、迁移泛化弱。
  5. 鲁棒/分布鲁棒优化：区间/椭球/Wasserstein集合在交通与充电中的应用；保守性—性能权衡与数据驱动集合构建。
  6. 公平性度量与优化：延误Gini系数、区域加权、机会可达性；权衡机制与政策解释性。
• 综述写作要点：
  • 用对比表总结“方法—适用规模—约束处理—理论保证—实时性”。
  • 识别研究空白：多目标+鲁棒+分解+RL的统一框架与证明稀缺；充电—信号—公交的强耦合缺乏可扩展求解。

研究方法与设计

• 统一问题建模（建议给出形式化符号表）：

  • 决策变量：
    • 信号层：周期C、相序π、绿信比g、相位切换y（含整数变量）、协调偏移φ
    • 公交层：TSP触发策略uTSP、专用相位时长、车道/发车调整
    • 充电层：车辆-桩匹配x, 充电功率/时隙p, SOC轨迹s, 站点容量约束
  • 目标集（多目标）：
    • f1 总延误/总旅行时间/排队溢出惩罚
    • f2 碳排强度（车辆工况+排放因子）或等效CO2
    • f3 公平性（延误Gini/区域加权/弱势群体权重）
  • 约束：
    • 交通流守恒（CTM或近似MFD）、饱和流率、相位冲突矩阵、黄灯与安全净空
    • 公交与TSP服务水平约束（头时距、准点率）
    • EV充电：桩功率上限、时间窗、SOC动态、站/配电容量（功率流近似或容量上界）
    • 实时性：滚动时域与计算预算约束
  • 不确定性：
    • 需求扰动、传感噪声、到达时变；不确定集合U（区间/椭球/Wasserstein球）

• 求解框架（两层混合）：

  1. 离线层（鲁棒多目标分解优化）：
     • 采用ε-约束或参考点法生成Pareto前沿；对每个标量化子问题构造鲁棒/分布鲁棒版本
     • 分解策略：
       • ADMM跨子系统分拆：信号-公交-充电子问题，通过一致性变量（如交叉口流率、走廊协调参数、站点功率）耦合；给出收敛条件（凸松弛下可证）
       • Benders用于充电调度主从分解：主问题为站点容量与匹配，子问题为时间/功率优化；对可行割/最优割的构造与收敛界定
     • 可行性保障：引入软约束与罚项、IIS检测与割平衡；对离散变量采用拉格朗日松弛+启发式修复
     • 产出：Pareto策略集S、KPI-权衡曲线、鲁棒性灵敏度（对U半径/风险水平）
  2. 在线层（约束/安全强化学习+滚动优化）：
     • 状态：局部排队长度、相位占有、公交到站预测、EV到站与SOC、历史流量、近似对偶价格
     • 动作：相位切换/绿信微调、TSP触发、充电功率细化
     • 约束机制：Lagrange/Primal-Dual约束RL、Shielding/可行域投影、Lyapunov风险约束
     • 训练：离线用仿真器（SUMO）和从离线层生成的“教师策略”做行为克隆+RL微调；在线部署用MPC式滚动优化与策略安全过滤
     • 理论分析大纲：在凸松弛与光滑假设下证明ADMM子问题ρ-收敛；对约束RL给出违约概率上界；对混合框架给出性能下界：J(πmix) ≥ α·J(Pareto-ref) − β（α、β与函数逼近误差和U半径相关）

• 鲁棒/分布鲁棒建模建议：

  • U构建：基于历史轨迹/检测器数据估计到达率分布；用Wasserstein半径由交叉验证或概率不等式（例如由样本量N决定半径）设定
  • 对偶 reformulation：线性/凸约束下将DRO转化为可解的对偶形式；对非凸部分采用近似上界

• 实验设计与评测：

  • 场景：合成中等规模网（50–100路口）与真实路网（来自OSM+地方数据）；充电站10–30处、公交3–5条主干线
  • 基线：固定定时、SCOOT/SCATS近似、经典交通-排放加权优化、仅RL方法、仅优化方法、无TSP/无协同对照
  • KPI：平均延误、排放强度、等值CO2、公交准点率、EV等待/绕行、队列溢出率、计算时延、超约束率、公平性指标（Gini/区域95分位延误）
  • 统计与显著性：多次随机种子重复、置信区间、非参数检验；超参数敏感性与消融实验
  • 半实物：SUMO联动实时控制器与消息总线（TraCI）；硬件在环模拟（可选低功率工控机）验证实时性

• 复现与工程化：

  • 工具链：Python+PyTorch/JAX、Pyomo/CVXPy、SUMO/TraCI、Docker容器、Snakemake/Make流程
  • 数据与配置：OSM路网、探测器数据清洗脚本、仿真种子、情景配置、版本锁定（requirements.txt/conda env）

预期成果与创新点

• 预期成果：

  • 具备理论保证的多目标交通调度算法与混合框架，提供收敛性与性能下界证明文档
  • 开源工具链与基准案例集（含真实路网配置与不确定性场景生成器）
  • 决策支持原型系统（可视化Pareto前沿与策略选择、在线监控）
  • 定量效果：延误降低≥12%，碳排强度降低≥10%（以对照基线为参照，在公开场景复现实验中报告）
  • 2篇高水平论文、技术白皮书与政策建议

• 创新点提炼（建议在开题中明确对应RQ）：

  1. 多目标—鲁棒—分解—RL一体化框架：从可解释的Pareto策略到可适应的在线控制，实现“离线可证+在线可用”
  2. 统一建模三要素：信号控制、公交优先、EV充电在一个可分解且可扩展的优化结构中协同
  3. 分布鲁棒+对偶价信号驱动的ADMM协调：在不确定到达/观测下保持可行和高性能
  4. 约束/安全RL与优化策略蒸馏：将优化解蒸馏为策略先验，显著提升RL样本效率与可行性
  5. 公平性可计算度量与可解释调度：将Gini/区域权重嵌入Pareto导航，给出政策友好可解释结果

研究计划与时间安排（24个月范例）

• M1–M3：需求分析与数据准备；文献综述框架、指标体系与仿真平台搭建；完成开题
• M4–M7：统一模型与不确定性集合构建；ADMM/Benders原型与凸松弛研究；初步收敛分析
• M8–M11：离线多目标鲁棒求解与Pareto生成；真实路网数据标定；工具链打通
• M12–M14：约束/安全RL设计与优化解蒸馏；滚动优化与安全过滤模块
• M15–M17：大规模综合实验与消融；半实物测试；目标达成度初评
• M18–M20：理论完善（性能下界、复杂度界定）；论文初稿与白皮书雏形
• M21–M22：系统化复现包与基准发布；面向政策的案例分析与可视化
• M23–M24：论文提交与答辩材料；项目总结与推广

—里程碑：M7收敛初证；M11 Pareto前沿报告；M17半实物演示；M22开源与白皮书；M24论文与政策建议完成。

可行性分析

• 资源与条件：
  • 计算：单机GPU+多核CPU即可；大规模实验可用集群/云计算；实时控制目标每步≤1 s
  • 数据：OSM路网+地方开放数据/企业合作数据（若可）；SUMO排放模型与校准流程成熟
  • 人员：优化/OR 1人、RL/AI 1人、交通工程与仿真 1人，协同开发
• 风险与对策：
  1. 求解规模与实时性冲突：采用分解并行、热启动、策略库检索、代理模型（图神经网络近似价值/约束）
  2. 非凸与离散导致的可证明性不足：对关键子问题进行凸松弛并给出界；对整数变量采用列生成/启发式修复并报告可行性保证
  3. 数据不确定性与域外泛化：分布鲁棒集合+仿真域随机化；在线校准与漂移检测
  4. RL可行性与安全：约束RL+屏蔽器；上线前影子模式运行与A/B测试
  5. 公平性与效率权衡：采用ε-约束控制公平底线，提供决策者可调参数与解释性可视化
• 伦理与合规：
  • 隐私保护（匿名化数据）、算法公平（敏感属性不用于歧视性决策）、安全冗余（故障回退到固定时控）
• 成本与产出比：软硬件可控；开源成果与政策价值显著

参考文献格式要求

• 推荐规范：GB/T 7714—2015（中文学位论文常用）或APA第7版（英文期刊）；开题报告中建议统一GB/T 7714
• 文内引用：采用[序号]标注，按首次出现排序；英文期刊名可缩写；中文文献提供英文题名翻译
• 参考类型示例（GB/T 7714）：
  • 期刊：作者. 题名[J]. 期刊名, 年, 卷(期): 起止页码.
  • 会议：作者. 题名[C]//会议名. 出版地: 出版社, 年: 页码.
  • 专著/章节：作者. 书名[M]. 版次. 出版地: 出版社, 年: 页码.
  • 学位论文：作者. 题名[D]. 学校, 年.
  • 软件/数据集：作者/机构. 名称[CP/OL]. 版本, 年. 获取链接.
• 写作规范与工具：
  • 使用Zotero/EndNote管理条目、设置GB/T 7714样式
  • 对开源工具与数据集进行可引用的条目登记（版本号、DOI/URL）
  • 综述部分建议≥50条高质量文献，覆盖交通、OR、RL与鲁棒优化交叉

—附：开题报告撰写清单

• 研究问题清晰、指标与约束定义完备、场景与规模可量化
• 方法选择与理论假设明示，收敛与下界的适用条件与限制说明
• 实验设计含基线、统计检验与消融，复现路径与数据合规可核查
• 风险—对策—伦理合规三位一体陈述
• 贡献—创新与政策价值明确，和预期定量目标一致

如需，我可根据你拟选的城市/路网与可得数据，给出更具体的变量取值范围、仿真步长设置、超参数与不确定集合半径设定建议。