在现代半导体制造领域，光刻技术作为将电路图案转移到硅晶圆上的关键步骤，其精度和效率直接决定了芯片的性能和成本。随着特征尺寸的不断缩小，传统的光刻技术面临着物理极限和技术挑战。极紫外（EUV）光刻凭借其超短波长（13.5纳米），被认为是实现下一代集成电路的关键技术。然而，传统的掩模版 EUV 光刻由于掩模版制造成本高昂、缺陷敏感性以及掩模版传输的复杂性等问题，在大体积制造中面临一定的挑战。无掩模光刻

随着电力系统市场化改革的持续深化，市场竞争日趋白热化，传统电力市场决策方法（如线性规划、博弈论等）在应对高维状态空间、连续动作空间以及动态不确定的市场环境时，逐渐显现出决策效率低、适应性差等局限性。电力市场参与者（发电企业、售电公司、虚拟电厂等）需在实时电价波动、负荷变化、竞争对手策略调整等多重约束下，制定最优报价、发电计划或交易策略，以实现利润最大化等核心目标，这一过程亟需具备自学习与自适应能力

在数据驱动的智能时代，分类任务作为数据处理与分析的核心环节，广泛应用于故障诊断、信号识别、医疗影像分析、金融风控等诸多领域。随着应用场景的复杂化，原始数据呈现出高维度、非结构化、噪声干扰强等特征，对分类模型的特征提取能力与分类精度提出了更高要求。卷积神经网络（CNN）凭借局部连接、权值共享和空间采样的独特优势，具备强大的自动特征提取能力，能够从原始数据中挖掘深层语义信息，有效避免传统机器学习中复杂

移动机器人路径规划是机器人自主导航系统的核心关键技术，其目标是在复杂环境中为机器人寻找一条满足安全性、最优性、平滑性等多约束条件的可行路径。蚁群算法作为一种源于自然界生物行为的启发式优化算法，因具有分布式计算、鲁棒性强、易于与其他算法融合等优势，被广泛应用于路径规划领域。然而，传统蚁群算法存在收敛速度慢、易陷入局部最优解、对多约束条件适应性差等缺陷。针对上述问题，本文开展多因素蚁群算法的移动机器人

随着机器人技术、自动驾驶、智能家居等领域的快速发展，自主移动设备对未知环境的感知与导航能力提出了更高要求。同步定位与地图构建（Simultaneous Localization and Mapping, SLAM）作为实现自主移动设备环境感知的核心技术，能够让设备在无先验环境信息的情况下，实时确定自身位置并构建周围环境地图，为后续导航、路径规划等任务提供基础支撑。

随着无人系统技术的飞速发展，多智能体（如无人机、无人车）协同作业在军事侦察、灾害监测、物流配送等领域的应用需求日益激增。此类应用场景往往面临复杂的环境约束，包括静态障碍（如地形、建筑）、动态威胁（如防空火力、移动障碍物）以及智能体自身的运动学限制（如最小转弯半径）。传统路径规划方法如A*算法、Dijkstra算法虽能实现基础避障，但在处理多智能体协同约束与运动学适配性方面存在明显不足，难以满足复杂

多智能体系统（Multi-Agent System, MAS）的分布式协同控制作为分布式人工智能领域的核心研究方向，凭借其在复杂任务执行中的高效协作优势，已广泛应用于无人机集群侦察、智能交通编队、多机器人协同救援等关键领域。在这类系统中，队形控制是实现协同任务的基础，其核心目标是通过设计合理的控制协议，使多个智能体在运动过程中维持预设的相对构型，确保任务执行的高效性与稳定性。

随着智能机器人技术在工业生产、公共服务、安防监控等领域的广泛应用，机器人失控事件引发的安全风险日益凸显。例如，失控无人机误入机场净空区、港口失控无人船撞击航道设施、工业园区失控巡检机器人引发设备碰撞等场景，均对公共安全和财产安全构成严重威胁。此外，在搜索救援、野生动物监测等任务中，也需要通过多智能体协作对移动目标实施精准追踪与控制。多智能体追逃博弈问题作为研究多智能体协作与对抗的经典范式，其核心目

多智能体系统编队控制作为群体智能协同的核心技术，在无人机集群、智能交通、工业自动化等领域具有广泛应用前景。然而，实际工程场景中智能体普遍存在非线性输入特性，叠加环境扰动、通信约束等不确定因素，导致传统控制方法难以兼顾编队稳定性与控制精度。为此，本文开展基于自适应控制算法的非线性输入多智能体编队控制研究。首先，建立含非线性输入项的多智能体动力学模型与编队误差模型，明确分布式通信拓扑下的协同约束条件；

动态多智能体系统由多个具备独立感知、决策与执行能力的个体构成，通过个体间的协同交互可完成单智能体难以胜任的复杂任务，在无人机集群、机器人协作、卫星集群控制、自动驾驶等领域具有广泛的应用前景。编队控制作为动态多智能体系统协同控制的核心问题之一，其核心目标是通过设计合理的控制律，使多个智能体在运动过程中维持预设的相对构型（如直线型、三角形、圆形等），并适应动态变化的环境与任务需求。