在工业控制、自动驾驶、机器人操作等领域，大量动态系统表现为单输入单输出（SISO）非线性特性，且普遍存在模型未知、参数时变及外部扰动等问题，其轨迹跟踪控制一直是控制理论与工程实践的核心难点。传统控制方法如PID控制、模型预测控制等，因依赖精确的系统数学模型，在未知非线性系统中难以实现高精度轨迹跟踪；迭代学习控制（ILC）虽能通过重复任务中的误差修正优化控制输入，但对系统模型的依赖性较强，当面对未知

针对无人机（UAV）通信中高频谱效率与低延迟的需求，本文提出一种无人机赋能的双上行链路协同非正交多址接入（NOMA）系统架构，重点研究适配链路动态特性的自适应解码机制。该机制基于实时信道状态信息（CSI）与链路负载特征，动态切换串行干扰消除（SIC）解码顺序、调整功率域资源分配，并融合 AI 辅助的干扰预测补偿策略，有效克服无人机高速移动带来的信道时变、链路干扰耦合等问题。

一、研究背景与技术融合必要性移动机器人在工业巡检、服务配送、环境探测等领域的应用日益广泛，其作业场景常面临动态障碍物、传感器噪声、参数摄动等复杂问题，对运动控制的精准性、动态响应速度与状态感知鲁棒性提出高要求。传统控制方法（如 PID 控制）依赖精确模型且抗扰能力有限，单独的状态估计方法（如卡尔曼滤波）在非线性、多约束场景下估计精度易受影响。模型预测控制（MPC）凭借滚动时域优化特性，能在满足运动

一、研究背景与意义在现代工业自动化、机器人技术、自动驾驶等领域，轨迹跟踪是一项核心且关键的技术任务。其目标是使被控对象（如工业机械臂、移动机器人、自动驾驶车辆等）能够精准地按照预设的期望轨迹进行运动，确保运动过程的稳定性、准确性和可靠性。传统的轨迹跟踪控制方法，如 PID 控制、滑模控制等，在面对被控对象具有非线性、时变性、参数不确定性以及外部干扰等复杂情况时，往往难以获得理想的控制效果。例如，P

随着电子商务的飞速发展和全球供应链的日益复杂，物流配送效率对企业的成本控制和客户满意度起着决定性作用。传统的物流配送路径规划方法，如启发式算法和精确算法，在面对大规模、动态变化的配送网络时，往往暴露出计算效率低下和适应性不足的问题。强化学习作为一种新兴的机器学习范式，其通过与环境的交互学习最优策略的特点，为解决物流配送路径规划中的动态性和不确定性问题提供了新的思路。本文深入探讨了基于Q-learn

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。

一、研究背景与意义在智能制造、无人机集群协同、智能交通等领域，多智能体系统（Multi-Agent System, MAS）凭借其分布式协作能力，成为完成复杂任务的核心载体。多智能体点对点过渡轨迹生成，是指在给定初始位置与目标位置的前提下，为每个智能体规划出满足动态约束、避碰约束及协同任务要求的平滑过渡轨迹，是多智能体系统实现精准协作的关键技术。

一、研究背景与意义在 “双碳” 目标推动下，综合能源系统（Integrated Energy System, IES）作为整合电、热、冷、气等多能流的新型能源利用形态，成为提升能源利用效率、促进可再生能源消纳的核心载体。IES 通过多能互补、源网荷储协同，打破传统能源系统的孤岛运行模式，但也面临着多能流耦合复杂、调度目标冲突、不确定性因素多等挑战，其优化调度问题成为能源领域的研究重点。