有限集模型预测控制（FCS-MPC）凭借滚动优化与开关状态直接寻优的特点，在三相并网逆变器控制中展现出优于传统线性控制器的动态品质。本文以一套统一的 Simulink S‑Function 仿真框架为载体，对 dq 轴电流预测控制（MPC‑C）与 PQ 功率预测控制（MPC‑PQ）两种 FCS‑MPC 策略进行闭环对比研究。两种策略共享相同的 8 开关状态遍历架构、abc–dq0 坐标变换链路与前

多机器人路径规划（Multi-Agent Path Finding, MAPF）要求在共享环境中为若干智能体寻找从各自起点到终点的无冲突路径，是仓储物流、无人机编队与自动驾驶等应用的基础问题。精确求解方法在智能体数量增大时计算代价急剧上升，而优先级规划以「按序逐个规划、后续智能体规避先前路径」的策略，在多项式时间内给出可行解，是大规模场景下的实用选择。本文对一套完整的 MAPF MATLAB 代码

多机器人路径规划（Multi-Agent Path Finding, MAPF）要求在共享环境中为若干智能体寻找从各自起点到终点的无冲突路径，是仓储物流、无人机编队与自动驾驶等应用的基础问题。精确求解方法在智能体数量增大时计算代价急剧上升，而优先级规划以「按序逐个规划、后续智能体规避先前路径」的策略，在多项式时间内给出可行解，是大规模场景下的实用选择。本文对一套完整的 MAPF MATLAB 代码

构网型逆变器（Grid-Forming Inverter, GFMI）作为新型电力系统中新能源并网的核心装备，其小信号稳定性直接决定系统动态响应品质与安全运行边界。针对单机无穷大（SMIB）并网场景下构网型逆变器多时间尺度、多控制环路的耦合特性，本文采用状态空间法与组件连接法，构建包含物理元件、层次化控制回路及高频延迟环节的统一小信号模型，系统研究下垂控制、下垂 + 低通滤波器、虚拟同步发电机、补

时滞系统广泛存在于工业过程、通信网络、机器人控制等领域，其状态估计面临信息异步性、估计偏差和相关性未知等挑战。协方差交叉（Covariance Intersection, CI）融合估计作为一种有效的信息融合方法，在处理具有未知相关性的多源信息时展现出独特优势。本文针对时滞系统，研究了协方差交叉融合估计方法，通过时间对齐、时滞补偿等技术，解决了时滞数据的处理和多源异步信息的融合问题，提高了状态估计

本文聚焦于非平稳重复过程的参数辨识与跟踪问题，提出一种基于具备动态优化能力（DOP）的粒子群算法的解决方案。该算法能够实时跟踪非平稳重复过程的参数变化，当控制器增益被定义为待跟踪参数的已知函数时，可在运行过程中重新整定这些增益。通过设置标志位，可快速切换不同系统配置与粒子群更新规则。本方案受“即插式直接粒子群重复控制器”启发，适用于重复过程参数辨识、迭代学习估计、动态优化问题以及基于种群的进化优化

非线性系统的最优控制问题一直是控制领域的核心挑战，其核心在于求解哈密尔顿-雅可比-贝尔曼（HJB）方程。然而，传统动态规划方法因“维数灾”问题难以应用于复杂非线性系统。本研究基于值迭代自适应动态规划（ADP）框架，结合神经网络近似技术，提出了一种针对带有饱和执行器的非线性系统的近似最优控制方法。该方法通过神经网络逼近HJB方程的解，避免了直接求解偏微分方程的复杂性，并通过仿真验证了其在饱和约束下的

直流电机因其调速性能优异、响应速度快等特点，在工业控制、电动汽车、机器人等领域有着广泛应用。然而，传统PID控制存在参数固定、难以应对非线性及环境扰动等问题。模糊PID控制虽通过引入模糊逻辑实现了参数自适应调整，但在复杂场景下仍面临规则库构建与参数优化的难题。本文将蚁群优化算法（Ant Colony Optimization, ACO）引入直流电机模糊PID控制系统中，利用其全局寻优能力对模糊PI

直流电机因其调速性能优异、响应速度快等特点，在工业控制、电动汽车、机器人等领域有着广泛应用。然而，传统PID控制存在参数固定、难以应对非线性及环境扰动等问题。模糊PID控制虽通过引入模糊逻辑实现了参数自适应调整，但在复杂场景下仍面临规则库构建与参数优化的难题。本文将蚁群优化算法（Ant Colony Optimization, ACO）引入直流电机模糊PID控制系统中，利用其全局寻优能力对模糊PI

复杂工业与机器人领域的动力学系统普遍具备强非线性、多模态演化特性，传统基于机理建模的控制方案高度依赖系统先验知识，局部线性化手段仅能在小工作区间保证控制效果，难以适配大范围工况下的预测与闭环控制需求。Koopman 算子理论为非线性动力学分析提供全新范式，通过将有限维非线性状态映射至无穷维可观测函数空间，实现非线性动力学的全局线性表征，规避传统局部线性化的固有局限。