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。

本文针对存在输入饱和和未知干扰的固定翼无人机（Unmanned Aerial Vehicle, UAV），提出了一种指数预设时间轨迹跟踪控制方案。其核心目标是在精确用户定义的时间内将跟踪误差驱动至零，且该时间与系统初始状态无关，从而克服了传统渐近控制（收敛时间长）和有限/固定时间控制（收敛时间依赖于初始状态或难以设置）的局限性。所提方法通过利用高斯误差函数和辅助系统，将饱和约束线性化并转化为无约束

维度PSOGA改进PSO收敛速度快慢更快（参数优化）全局最优性易陷入局部最优强显著改善（混合策略）计算资源需求低高中等动态环境适应性一般较强最优（实时参数调整）

在科技发展日新月异的今天,移动机器人逐渐成为了人们生产生活中至关重要的一部分。路径规划算法作为移动机器人的中枢控制系统,对机器人性能表现具有决定性意义。目前路径规划算法研究主要针对静态环境,一旦环境中出现连续变化的动态障碍物时,静态规划算法便会失效,因此研究高效的、准确的、适合动态环境的路径规划算法具有重要意义。

多旋翼无人机组合导航系统一般由多个部分构成，其中传感器是基础组成单元。常用传感器包括全球定位系统（GPS）、陀螺仪、加速度计、磁力计等。GPS 能提供无人机在全球坐标系下的位置信息；陀螺仪用于测量无人机的角速度，以确定其姿态变化；加速度计测量无人机的加速度；磁力计则可辅助确定无人机的航向。多源信息融合算法旨在将来自不同传感器的信息进行有机整合，以获取更准确、可靠的结果。