摘要: 安全关键的多智能体系统(MAS)在诸多领域得到广泛应用，例如自动驾驶、无人机编队和机器人协作等。然而，由于环境的不确定性以及智能体自身模型的误差，保证这类系统的安全性和稳定性成为一个极具挑战性的课题。本文着重研究在不确定环境下，针对安全关键型多智能体系统连续控制问题的二次规划(Quadratic Programming, QP)方法。我们将探讨如何利用QP框架有效地处理系统的不确定性，并设

双有源桥（DAB）DC - DC 变换器因其具有电气隔离、功率密度高、双向功率传输能力强等优点，在新能源发电、电动汽车充电、不间断电源（UPS）等领域得到了广泛应用。传统的单移相（SP）控制方法虽然简单且易于实现，但在变换器的效率、功率密度以及应对复杂工况的灵活性方面存在一定局限。为了进一步提升 DAB 变换器的性能，扩展移相控制（EPS）方法应运而生。

路径规划是移动机器人、自动驾驶车辆等智能系统中的关键技术。本文深入研究了四种常用的路径规划方法：传统人工势场（APF）算法、涡旋人工势场算法（VAPF）、安全人工势场算法（Safe-APF）以及动态窗口方法（DWA）。首先，分析了传统APF算法的原理和局限性，包括局部极小值问题和目标不可达问题。随后，探讨了VAPF算法如何利用涡旋力克服局部极小值问题，以及Safe-APF算法如何通过引入安全势场确

电池荷电状态（State of Charge, SOC）估计在电池管理系统（BMS）中至关重要，它反映了电池当前的剩余电量，对于保障电池安全、高效运行以及延长电池使用寿命具有重要意义。准确的 SOC 估计能够为电动汽车、储能系统等应用提供可靠的电量信息，帮助用户合理规划用电。然而，由于电池系统的复杂性，包括非线性特性、环境因素影响等，实现高精度的 SOC 估计颇具挑战。

在地震频发的地区，保障建筑物的抗震性能至关重要。基底隔离技术作为一种有效的抗震手段，通过在建筑物底部设置隔离层，减少地震能量向上部结构的传递。分数导数齐纳模型为描述基底隔离系统的复杂力学行为提供了有力工具，而方位轴承在基底隔离系统中对建筑物在不同方向的稳定性起着关键作用。通过对由分数导数齐纳模型控制的基底隔离基准建筑进行模拟，深入分析方位轴承在其中的影响，有助于优化基底隔离设计，提升建筑物的抗震能

三维重建在计算机视觉领域有着广泛应用，如虚拟现实、自动驾驶、机器人导航等。深度图作为描述场景中物体距离信息的关键数据，其准确重建对于高质量三维重建至关重要。交替方向乘子法（ADMM）作为一种有效的优化算法，能够在处理复杂约束条件下的优化问题时展现出良好的性能。本文将探讨如何基于 ADMM 进行深度图重建，进而实现三维重建。三维重建旨在通过对物体或场景的多视角图像信息进行处理，恢复其三维几何结构。这

锂电池作为现代众多设备的关键能源，其健康状态（State of Health，SOH）的准确预测对于保障设备安全、高效运行至关重要。随着深度学习技术的发展，结合不同神经网络结构的模型在 SOH 预测中展现出良好潜力。时间卷积网络（TCN）、长短期记忆网络（LSTM）以及多头注意力机制（multihead - attention）的融合，能够充分挖掘锂电池数据中的时间序列特征与关键信息。然而，这类复

随着分布式光伏（PV）在配电网中的大规模接入，配电网的运行特性发生了显著变化。分布式光伏的间歇性和随机性发电特点，给配电网的电压控制带来了巨大挑战。传统的分散式电压控制方法难以有效应对这种复杂多变的情况。因此，通过配电网集群划分，将配电网划分为多个相对独立又相互关联的集群，并实施集群电压协调控制，成为提升含分布式光伏配电网电压稳定性和运行效率的重要手段。

无人机在现代航空领域的应用愈发广泛，从航拍、物流到军事侦察等诸多场景都离不开它。然而，无人机飞行时会面临复杂的外界干扰以及自身模型的不确定性，这对其姿态控制的精度和稳定性提出了严峻挑战。动态反演控制技术能够基于无人机的精确模型设计控制器，而扩展状态观测器则可有效估计并补偿系统的未知干扰和不确定性。将两者结合，有望为无人机提供鲁棒的姿态控制，确保其在各种复杂条件下稳定飞行。

随着移动设备的广泛使用和室内无线应用的不断增加，室内无线网络资源的有效分配变得至关重要。传统的资源分配算法往往基于固定的规则或预先设定的模型，难以适应室内复杂多变的无线环境。深度 Q - learning 作为强化学习的一种强大变体，能够让智能体通过与环境的交互学习，自动找到最优的资源分配策略。本文旨在探讨基于深度 Q - learning 强化学习的室内无线网络资源最优分配算法，以提高网络性能和