本文聚焦于多旋翼无人机在横向飞行过程中的时间最优轨迹规划问题。首先介绍了不考虑旋转动力学时多旋翼无人机的横向飞行动力学模型，接着阐述了基于庞特里亚金最优性条件推导时间最优输入和状态轨迹的方法，并展示了相关数值结果。随后，通过欧拉离散化将时间最优轨迹规划问题构建为非线性规划（NLP）问题，给出了该NLP问题的数值解，并与之前结果进行比较。进一步，将旋转动力学引入横向飞行动力学模型，再次应用NLP方法

文献来源：为满足“低碳”能源结构的要求，数量庞大的分布式能源接入电网呈规模化趋势，其波动性和随机性给电网的运行安全带来了巨大挑战[1-3]。为应对挑战，微电网作为新兴的电网业态可灵活地进行分布式能源管理，而储能系统在其中起到储存电能、削峰填谷、应急供电等重要作用[4-6]。但在低温环境下，储能系统中起核心作用的电池却常出现充放电效率下降、寿命衰减速率增大等问题[7-8]，高速率的电池老化除了增加如

定义与特点SNN是一种模拟生物神经元行为的神经网络模型，信息以脉冲形式传递，神经元通过发放或抑制脉冲来传递信号。与传统的神经网络相比，SNN的神经元之间的连接具有时间依赖性，且神经元具有异步性，能够在不同时刻独立地发放脉冲。SNN能够更好地模拟生物神经系统的行为，处理复杂动态系统和时序信息方面具有巨大潜力。神经元模型常见的脉冲神经元模型包括H-H模型、IF模型、Izhikevich模型等。H-H模

文献来源： 经济调度是电力系统运行中的一个基本问题，它是指发电机和柔性负荷在满足一系列运行约束的条件下，使整个电力系统运行的社会福利最大化的优化问题。 传统上采用集中优化技术来解决经济调度问题，其中包括经典优化方法［1］ 和现代人工智能方法［2-4］ 。然而，当采用集中优化方法时，系统需要调度中心发布指令调度整个系统中所有的发电机和柔性负荷，调度中心需要与每一个调度对象进行信息交互［5］ 。并 且

受无人机在商业领域应用的影响，多无人机（MultiUAV）路径规划已引发广泛关注。然而，当前的研究往往未能全面考量这一复杂问题中固有的现实约束条件。本报告研究了在城市环境中执行导航任务的智能体的高效路径规划问题。每个智能体均承担配送任务，需先移动至起始点，再前往后续目标位置，同时要绕过障碍物并避免与其他智能体发生碰撞。

本文提出一种“模型预测控制（MPC）+ 滚动时域估计（MHE）”一体化框架，旨在解决在传感器和执行器双重噪声环境下，将移动机器人稳定到指定目标点 xs​ 的问题。与现有研究仅单独考虑状态或控制噪声、且将估计与控制分步求解的做法不同，本文创新性地把传感器噪声和执行器噪声同时纳入联合优化，实现了真正意义上的“估计–控制闭环”。采用多重打靶法将 MPC 问题转化为非线性规划（NLP），并利用 CASAD

针对不同规模区域（Area of Interest, AoI）的持久监测需求，本研究提出多无人机协同任务的性能评估框架。通过融合分布式任务分配、动态路径规划、容错机制与AI决策算法，实现复杂环境下的高效区域覆盖。以江苏省生态环境监测项目为例，系统在500平方公里区域部署12架无人机，实现98.7%的任务完成率与99.2%的目标识别准确率，较单无人机方案效率提升3.2倍。

多无人机协同追捕-逃逸问题属于多智能体动态博弈领域，具有军事防御、边境巡逻、灾难救援等应用场景。传统集中式控制依赖全局信息，存在通信延迟、单点故障等问题。分散式策略通过局部感知与自主决策，可提升系统鲁棒性与适应性。

我们提出了一种分布式算法，用于在有界凸环境中利用多个追捕者对多个逃逸者进行协作追捕。该算法适用于拦截受保护空域中的失控无人机等应用。追捕者不知道逃逸者的策略，但通过采用基于环境的Voronoi镶嵌的全局“区域最小化”策略，我们保证了所有逃逸者都能在有限时间内被捕获。我们还提出了这种策略的去中心化版本，适用于二维（2-D）和三维（3-D）环境，并通过多次仿真表明，它优于其他去中心化的多追捕者启发式方

我们提出了一种分布式算法，用于在有界凸环境中利用多个追捕者对多个逃逸者进行协作追捕。该算法适用于拦截受保护空域中的失控无人机等应用。追捕者不知道逃逸者的策略，但通过采用基于环境的Voronoi镶嵌的全局“区域最小化”策略，我们保证了所有逃逸者都能在有限时间内被捕获。我们还提出了这种策略的去中心化版本，适用于二维（2-D）和三维（3-D）环境，并通过多次仿真表明，它优于其他去中心化的多追捕者启发式方