本文研究了具有非线性不确定性的多智能体系统的固定时间事件触发共识控制问题。基于事件触发策略的固定时间共识协议被提出，这些协议可以显著降低能量消耗和控制器更新的频率。集中式和分布式共识控制策略均被考虑。证明了在所提出的事件触发共识控制策略下，可以避免Zeno行为。与有限时间共识相比，固定时间共识可以在固定的收敛时间内达成，而与智能体的任意初始状态无关。最后，通过两个例子展示了固定时间事件触发共识协议

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

结构灵活性：支持交流、直流或混合组网，通过公共耦合点实现功率交互，可脱离主电网独立运行。技术优势提高可再生能源渗透率，减少弃风弃光现象。通过能量互济提升供电可靠性，例如在配电网故障时提供恢复服务。控制架构集中式分层控制：依赖能量管理系统（EMS）进行全局调度，但对通信能力要求高。分布式多代理控制：通过智能体（Agent）自主决策，降低对中心节点的依赖。非对称纳什谈判理论为多微网电能共享提供了兼顾效

本文聚焦无模型自适应预测控制（MFAPC）与无模型自适应迭代学习控制（MFAILC）的数值验证仿真研究。通过构建基于紧致形式动态线性化（CFDL）的仿真程序，分别验证了MFAPC在非线性系统预测跟踪中的有效性，以及MFAILC在非线性系统迭代轨迹跟踪中的性能。仿真结果表明，两种方法均能有效处理非线性系统控制问题，为复杂工业过程的控制提供了新的思路。

我们提出了一种基于拍卖的分散式算法，用于解决动态任务分配问题空间分布的多智能体系统的分配问题。在我们的方法中，每个成员多智能体团队中的每个智能体最多被分配一组空间分布的任务中的一项任务，而几个代理可以被分配给同一个任务。任务分配是动态的，因为它是在离散时间阶段（迭代）更新，以考虑代理的当前状态后者朝着上一阶段分配给他们的任务前进。我们提出的方法可以在智能机器（如送货机器人）的源配置问题中找到应用由

我们提出了一种基于拍卖的分散式算法，用于解决动态任务分配问题空间分布的多智能体系统的分配问题。在我们的方法中，每个成员多智能体团队中的每个智能体最多被分配一组空间分布的任务中的一项任务，而几个代理可以被分配给同一个任务。任务分配是动态的，因为它是在离散时间阶段（迭代）更新，以考虑代理的当前状态后者朝着上一阶段分配给他们的任务前进。我们提出的方法可以在智能机器（如送货机器人）的源配置问题中找到应用由

二维栅格地图路径规划在机器人导航、智能物流等领域至关重要。传统算法在复杂动态环境中存在局限性，海市蜃楼搜索优化（MSO）算法虽展现出一定优势，但仍需改进。本文提出将精英反向策略与免疫思想融入MSO算法，应用于二维栅格地图路径规划。通过精英反向学习生成多样化种群，利用免疫思想的克隆、变异操作增强算法局部搜索能力。实验结果表明，改进后的算法在静态和动态栅格环境中，路径长度更短、避障成功率更高、收敛速度

目前，国内有很多学者参与了峰谷分时电价引导电动汽车用户参与有序充电的研究，文献[6］提出根据电动汽车类型的不同采用相适应的充电负荷计算方法，对电动汽车充电负荷进行较为精准的预测；文献［９］以电网峰谷差为目标函数，利用电网电价时段的划分来平抑区域配电网负荷的波动，使得电网安全稳定的运行。分析用户响应度对电动汽车有序充电的影响,建立峰谷分时电价对电动汽车负荷影响的模型,在模拟出电动汽车无序充电负荷的基

总结GA更适合静态环境下的全局路径探索，PSO在动态环境中表现更优，而混合算法通过优势互补，在复杂任务中综合性能最佳。混合算法的核心挑战在于平衡计算效率与优化精度，需根据任务需求选择分层、嵌入式或并行策略。未来方向多算法融合：结合蚁群算法、深度学习等进一步提升适应性。硬件加速：利用FPGA或GPU实现混合算法的并行计算。动态参数调整：设计自适应惯性权重和变异概率。通过上述分析可见，混合遗传-粒子群

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