针对通信受到间歇性拒绝服务(denial-of-service, DoS)攻击的网联车辆系统，提出了基于观测器的协同输出反馈安全控制方案。首先，分析纵向网联车辆系统的动力学模型并进行反馈线性化，获得线性动态方程。其次，利用公共李雅普诺夫函数，设计安全控制方案，使得协同跟踪误差达到渐近稳定。最后，以最大化DoS攻击持续时间为目标，选择适当的参数设计优化算法，来确保网联车辆系统的安全运行。实验以由4个跟随者和1个领导者组成的网联车辆系统为控制对象进行仿真，仿真结果验证了所提方法的有效性。

精确的轨迹跟踪是智能驾驶汽车实现自主运动控制的关键。针对系统不确定性影响轨迹跟踪控制精度的问题，提出了一种新型鲁棒自适应滑模控制策略。首先，根据车辆运动学原理建立二自由度车辆动力学模型；然后，基于轨迹跟踪误差设计具有自适应性的比例积分微分(proportional integral derivative, PID)型滑模面，通过设计自适应更新律实时在线估计滑模控制增益和系统不确定性的上界，提高了轨迹跟踪控制的精度和鲁棒性。之后，利用粒子群优化算法优化了控制器的控制参数，进一步改善了轨迹跟踪控制性能。最后，在不同路面和车速条件下对所提控制策略进行仿真验证。仿真结果表明，所提控制策略能够保证智能驾驶汽车在系统不确定性影响下跟踪目标轨迹，控制性能优于分数阶PID控制。

针对现有交通事故风险预测模型对区域空间相关性和动态时空特征提取不足的问题，基于融合区域相似性的时空卷积网络构建了交通事故风险预测模型。首先，基于图卷积网络构建了空间通道注意力多图卷积网络，以全面捕捉局部地理空间相似性和全局语义属性；其次，引入时空注意力，自适应地学习事故特征的动态表征；最后，通过多头图注意力网络捕捉空间依赖性，并利用融合双向时序卷积的门控单元建模长序列时间相关性。实验在两个真实的交通事故数据集上对所提模型进行了验证。实验结果表明，所提模型对交通事故风险的预测性能优于长短时记忆神经网络等基准模型。

针对零信任架构下异构车辆队列的信任评估更新占用大量计算资源的问题，以及车辆队列的一致性控制，提出了一种新型零信任混合事件触发控制策略。首先，改进了车辆之间信任度的更新频率，根据车辆在队列中的重要度设置不同的信任度更新频率，并将车辆的信任度引入车辆队列的间距控制策略中；其次，结合信任度更新频率设计了动态混合事件触发条件，在考虑通信延迟的情况下完成控制器的设计；最后，通过仿真对所提控制策略进行验证。仿真结果表明，所提控制策略实现了车辆队列在零信任架构下的一致性控制。

轨旁储能装置(wayside energy storage device, WESD)具有大容量、大功率、转换高效等优势，为未来轨道交通节能运行提供了新的解决方案。针对发生延误后多列车调度和节能运行优化问题，提出了一种综合考虑节能运行和旅客需求的调度优化方法。将轨旁储能与列车运行状态切换控制、时刻表调整相结合，在考虑坡度的情况下对同一供电区段内多个列车的到发时间、运行速度和牵引、惰行、制动等运行状态进行协同调控优化，以提高再生制动能量的直接利用率，有效降低对WESD的容量要求。仿真结果表明，所提方法可以降低WESD的累计储能容量，实现列车节能运行。

针对电动车在配送过程中存在续航里程有限、充电时间长等问题，提出了一种考虑充电模式决策的电动车路径规划问题，以最小化总配送成本为目标，构建了混合整数规划模型。针对该问题的特性，设计了一种充换电特征驱动的改进自适应大邻域搜索算法，并基于充电时间的灵活性、充电站与客户间的紧密关联性等特点，在此算法中引入了充电站关联破坏与比较修复等邻域操作算子。实验结果表明，相比于大邻域搜索算法，所提算法在求解大规模算例时，可以得到更优的解；合理选择充电模式决策可以有效缩短电动车的充电时间，降低总配送成本。

智能制造过程存在操作者对机器人进行牵引运动的需求，这种牵引运动往往是随机的、非线性的。为了使机器人准确识别操作者的意图并实现对非线性目标的平滑跟踪，提出了一种跟踪控制器。首先，对操作者与六自由度机器人的柔性交互过程进行数学建模，并在此模型基础上分析操作者的指令意图；然后，使用帕德(Pade)逼近方法建立系统状态导数与机器人运动延时的关系；之后，设计了非线性目标跟踪运动控制系统的状态反馈控制器，并分析了系统的稳定条件；最后，对系统的非线性跟踪目标、系统状态、系统输出之间的关系进行了有界性分析。仿真结果表明，所提控制器可以对有界非线性目标进行有界跟踪。

针对具有动态不确定性和外部扰动的多四旋翼无人机(quadrotor unmanned aerial vehicle, QUAV)系统，提出了基于领航-跟随法的预设时间编队控制算法。首先，引入预设时间命令滤波器，用于解决对虚拟信号反复求导带来的“复杂性爆炸”问题，并构建了非光滑误差补偿机制，用于消除滤波误差对系统的影响；其次，利用李雅普诺夫稳定性理论证明了预设时间编队控制器可以使闭环系统在预设时间内达到稳定状态，闭环系统中的所有信号在预设时间内有界，以及多QUAV系统的编队跟踪误差在预设时间内收敛到原点附近的邻域内；最后，通过由1个领导者和4个跟随者组成的多QUAV系统对所提算法进行仿真验证，仿真结果证明了所提算法的有效性。

针对传统直流电机调速方法在可靠性、智能化和调试效率等方面的不足，提出了一种改进麻雀搜索算法的直流电机调速优化方法，并将优化结果应用于基于数字孪生技术的虚拟调试中。首先，分别采用黄金正弦和柯西变异策略改进麻雀搜索算法中发现者和加入者的位置更新，以增加搜索的多样性和全局搜索能力；其次，将改进麻雀搜索算法应用于直流电机调速系统中，以优化转速环的比例积分(proportional integral, PI)控制器参数；最后，构建了直流电机调速系统的数字孪生模型，并基于OPC服务器实现了优化算法与数字孪生模型之间的交互。实验结果表明，改进麻雀搜索算法提高了直流电机调速系统的控制精度和鲁棒性；仿真得到的控制参数优化结果可以应用于数字孪生模型中，以提高直流电机的调试效率。

构建了智能吊装规划体系，旨在通过路径搜索与轨迹优化的双链条创新，提升塔式起重机系统在复杂受限空间中的避障能力和吊运过程的动态稳定性。首先，基于动力学分析建立了系统的非线性模型，并进行微分平坦分析，为运动规划提供简单直接的表达方式；然后，针对塔式起重机系统在复杂环境下的路径规划问题，提出基于方向偏置的改进版双向快速探索随机树(directional-biased bidirectional rapidly-exploring random tree*, DB-BiRRT*)算法，引入融合区域概率采样的目标偏置机制和基于改进势场函数的方向引导机制优化节点扩展过程，提高路径规划的效率和质量；最后，充分考虑避障和减摆等系统全状态约束条件，采用基于非均匀有理B样条曲线的多目标优化方法进行轨迹规划，获得最小化吊运时间、能耗和负载摆角的最优轨迹。仿真结果验证了所提方法的有效性和优越性。

传统的静态作业车间调度方法在应对实际制造环境中的动态变化时，常表现出应变能力不足和适应性差等缺陷。现有的大多数动态作业车间调度方法在具有单一不确定因素的环境中能够发挥作用，在多种不确定因素并存的复杂环境中往往难以取得预期效果。为了深入探讨调度方法在不确定场景下的鲁棒性，首先引入加工时间波动、新工件插入和工件优先级调整3种不确定因素，并设计存在两种不确定因素的调度场景；然后，在不确定场景下，将遗传算法、模拟退火算法、先进先出规则、最短处理时间规则和最长处理时间规则应用在多个调度问题实例中。实验结果表明，模拟退火算法在不确定场景下表现出显著的鲁棒性，3种基本调度规则表现出较低的调度效率和鲁棒性。

为了更好地求解柔性作业车间调度问题，以最小化最大完工时间为目标建立该问题的数学模型，并对灰狼优化算法进行了改进。首先，提出了新的个体位置更新公式，减少头狼对灰狼种群的引导性；其次，因线性收敛因子不能充分开发灰狼优化算法的性能，引入非线性收敛因子提高其前期全局探索能力和后期局部开发能力；再次，为了解决灰狼算法中最优个体引导性过强的问题，提出了两种邻域探索策略，使部分个体可以进行自我探索，关键个体可以进行机器变异，以减少完工时间；最后，提出了结合汉明(Hamming)距离的精英解更新机制。实验结果表明，所提改进策略均是有效的，改进后的灰狼优化算法可以更好地求解柔性作业车间调度问题，提高车间的生产效率。

流程工业作为能源消耗和碳排放的主要来源，其能效优化问题尤为重要。为此，针对实时动态电价的不确定性，提出了一种结合长短期记忆(long short-term memory, LSTM)神经网络和强化学习的水泥生产工业能源系统实时需求响应调度方法。首先，对各水泥生产工序的主要耗能设备和储料仓进行数学建模，并构建约束型马尔可夫决策过程，以反映能耗特性和生产需求；然后，利用LSTM神经网络的序列处理能力应对实时动态电价的不确定性，为调度策略制定提供准确的数据支撑；最后，通过强化学习智能体感知环境并优化调度策略，以实现能效优化目标。仿真结果验证了所提方法在水泥生产工业能源系统需求响应调度中的可行性和可靠性，该方法为实现工业能效提升和可持续发展提供了新思路。

料筒温度是影响注塑成型产品质量的关键参数之一，比例积分微分(proportional integral differential, PID)控制器在料筒温度控制系统中广泛应用。然而，PID控制器参数优化依赖操作者经验，存在成本高、效率低、精度差的问题。为解决上述问题，围绕料筒温度PID控制器参数优化展开研究。首先，针对料筒温度控制系统性能优化，提出性能评价指标，设计PID控制器参数优化框架；然后，基于知识指引型数据驱动优化策略的思想，对单纯形搜索算法进行改进，提出了基于历史梯度近似的知识指引型单纯形搜索算法，以提高PID控制器参数优化效率。实验结果表明，与单纯形搜索算法相比，改进后的算法以牺牲少量优化精度为代价，显著提升了优化效率，降低了PID控制器参数优化成本。

为了探究柔性负荷对微电网经济运行和用户用电满意度的影响，提出了一种激励型需求响应的微电网模型。考虑到原始樽海鞘群算法的参数少，但是其对某些参数的选取非常敏感，提出了一种混合樽海鞘群算法。混合樽海鞘群算法在樽海鞘群算法的领导者位置更新中引入了衰减因子和自适应分布权重，在跟随者位置更新中引入了惯性权重策略和位置偏移系数。测试函数寻优的仿真结果表明，混合樽海鞘群算法的求解精度与速度优于经典算法。柔性负荷参与微电网运行的仿真结果验证了混合樽海鞘群算法求解微电网经济运行问题的有效性和优越性。

当前电梯群控调度系统的调试安全性不足、设计评估难度大、调试成本高昂。为此，构建了电梯群控仿真模型，并基于该模型，根据乘客平均候梯时间、长时间候梯率、电梯能耗等指标对电梯群控调度方案进行动态评估。针对电梯运行效率和乘客乘梯舒适度有待提高的问题，采用深度Q网络(deep Q network, DQN)实现电梯群控优化调度，根据影响电梯运载效率的主要因素设计相应的状态空间、奖励信号和智能体结构；鉴于强化学习智能体的在线训练耗时长，无法提供实时决策，利用电梯群控仿真模型的运行数据训练前馈神经网络，构建电梯群控环境预测模型作为智能体训练环境。在电梯群控仿真模型中进行仿真实验，结果表明：相较于目前广泛应用的最小响应时间策略，所提策略减少了乘客平均候梯时间、乘客平均乘梯时间、长时间候梯率、电梯启停次数，增加了5 min平均到达人数。

为了在优化资源调度的同时确保配电网的安全性，提出了一种双层调度模型。上层模型专注于分布式资源的协同优化，目标是最小化运行成本，决策变量包括光伏出力、储能装置的充放电功率、电动汽车集群的充放电功率和空调集群的负荷。下层模型通过最优潮流方法，以最小化配电网的电压偏差为目标，根据电动汽车在配电网中的空间分布，将上层决策的电动汽车充放电负荷分配至各节点。仿真结果表明，该模型能够有效降低分布式资源的运行成本，显著提升配电网的电压稳定性，为分布式资源的大规模并网提供了有力的技术支持。

为了求解无人驾驶电动装载机多机作业调度问题，提出了一种蛇优化蚁群算法。蛇优化蚁群算法在蚁群算法的基础上，利用蛇优化算法对蚁群算法中的核心参数进行优化，并采用全局异步与精英策略相结合的信息素浓度更新方式来保证算法的运行效率。实验采用所罗门(Solomon)测试集中不同客户规模的算例，对蚁群算法、精英蚁群算法、粒子群优化蚁群算法和蛇优化蚁群算法进行对比分析，并将蛇优化蚁群算法应用在无人驾驶电动装载机多机作业调度的真实案例中。所罗门测试集的实验结果表明，针对C1型、R1型和RC1型算例，蛇优化蚁群算法的寻优能力高于其他算法，求解得到的调度方案能够降低总作业成本。真实案例的实验结果验证了蛇优化蚁群算法的有效性。