---
name: brycewang-stanford/aas-experiments
source: https://app.decimal.ai/s/brycewang-stanford-aas-experiments@1/SKILL.md
source_sha256: f99774c07294
---

# 《自动化学报》实验与仿真设计

本技能帮你为《自动化学报》(Acta Automatica Sinica, AAS) 搭建经得起双盲外审的证据链。控制/自动化
稿件的证据不只是"跑得好"，还包括**理论保证**（稳定性、收敛性）与**公平对照**。以下方法于
2026-07-09 核验框架（见 `resources/official-source-map.md`）。

## 一、RQ 驱动的实验设计

先把要回答的研究问题写清，再据此设计实验：

```text
RQ1 所提控制律是否保证闭环稳定/收敛？——理论证明 + 仿真验证
RQ2 相比基线，性能指标是否显著改进？——对比实验 + 定量指标
RQ3 各设计模块是否必要？——消融实验
RQ4 对扰动/参数摄动是否鲁棒？——鲁棒性/敏感性实验
```

## 二、公平基线与对照

| 要点 | 做法 |
|---|---|
| 基线选择 | 选最接近、最强的已有方法，非弱化版稻草人 |
| 同等条件 | 相同系统模型、初始条件、噪声、算力预算 |
| 调参公平 | 基线也认真调参，报告调参协议 |
| 多场景 | 多个被控对象/数据集，避免单点结论 |

## 三、控制类证据（理论 + 仿真 + 实物）

- **稳定性/收敛性分析**：给出 Lyapunov 或等价工具的严格证明，明确假设与充分条件。
- **性能指标**：稳态误差、超调量、调节/收敛时间、控制能量、跟踪误差范数等，口径统一。
- **仿真**：写清仿真器（MATLAB/Simulink、Python 控制库）、步长、求解器、参数。
- **实物实验**（若有）：硬件平台、采样周期、传感器、标定、重复次数与方差。

## 四、模式识别/学习类证据

- **指标**：准确率、精确率/召回、F1、mAP、误差率等，按任务选取并说明。
- **统计严谨**：多次运行报告均值±方差，必要时做显著性检验；避免单次最好值。
- **数据划分**：训练/验证/测试清晰，防数据泄露与测试集调参（见 `aas-reproducibility`）。
- **公平算力**：对比方法在相近算力/数据下评测。

## 五、消融实验

- 对每个设计选择（模块、约束项、增益自适应机制）做去除/替换对照，量化其贡献。
- 消融要回答"这一部件是否必要、贡献多大"，与 RQ3 对齐。

## 六、鲁棒性与敏感性

- 对模型不确定性、外部扰动、噪声、参数摄动做扫描，展示性能退化曲线。
- 报告失效边界：在何种条件下方法开始失效，比只报最好结果更可信。

## 七、结果呈现

| 形式 | 用途 |
|---|---|
| 响应曲线/相图 | 展示动态过程与稳定性 |
| 对比表 | 多方法多指标定量对齐 |
| 消融表 | 各模块贡献 |
| 箱线/误差棒 | 多次运行的分布与方差 |

图表遵循 `aas-writing-style`：图下表上、矢量、黑白可辨、法定单位。

## 八、实验自检清单

```text
[RQ] 每个实验对应明确 RQ？
[理论] 稳定性/收敛性有严格证明与假设？
[基线] 最强公平基线？同等条件？调参协议已报告？
[指标] 口径统一、任务匹配？
[统计] 多次运行均值±方差？必要显著性检验？
[消融] 关键模块逐一验证？
[鲁棒] 扰动/摄动/噪声扫描 + 失效边界？
[复现] 环境/种子/数据固定（见 aas-reproducibility）？
[图表] 符合本刊体例？
```

## 九、常见实验缺陷（外审常抓）

- 只有仿真、无理论保证，或只有理论、无实验验证——本刊看重二者闭环。
- 基线偏弱或不公平（未调参、条件不一致）——结论不可信。
- 单次运行报最好值、无方差——统计不严谨。
- 无消融，读者无法判断各部件贡献——补消融。
- 测试集调参或数据泄露——结果虚高，须整改。
- 图表仅靠颜色、黑白失效或单位缺失——按 `aas-writing-style` 修正。

## 十、按方向的实验模板

不同方向的实验骨架略有差异，可据此起步：

| 方向 | 典型实验骨架 |
|---|---|
| 自适应/鲁棒控制 | 稳定性证明 → 仿真跟踪/调节 → 参数摄动鲁棒 → 与经典控制对比 |
| 多智能体一致性 | 拓扑设定 → 收敛性证明 → 不同拓扑仿真 → 通信/饱和约束验证 |
| 强化学习控制 | 环境设定 → 多种子训练曲线 → 与基线策略对比 → 泛化/鲁棒 |
| 模式识别 | 数据集划分 → 主指标对比 → 消融 → 混淆矩阵/可视化 |
| 机器人 | 仿真验证 → 实物平台 → 多工况 → 演示（可作附件） |

## 十一、结果解读与讨论

- 不只报数字，还要**解释为什么**：性能改进归因于哪个机制，与理论分析是否一致。
- 讨论**失效与局限**：哪些场景本方法不占优，为后续工作留接口，也显严谨。
- 把实验结论回扣到引言的可数贡献，形成闭环。

## 十二、实验可信度加固

```text
[归因] 改进能归因到具体设计而非调参运气？（消融支撑）
[稳健] 换数据集/对象/种子结论是否稳定？
[对照] 与最强基线在同等条件下比较？
[统计] 差异是否显著、是否报告方差？
[复现] 配置/种子/环境是否可复现（见 aas-reproducibility）？
```

## 十三、与本刊定位的匹配

《自动化学报》(Acta Automatica Sinica, AAS) 的证据期待是"**理论分析 + 充分实验**"双支撑：控制类
强调稳定性/收敛性证明与仿真/实物验证，识别/智能类强调统计严谨与公平对照。让实验设计服务于坐实
可数贡献，而非堆砌图表，配合 `aas-reproducibility` 让 Acta Automatica Sinica 的外审对结果可靠性
放心。