《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：

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

[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

[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。