Agent Skills
› brycewang-stanford/Awesome-Journal-Skills
› aas-experiments
aas-experiments
GitHub专为《自动化学报》设计，指导控制、机器人及智能系统稿件的实验仿真。涵盖RQ驱动设计、公平基线、理论证明、消融与鲁棒性分析，构建双盲外审所需的理论与实证证据链。
Trigger Scenarios
为《自动化学报》设计实验或仿真方案
检查自动化领域论文的实验严谨性与证据链完整性
Install
npx skills add brycewang-stanford/Awesome-Journal-Skills --skill aas-experiments -g -y
SKILL.md
Frontmatter
{
"name": "aas-experiments",
"description": "当你在为《自动化学报》(Acta Automatica Sinica, AAS) 设计与呈现实验、仿真或实物验证时调用。覆盖研究问题(RQ)驱动的实验设计、公平基线与对照、控制类的稳定性\/收敛性\/鲁棒性分析、模式识别类的指标与统计显著性、消融实验、仿真与实物平台的报告要素，帮助为控制理论、机器人、智能系统方向的中文稿搭建经得起 Acta Automatica Sinica 双盲外审的实证与理论证据链。"
}
《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。
Version History
- 9f86f09 Current 2026-07-19 14:24
