aas-reproducibility

npx skills add brycewang-stanford/Awesome-Journal-Skills --skill aas-reproducibility --agent claude-code

Same command for any agent — swap --agent for codex, cursor, copilot.

# 《自动化学报》可复现性与实验可重复 本技能帮你把投向《自动化学报》(Acta Automatica Sinica, AAS) 的实验做到**可复现**。外审常问"换个人 能否复现你的结果"，控制类还要能复现稳定性与性能结论。以下方法于 2026-07-09 核验框架（见 `resources/official-source-map.md`）；本刊是否强制提交复现材料 **待核实**。 ## 一、可复现性三支柱 | 支柱 | 内容 | |---|---| | 环境可复现 | 语言/库版本、系统、硬件、随机种子固定 | | 数据可复现 | 数据来源、划分、预处理脚本、校验和 | | 流程可复现 | 从原始数据到论文图表的一键脚本 | ## 二、环境与依赖固定 - 记录语言与关键库版本（Python/MATLAB、控制/学习框架），提供 `requirements.txt`/`environment.yml` 或 Dockerfile。 - 控制仿真额外记录：**仿真器与版本、求解器类型、积分步长、系统模型参数、初始条件**。 - 硬件：CPU/GPU 型号、内存；实物实验记录采样周期、控制器硬件与传感器型号。 ## 三、随机性与多次运行 - 固定随机种子；对随机性强的实验（强化学习、随机初始化的识别模型）报告**多次运行的均值与方差**。 - 说明随机来源（初始化、数据打乱、探索噪声）与控制方式；不要只报单次最好结果。 ## 四、数据划分与防污染 | 风险 | 防范 | |---|---| | 测试集调参 | 只在验证集调参，测试集仅最终评测一次 | | 数据泄露 | 划分在预处理前，防未来信息进训练 | | 重复样本跨集 | 去重，确认训练/测试无交叠 | | 分布偏移未披露 | 说明训练与测试分布差异 | ## 五、复现包组织（配合双盲） ```text repro/ README.md # 环境、数据、运行、预期结果、硬件 env/ # requirements.txt / environment.yml / Dockerfile data/ # 数据或获取脚本 + 校验和 src/ # 方法与基线 configs/ # 每个实验/图表的配置与种子 scripts/ # run_all.sh：原始数据→论文图表 results/ # 关键指标，供复现校验 ``` - 复现材料需**匿名**：仓库、README、路径、账户名不得泄露作者身份（双盲，见 `aas-submission`）。 - 用匿名化 Git 快照或匿名仓库分享链接；勿指向作者主页。 ## 六、超参数与调参协议 - 公布搜索空间、选择准则、最终取值；说明基线的调参是否与本文同等投入。 - 控制类公布增益、自适应率、约束参数等；学习类公布学习率、批大小、训练轮数等。 ## 七、可复现性自检