离散时变多智能体系统有限时间一致性迭代学习控制

针对一类离散时变多智能体系统,通过引入虚拟领导者产生期望轨迹的方法,将虚拟领导者和所有智能体组成固定的拓扑结构,在此基础上,提出一种离散时间迭代学习控制算法.该算法对多智能体系统中的每个智能体都设计一个控制器,各控制器都是利用上一次迭代时,该智能体与虚拟领导者之间的跟踪误差和该智能体与相邻智能体之间的跟踪误差,通过拓扑结构中通信权值的组合不断修正上一次的控制律,从而获得理想控制律.同时,基于范数理论严格证明所提出算法的收敛性,并给出算法在$\lambda$-范数意义下的收敛条件.该算法能够使离散时变多智能体的输出随着迭代次数的增加在有限时间区间内完全跟踪期望轨迹.理论分析和仿真结果都表明了所提出算法的有效性.     

初始误差修正的多智能体一致性迭代学习控制

研究了重复运行的分布式多智能体系统在有限时间内的一致性问题。针对具有固定拓扑结构的多智能体系统,在期望轨迹对应的初始状态未知,且系统存在干扰的情况下,引入虚拟领导者技术,提出了一种同时对各智能体的输入和初始状态误差进行迭代修正的分布式学习控制算法。收敛性分析表明,该算法能够消除由于各智能体初始状态和期望轨迹对应的初始状态不同而引起的各智能体输出不能完全跟踪期望轨迹的状况,实现系统在有限时间内的完全跟踪;仿真结果也证明了算法的有效性。     

DoS攻击下多智能体系统无模型自适应迭代学习跟踪控制EI北大核心CSCD

针对周期性拒绝服务(DoS)攻击下多智能体系统有限时间趋同跟踪控制问题,本文提出了一种无模型自适应迭代学习控制(MFAILC)算法.假设多智能体系统具有固定拓扑结构,并且仅有部分智能体可获取到期望轨迹信息.在多智能体系统数据传输过程中,需要经由对数量化器进行量化处理.首先,使用伪偏导数将智能体系统动态线性化,处理过程中考虑符合伯努利分布的周期性DoS攻击现象,在此基础上设计了MFAILC控制算法,其次,采用压缩映射方法给出了一个在期望意义下保证跟踪误差收敛的充分条件,并在理论上证明了所提算法的收敛性.所提算法只需利用系统的输入输出数据就可完成趋同跟踪任务.最后,仿真结果验证了所提算法的有效性.     

数据丢失下多智能体系统迭代学习跟踪控制

考虑数据丢失下非线性多智能体系统的一致性跟踪问题。假设多智能体系统使用固定网络通信拓扑结构,由于通信网络自身限制导致多智能体系统中存在数据丢失现象。将数据丢失现象描述为取值0/1的随机伯努利序列,设计分布式一致性跟踪误差,提出该系统在数据丢失下的P型迭代学习控制算法。采用压缩映射的方法给出收敛性条件,并在理论上分析了跟踪误差的收敛性。仿真结果表明,提出的算法可以实现该系统在有限时间区间上对期望轨迹的完全跟踪,验证了算法的有效性。     

基于迭代学习的部分非正则多智能体编队控制

针对一类具有任意初始状态的部分非正则多智能体系统,提出一种迭代学习控制算法.该算法将具有固定拓扑结构的多智能体编队控制问题转化为广义上的跟踪问题,即让领导者跟踪给定的期望轨迹,而跟随者要始终保持预定队形对某一智能体进行跟踪,并将该智能体作为自身的领导者.同时,为了使每个智能体在任意初始状态下都能按照期望队形进行编队,对每个智能体的初始状态设计迭代学习律,并从理论上对算法的收敛性进行严格证明,给出算法收敛的充分条件.所提出的算法对于各个智能体在任意初始位置条件下均能实现在有限时间区间内系统的稳定编队.最后,通过仿真算例进一步验证了所提出算法的有效性.     

非线性多智能体系统的无模型自适应聚类一致性控制

针对一类模型未知的离散时间非线性多智能体系统聚类一致性问题,提出一种无模型自适应控制算法.首先,假设系统具有固定拓扑,利用伪偏导数概念得到系统的数据关系模型,在考虑多智能体之间耦合系数条件下给出聚类一致性误差,在此基础上设计一种数据驱动的聚类一致性跟踪控制协议;然后,采用压缩映射方法在理论上分析了跟踪误差的收敛性,结果表明所提出算法不需要智能体模型信息即可完成跟踪任务,是一种数据驱动的控制方法;最后,将结果拓展至随机切换拓扑结构的多智能体系统中,数值仿真结果验证了所提出算法的有效性.     

非仿射非线性多智能体系统迭代学习一致跟踪

为了解决非仿射非线性多智能体系统在给定时间区间上一致性完全跟踪问题,基于迭代学习控制方法设计一种分布式一致性跟踪控制算法.首先,由引入的虚拟领导者与所有跟随者组成多智能体系统的通信拓扑,其中虚拟领导者的作用是提供期望轨迹.然后,在只有部分跟随者能够获得领导者信息的条件下,利用每个跟随者及其邻居的跟踪误差构造每个跟随者的迭代学习一致性跟踪控制器.同时采用中值定理将非仿射非线性多智能体系统转化仿射形式,并基于压缩映射方法证明所提算法的收敛性,给出算法的收敛条件.理论分析表明,在智能体的非线性函数未知情况下,利用所提算法可以使非仿射非线性多智能体系统在给定时间区间上随迭代次数增加逐次实现一致性完全跟踪.最后,通过仿真算例进一步验证所提算法的有效性.     

测量受限线性多智能体系统一致性迭代学习控制

本文针对通讯拓扑同时沿时间轴和迭代轴切换且存在测量受限的情形,研究了基于迭代学习控制方法的连续线性多智能体系统输出一致性跟踪问题.在系统通信拓扑始终含有以虚拟领航者为根节点的生成树,以及所有智能体初态在每次迭代均可重置的条件下,针对跟随者能够获得的局部信息而设计了测量受限分布式输出一致性协议.然后,利用λ范数的方法和圆盘定理给出了所有跟随者的输出收敛到虚拟领导者输出的两个充分性条件,其中之一可实现时变迭代学习增益的分布式计算.最后,仿真结果验证了所得结论的有效性.     

加速抑制随机初态误差影响的迭代学习控制

针对一类具有不确定性的多输入多输出非线性系统,提出一种迭代学习控制算法.该算法具有的特点是:针对任意初态情形,结合开环 D型迭代学习控制器的优点,在时间轴上设计了一个随迭代次数增加而缩短的时间段.在该时间段上,控制算法对状态偏差进行修正,以使系统输出在此段时间后跟踪期望输出,且系统跟踪误差收敛到一个界内.这个界仅由系统自身不确定性和不确定的外界干扰决定,与初态误差无关.当外界扰动为0,以及迭代次数趋于无穷时,经过上述时间段后,系统输出精确跟踪期望输出.理论证明和仿真结果都说明了该算法的有效性.     

基于迭代学习的多智能体系统分布式跟踪控制

文章考虑了具适多智能体系统的分布式跟踪控制问题。通过设计带有初始学习机制的$P$型和$PD^{\alpha}$ 型迭代学习控制策略求解跟踪问题。具适导数具有良好的性质且可以刻画不同步长的实际数据采样情况。初始学习机制放松了初始值条件且提高了算法实现趋同跟踪的性能。在可重复操作环境和有向通信拓扑的假设下,提出了一种分布式迭代学习方案,通过重复同一轨迹的控制尝试和用跟踪误差修正不满意的控制信号来实现有限时间趋同。严格证明了随着迭代次数增加,提出的$P$型和$PD^{\alpha}$ 型迭代学习控制策略使得所有智能体能渐近跟踪上参考轨迹。两个代表性数值仿真验证了算法的有效性。     

Iterative learning control of multi-agent systems with random noises and measurement range limitations

In this paper, the iterative learning control is introduced to solve the consensus tracking problem of a multi-agent system with random noises and measurement range limitation. A distributed learning control algorithm is proposed for all agents by utilising its nearest neighbour measured information from previous iterations. With the help of the stochastic approximation technique, we first establish the consensus convergence of the input sequences in almost sure sense for fixed topology as the iteration number increases. Then, we extend the results to switching topologies case which is dynamically changing along the time axis. Illustrative simulations verify the effectiveness of the proposed algorithms.     

Finite-time consensus protocols for networks of dynamic agents by terminal iterative learning

This paper aims to address finite-time consensus problems for multi-agent systems under the iterative learning control framework. Distributed iterative learning protocols are presented, which adopt the terminal laws to update the control input and are offline feedforward design approaches. It is shown that iterative learning protocols can guarantee all agents in a directed graph to reach the finite-time consensus. Furthermore, the multi-agent systems can be enabled to achieve a finite-time consensus at any desired terminal state/output if iterative learning protocols can be improved by introducing the desired terminal state/output to a portion of agents. Simulation results show that iterative learning protocols can effectively accomplish finite-time consensus objectives for both first-order and higher order multi-agent systems.     

具有通信时延的二阶多智能体系统有限时间一致性跟踪控制

针对具有通信时延的二阶多智能体系统的有限时间一致性控制问题,分别研究了具有固定拓扑和切换拓扑网络结构情形下的二阶多智能体系统的有限时间一致性。为使多智能体系统能在有限时间内可以达到一致,引入一致性控制增益矩阵并设计了相应的基于相对位置和相对速度的时延状态误差有限时间一致性控制算法,利用系统模型转换,泛函微分方程稳定性理论和有限时间Lyapunov稳定性定理得到了使系统在有限时间内达到一致跟踪的最大时延上界值。最后,仿真实验结果验证了所得理论的正确性和有效性。     

基于事件触发非线性多智能体系统的固定时间一致性

本文研究了在有向拓扑下,带有非线性动力学多智能体系统的固定时间一致性问题.提出了一种新的基于事件触发机制的非线性控制策略,对于每个智能体给出了基于状态信息的事件触发条件,当状态误差满足所给条件时才触发事件,能有效的减小系统的能量耗散和控制器的更新频次.利用Lyapunov稳定性理论和代数图论,证明在该控制策略下,多智能体系统在固定时间能实现领导跟随一致性,且不存在Zeno行为.相较于有限时间一致性策略,采用固定时间一致性策略系统的收敛时间不再依赖于系统的初始状态.最后,仿真实例验证了理论结果的有效性.