数据丢包下事件驱动的非线性多智能体迭代学习控制

针对具有随机链路丢包、通信带宽受限以及模型未知的非线性多智能体一致性问题, 提出一种事件驱动的分布式无模型迭代学习控制策略. 首先建立系统的事件驱动决策机制, 给出基于输出信息的通信触发条件, 当该条件满足时触发事件, 各智能体间进行通信, 不满足条件时则不通信, 从而能够有效减少智能体间的大量通信和能量耗散. 其次, 使用伪偏导数将非线性系统沿迭代轴动态线性化, 借助邻居在前一步事件触发时的输出信息设计随机链路丢包补偿机制, 再结合事件驱动通信机制设计分布式控制协议. 在此基础上, 使用压缩映射原理分析算法收敛性能, 仿真结果表明随着迭代次数的增加, 事件触发间隔变大, 所有的智能体将完成对期望轨迹的跟踪.     

基于语义的中文事件触发词抽取联合模型

中文事件触发词抽取是一项具有挑战性的任务.针对中文事件触发词抽取中存在的事件论元语义信息难以获取以及部分贫信息事件实例难以抽取的问题,提出了基于语义的中文事件触发词抽取联合学习模型.首先,根据中文句子结构灵活和句法成分多省略的特点,提出了基于模式匹配的核心论元和辅助论元抽取方法,这两类论元可以较好地表示论元语义,进一步提高中文事件触发词抽取性能;其次,根据同一文档中关联事件实例间存在的高度一致性,构造了一个关联事件语义驱动的中文事件触发词识别和类型分配二维联合模型,用于抽取贫信息事件实例.在ACE 2005中文语料上的实验结果表明:与现有最好的中文事件抽取系统相比,所提出方法的性能得到了明显提升.     

基于事件触发的三阶离散多智能体系统一致性分析

研究了基于事件触发控制的三阶离散多智能体系统的一致性问题.首先,基于位置、速度和加速度三者的测量误差,设计了一个新颖的事件触发控制机制.然后,利用不等式技巧,得到了使离散多智能体系统达到一致的充分条件.所得到的条件揭示了系统的通信拓扑的Laplacian矩阵特征值和耦合强度对于系统一致性的影响.此外,还给出了事件触发控制器排除类Zeno行为的确定条件,这意味着事件触发控制器不会每个迭代时刻都更新.最后,通过仿真实验验证了所获得理论结果的正确性和可用性     

含多状态时滞的连续时间迭代学习控制系统稳定性分析

探讨了含多状态时滞连续时间迭代学习控制系统的稳定性分析问题, 尤其是当系统参数带有多面体不确定性时的鲁棒稳定性分析问题. 通过引入一个扩展算子, 利用迭代学习控制中的二维分析方法给出了时滞系统整个学习动态过程的连续离散Roesser系统描述. 基于所得的Roesser系统, 首先利用二维系统理论给出了保证迭代学习控制系统渐近稳定的充要条件, 然后结合鲁棒H∞控制理论提出了以线性矩阵不等式形式描述的充分条件来保证迭代学习控制系统的单调收敛性. 结果表明, 通过求解线性矩阵不等式确定的学习增益可以使控制输入误差随着迭代次数的增加单调收敛于零. 仿真结果表明, 通过增加满足一组线性矩阵不等式条件的P型学习增益能够使得一个鲁棒渐近稳定的迭代学习控制方案变为鲁棒单调收敛的, 同时还可以大大提高收敛速率.     

多智能体系统的事件触发无模型迭代学习双向一致性

针对未知模型的非线性离散时间多智能体系统,研究基于事件触发迭代学习双向一致性问题.首先,利用紧凑形式动态线性化方法,建立多智能体系统的动态线性化数据模型,提出一种该数据模型的参数估计算法;其次,基于该数据模型设计输出观测器和死区控制器,并结合信号图论,构建一种事件触发分布式无模型迭代学习双向一致性控制策略;然后,通过设计李雅普诺夫函数对该控制策略的收敛性进行严格的证明;最后,通过数值仿真进一步验证该控制协议的正确性和有效性.     

离散化不确定马尔可夫跳变系统的事件触发保性能控制

针对一类离散化不确定马尔可夫跳变系统,研究了基于事件触发机制的保性能控制问题.首先假设不确定的参数是有界的,与传统的周期触发方式的区别是,事件触发机制可以判断采样信号是否需要传输.其次,利用时间间隔分析法,把事件触发机制和网络时延构造成一个时滞系统,根据时滞分析法,提出了事件触发条件和保性能控制器的协同设计方案.最后,用一个仿真例子验证此算法的有效性.     

切换非线性系统的输出反馈周期事件触发控制

本文针对一类在任意切换信号作用下的切换非线性系统, 研究了其输出反馈周期事件触发控制问题. 所考 虑的非线性系统采用非严格反馈形式且含有未知时变控制系数. 在本文中, 仅利用采样时刻的系统输出. 为了估计 系统的不可量测的状态, 基于采样的系统输出构造了降维状态观测器. 为了减少通信资源的利用, 提出了一种新的 输出反馈周期事件触发策略, 该策略包含仅利用事件触发时刻的信息构造的输出反馈事件触发控制器以及仅在采 样时刻间歇性监测的离散事件触发机制. 通过选取可容许的采样周期及合适的公共Lyapunov函数, 证明了闭环系统 在任意切换下全局渐近稳定. 最后, 通过将本文中所给出的控制方案应用到数值算例中验证了其有效性.     

DoS攻击下网络控制系统的记忆型事件触发控制

针对一类网络化控制系统，当考虑网络控制系统遭受PWM （Pulsewidth-Modulated）型DoS （Denial-of-Service， DoS）攻击时，提出一种基于缓存机制的记忆型事件触发机制策略.本文考虑的DoS攻击可检测，并且攻击的周期时长以及每周期内的最短休眠时间已知.为了减少网络控制系统中数据包的发送频次，本文设计了基于相对误差的新型事件触发策略，与传统事件触发策略相比，通过增加缓存器来有效利用已经发送的历史采样数据，最终达到改善系统动态过程的目的.接下来，综合考虑网络攻击和事件触发方案，建立了网络化切换系统模型，构造分段李雅普诺夫泛函，推导出系统指数稳定的结论并且对控制器增益及事件触发参数进行协同设计.最后，通过仿真案例，验证了所提出方法的有效性.     

执行器故障多率采样间歇过程的鲁棒 耗散迭代学习容错控制

针对一类具有干扰和执行器故障的多率采样间歇过程,提出一种具有鲁棒耗散性能的迭代学习容错控制算法.通过提升技术将多采样率过程用慢速率采样的状态空间模型来描述,并基于二维系统理论,把迭代学习控制过程转化为等价2D Roesser故障系统,再沿时间和迭代方向设计具有耗散性能的反馈容错控制器,并以线性矩阵不等式形式给出容错控制器存在的充分条件,同时确保多率采样间歇过程在正常和故障条件下的耗散性能.注塑过程的注射速度控制仿真验证了方法的有效性和可行性.     

具有迭代初始误差的高相对度线性离散系统的迭代学习控制

本文针对具有迭代初始误差的高相对度线性多变量离散系统,提出了一种P型的迭代学习控制算法.通过将迭代学习控制系统的二维运动过程描述为一维的线性离散系统,证明了该迭代学习控制算法的收敛性及其收敛的充要条件.该迭代学习控制算法通过对系统前次重复运动过程中的输入和跟踪误差信号进行学习,来不断地调整输入量,使得系统在经过一定次数的学习以后,在初始时间点以外的实际输出趋于期望输出.数值仿真结果表明了所提出算法的有效性.     

离散重复过程的有限频率范围迭代学习容错控制

针对一类执行器故障不确定离散重复过程, 提出一种有限频率范围的迭代学习容错控制算法. 通过定义故障系数矩阵和输出跟踪系统的等价二维模型, 沿故障系统的时间轴和批次轴设计迭代学习被动容错控制器, 以线性矩阵不等式形式分别给出基于KYP 引理的全频、分频区域重复控制系统稳定的充分必要条件, 同时保证故障系统在时域和频域范围内的容错性能. 最后, 以重复注塑过程的注射速度控制仿真验证了所提出分频控制算法的有效性.

     

基于2维性能参考模型的2维模型预测迭代学习控制策略

将迭代学习控制(Iterative learning control, ILC)系统看作一类具有2维动态特性的控制系统,根据模型预测控制(Model predictive control, MPC)和性能参考模型控制思想, 提出了一种基于2维性能参考模型的2维模型预测迭代学习控制系统设计方案.在该控制系统设计方案中,可以通过选择适当的2 维性能参考模型来构造2 维动态变化的设定值信号和预测控制信号,从而引导迭代学习控制系统收敛到合理的控制性能,并有效避 免系统性能收敛过程中控制输入可能发生的剧烈波动.通过对控制系统的结构分析可知,所得的迭代学习控制器本质上是由沿时 间指标的参考模型预测控制器和沿周期指标的迭代学习控制器组成,闭环系统的收敛性等价于一个2维滤波系统的稳定性.数值仿 真结果证明了该设计方案的有效性和鲁棒性.     

基于事件的优化方法简介及其在能源互联网中的应用

许多实际系统具有事件驱动的特性,即系统状态的动态演化由一系列离散事件触发,这类系统称为离散事件动态系统(discrete event dynamic system,DEDS).针对这类系统的性能优化,本文介绍一种基于事件的优化模型(event-based optimization,EBO).该模型的典型特征是基于事件采取决策,与马尔科夫决策过程(Markov decision process,MDP)基于状态的决策方法相比具有如下几个方面的优点:一是一个事件通常对应一组具有相同特征的状态转移的集合,系统的事件数目往往远小于状态数,因此可利用系统的事件特征实现性能势集结,缓解问题的维数灾难题;二是许多实际系统只要求在特定事件发生时采取行动,对于这类系统,马尔科夫决策过程难以有效利用系统的结构信息.具体而言,马尔科夫决策过程要求不同状态下的决策独立,而系统的同一个事件通常对应着多种不同状态,难以利用相同事件可采取相同决策的结构特点.本文以马尔科夫决策过程为基础,重点围绕3个方面展开:一是介绍基于事件优化模型的基本概念及其理论和应用发展;二是介绍事件优化模型中基于性能势或事件Q因子的策略迭代算法;三是以建筑微电网中分布式风力发电供给电动汽车充电的协调优化问题为例,探讨基于事件的优化模型在能源互联网系统(energy internet)中的应用前景.     

事件触发下多智能体系统一致性的干扰主动控制

本文针对带有外部干扰影响的多智能体系统,研究了基于事件触发机制下的多智能体系统Leader-Following一致性的控制问题.采用干扰观测器来估计系统中存在的干扰,并设计了基于事件触发机制的干扰主动控制方案.运用现代控制理论和矩阵论等工具分析了多智能体协同运动算法得到了多智能体系统在分布式事件触发机制下的一致性收敛条件,并且分析了本文设计的分布式事件触发机制的时间间隔存在正的下界.最后通过计算机仿真,验证了本文所提控制算法的有效性.     

带状态约束的事件触发积分强化学习控制

为克服全状态对称约束以及控制策略频繁更新的局限,同时使得无限时间的代价函数最优,针对一类具有部分动力学未知的仿射非线性连续系统,提出一种带状态约束的事件触发积分强化学习的控制器设计方法。该方法是一种基于数据的在线策略迭代方法。引入系统转换将带有全状态约束的系统转化为不含约束的系统。基于事件触发机制以及积分强化学习算法,通过交替执行系统转换、策略评估、策略改进,最终系统在满足全状态约束的情况下,代价函数以及控制策略将分别收敛于最优值,并能降低控制策略的更新频率。此外,通过构建李亚普诺夫函数对系统以及评论神经网络权重误差的稳定性进行严格的分析。单连杆机械臂的仿真实验也进一步说明算法的可行性。     

具有未建模动态的互联大系统事件触发自适应模糊控制

针对一类具有未建模动态及执行器故障的非严格反馈非线性互联大系统, 提出一种基于事件触发机制的模糊分散自适应输出反馈控制算法. 首先, 通过设计模糊状态观测器估计系统中不可测的状态, 并引入李雅普诺夫函数约束未建模动态. 然后, 提出一种基于事件触发机制的自适应容错控制器补偿多个执行器故障产生的影响. 最后, 利用障碍李雅普诺夫函数实现对系统输出的约束, 并证明闭环系统中所有信号均是半全局一致最终有界的, 且设计的事件触发机制可以避免Zeno行为. 数值仿真结果验证所提出设计方案的可行性及有效性.     

执行器故障重复过程的鲁棒迭代学习容错控制方法及应用

针对具有执行器故障和外界扰动的线性重复过程,给出一种鲁棒迭代学习容错控制策略.首先,基于二维(2D)系统理论,设计鲁棒迭代学习容错控制器,将迭代学习控制系统等效转化为2D模型;然后,利用线性矩阵不等式(LMI)技术,分析和优化控制系统在时间和迭代方向上的容错性能以及对干扰的抑制性能,同时给出系统满足这些性能的充分条件,并进一步通过求解LMI凸优化问题获得控制器参数;最后,通过对旋转控制系统的仿真结果验证了所提出算法的有效性.     

基于双通道事件触发机制的水面无人艇同时故障检测与控制

本文研究双通道事件触发通讯机制下水面无人艇(USV)的同时故障检测和控制(SFDC)问题.考虑执行器故障和外部扰动,建立了SFDC框架以同时实现控制和故障检测目标.为了节约有限的通信资源和系统能源,在传感器–控制器通道和控制器–执行器通道分别部署了积分型事件触发器.在事件触发的通讯机制下,提出了故障检测器和控制器的联合设计准则.最后, USV的仿真结果验证了提出的基于事件触发的SFDC方法的有效性.     

切换拓扑下多自主体系统的事件触发一致性控制

本文针对一阶非线性多自主体系统,考察了切换拓扑下的事件触发一致性控制问题.当切换拓扑子图的并图包含有向生成树时,基于一阶保持器提出了一种分布式事件触发一致性算法,用以降低网络的通信负载.运用迭代法和不等式法,得到了多自主体系统达到有界一致性的充分条件.此外,证明了所提事件触发机制不存在Zeno现象,并得到了触发间隔的正下界.最后,给出仿真实例,验证了所提事件触发一致性算法和理论分析结果的有效性.     

基于时变神经网络的非线性时变系统建模

提出时变神经网络模型,用以逼近未知非线性时变映射,实现非线性时变系统建模.将时变神经网络的权值学习作为时变系统的时变参数估计问题,并基于迭代学习机制,给出在同一时刻沿迭代轴训练网络权值的迭代学习最小二乘算法.理论上证明了该算法的全局收敛性.给出的数值算例表明所提算法在非线性时变系统建模方面的有效性.