基于位置信息的混合多智能体蜂拥控制方法

目前,很多蜂拥控制算法都是基于智能体通信半径为一个固定的值且既考虑多智能体之间的相对位置,又考虑它们的相对速度来设计的,然而,实际的情况往往不会有那么理想。文中试图在基于通信半径不同的混合多智能体控制策略的设计过程中减少考虑的控制因素的个数（只考虑位置信息）,提出一种分布式的控制算法。此控制算法能实现多智能体跟随一个速度固定的虚拟领航者,形成聚合、无碰撞的队列。给出了算法的可行性理论分析,并针对20个智能体跟踪一个速度固定的虚拟领导者的情形给出了计算机仿真,用以验证算法的可行性。     

基于事件触发二阶多智能体系统的固定时间比例一致性

研究了在无向拓扑下,由多个子群组成的二阶多智能体系统的固定时间比例一致性问题,采用反推法设计了一种基于事件触发的固定时间非线性比例一致控制策略,该策略包含分段式事件触发函数:当智能体在追踪虚拟速度时,给出了基于速度信息的触发条件;当智能体速度与虚拟速度达到一致时,切换至基于位置信息的触发条件,可有效减少系统能量耗散及控...     

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.     

二阶多智能体系统量化蜂拥控制

针对在多智能体系统的通信网络中需要对交换信息进行量化的客观情况,研究基于量化信息的二阶多智能体系统蜂拥控制问题。首先,假设多智能体系统采用一致量化器对速度和位置信息进行量化,并且有一个虚拟领导者沿着固定方向匀速运动;然后,设计基于量化信息的多智能体蜂拥控制输入,并利用非平滑系统的Lyapunov稳定性判据和不变集原理证明系统的稳定性;最后,利用Matlab对多智能体系统在二维平面上的蜂拥运动进行仿真实验,仿真结果验证了理论分析的正确性。     

具有时变通信延迟的多智能体系统改进蜂拥控制

针对不确定非线性二阶多智能体系统中存在的时变通信时延和未知干扰问题,提出了一种鲁棒自适应蜂拥控制规律。为了使二阶多智能体系统能够具有更好的抗干扰能力,设计了基于智能体位置状态信息和速度状态信息的鲁棒自适应算子,实现了系统在时变通信时延扰动下的分布控制。通过使用Lyapunov-Krasovskii方法构造能量函数,证明了多智能体系统的网络连通性,智能体的速度收敛于虚拟领导者的速度,并给出了具有时变通信时延的多智能体系统收敛条件。仿真实验结果表明,在不同干扰强度和不同通信时延下系统均能实现快速收敛,形成稳定的拓扑结构,证明所提方法正确有效。     

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.     

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。     

Round-Robin协议下基于观测器的多智能体系统H∞一致性控制

针对一类具有非线性动态特性的多智能体系统,研究Round-Robin(RR)通信协议下基于观测器的H_∞一致性控制问题。在智能体与其邻居智能体之间的通信信道引入了Round-Robin通信协议,缓解信道拥堵带来的测量丢失、时延等问题。通过RR协议的调度,使得智能体在每一时刻确保能够接收到一个邻居智能体信息。首先,根据智能体的测量输出设计状态观测器,对每个智能体的状态进行估计,然后,根据估计状态设计一致性控制器,基于李雅普诺夫稳定性理论,给出多智能体系统满足H_∞一致性性能指标的充分条件,进而通过求解线性矩阵不等式(LMI)获得观测器及控制器参数。最后,将本文设计的控制算法应用于数值仿真和柔性连杆机器人的一致性控制,验证所设计算法的可行性和有效性。     

输出饱和多智能体系统的迭代学习趋同跟踪控制

针对带有输出饱和的多智能体系统有限时间趋同跟踪控制问题,提出了一种分布式迭代学习控制算法.首先假设多智能体系统具有固定拓扑结构,且仅有部分智能体可获取到期望轨迹信息.基于输出约束条件构造一致性跟踪误差,在此基础上设计了P型迭代学习控制率.然后采用压缩映射方法给出了一个算法收敛的充分条件,并在理论上证明了跟踪误差的收敛性.最后,将理论结果推广至具有随机切换拓扑结构的多智能体系统中.仿真结果验证了所提出算法的有效性.     

利用方位角信息的移动机器人编队控制

本文以移动机器人为研究对象,仅利用方位角信息实现多智能体系统的编队控制.为实现大规模编队和队形的缩放控制,智能体被分为领航者、第1跟随者以及其余跟随者.首先,考虑智能体之间相对位置信息难以精确测量的情形,设计仅用方位角信息的估计算法获得准确的相对位置;然后,基于获得的相对位置信息设计第1跟随者的控制算法,使得第一跟随者...     

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.     

基于k-shell分解的多智能体牵制控制算法

针对多智能体网络在牵制控制过程中存在的网络分裂现象,考虑到牵制节点选择对多智能体收敛速度的影响,提出一种基于k-shell分解的牵制控制算法.首先根据节点连通度划分子网;然后提出基于k-shell分解的牵制节点选择方法;最后完成多智能体的牵制控制.理论推导证明,采用该算法后整个智能体网络最终将形成一个子网.分析对比3种牵制控制算法,通过实验仿真结果验证所提出算法能够实现多智能体的一致性,有利于提高多智能体的收敛速度.     

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.     

仅用位置信息的多智能体自适应蜂拥控制

复杂系统的研究中,提出了自适应调节的多智能体蜂拥控制算法.算法首先通过改进人工势函数来保证网络的连通性.再通过构造分布式观测器,用多智能体之间的位置信息来估计多智能体之间的速度信息;同时对观测器权重参数进行自适应调节来降低蜂拥控制模型的参数不确定性的影响.并且从理论上对算法进行了分析,然后给出计算机仿真,证明了算法的有效性.仿真结果表明,上述算法能够使多智能体经过一定时间的调整达到速度一致并进入稳态,且运动过程中保证网络连通性.     

基于稀疏高斯过程的多智能体区域覆盖控制

针对未知环境下的多智能体覆盖控制问题,提出一种基于稀疏高斯过程回归的多智能体在线学习区域覆盖控制算法(SGPR-Lloyd)。在基站-多智能体通信框架下,多智能体系统采集环境数据并发送至基站,基站通过一种在线稀疏高斯过程回归方法,根据已有数据对全局环境密度函数进行预测和对预测模型中的超参数进行训练,并给出预测方差;其次,基于预测方差,基站对多智能体进行任务分配,对相应维诺区域预测方差较大的智能体指派学习任务,方差较小的则指派覆盖任务,合理地设计覆盖控制律,实现在线学习区域覆盖控制目标;进而通过仿真实验验证了所提出的在线学习区域覆盖控制算法的有效性。实验结果表明,相对于基于传统GPR的学习覆盖控制算法,SGPR-Lloyd算法在预测性能、覆盖效果及运行效率上表现均更优,是一种新型高效的适用于未知环境的区域覆盖控制算法。     

多机器人任意队形分布式控制研究

本文针对多智能体协作完成特定任务时难以在全自主控制的前提下协作形成任意队 形和队形向量不易确定的问题，通过由各智能体自主简单的确定自己的队形向量，从理论上 扩展基于队形向量的队形控制原理以生成任意队形，改进机器人的运动方式以提高收敛速度 ，提出一种快速收敛的机器人部队任意队形分布式控制算法．为了解决智能体机器人之间的 冲突问题，提出了一个通信协调模型．仿真实验和实际机器人实验均表明了算法的可行性和 有效性．     

事件驱动的强化学习多智能体编队控制

针对经典强化学习的多智能体编队存在通信和计算资源消耗大的问题,本文引入事件驱动控制机制,智能体的动作决策无须按固定周期进行,而依赖于事件驱动条件更新智能体动作。在设计事件驱动条件时,不仅考虑智能体的累积奖赏值,还引入智能体与邻居奖赏值的偏差,智能体间通过交互来寻求最优联合策略实现编队。数值仿真结果表明,基于事件驱动的强化学习多智能体编队控制算法,在保证系统性能的情况下,能有效降低多智能体的动作决策频率和资源消耗。     

基于局部估计的功率驱动多智能体网络牵制蜂拥控制算法

针对复杂功率驱动系统控制中现有牵制控制策略在保持拓扑结构连通性和降低功率消耗方面存在的不足,提出一种基于局部估计的功率驱动多智能体网络的牵制蜂拥控制算法。该算法首先利用幂迭代一致估计算法动态估计多智能体网络的代数连通度;然后根据代数连通度的局部估计值及最大功率约束自适应调整个体发射半径,以保持多智能体网络在演化过程中拓扑结构的连通性,并有效降低功率消耗;最后通过仿真实验验证了所提出控制算法的有效性。     

基于事件驱动的多智能体有限时间分群一致控制

针对二阶线性多智能体系统的分群一致控制问题,考虑智能体通信拓扑同时包含协作和对抗关系,提出一种基于事件驱动控制的有限时间分布式领航跟随分群一致性算法,该算法可使多智能体系统在有限时间内实现分群一致,即各子组内的智能体实现状态一致,不同子组收敛至不同一致状态.采用事件驱动控制机制,设计事件驱动函数及事件触发条件,降低智能体控制器更新频率,减少系统能耗.基于代数图论和李雅普诺夫稳定性理论推导出系统的有限时间稳定性条件,通过巧妙构造Lyapunov函数,给出系统有限收敛时间的显式估计,同时证明在所提出的事件驱动机制下,每个智能体相邻触发时间间隔有严格的正下界,即避免了芝诺行为.仿真实验验证了所提出的有限时间事件驱动分群一致控制算法的有效性.     

一种多约束下无人机编队的模型预测控制算法

针对多无人机在编队飞行过程中需满足机间避碰、通信、避障等约束的问题,设计一种考虑多约束的分布式模型预测控制算法,使无人机编队在满足上述约束的前提下,实现轨迹跟踪、队形保持.首先,在不考虑通信时延、外界干扰、噪声的情况下,以四旋翼为控制对象,建立线性时不变的单机及编队运动模型;然后,在考虑状态约束、输入约束、机间避碰、机间通信、避障等多种约束的情况下,以轨迹跟踪、队形保持为控制目标,基于虚拟领航策略设计一种分布式模型预测控制算法;接着,对优化问题的可行性以及编队系统的渐近稳定性进行分析,其中算法的终端部分设计、相容性约束设计是保证系统稳定的关键;最后,利用6架无人机仿真验证所提出控制算法的有效性.