受干预多智能体系统的一致性分析及控制

运用图论、矩阵分析和极限理论, 研究当通信拓扑结构连通的多智能体系统受到干预时, 系统仍保持一致性的充分条件及其平衡状态. 利用指数函数快速递减且可积的特性, 设计干预控制器, 控制多智能体系统收敛到指定位置. 仿真研究实验验证了所提出结论的正确性.

     

多智能体协同任务分配问题研究综述

研究了给定通信基础设施和可用计算资源情况下,多智能体系统协同任务分配问题中集中式、分布式和分散式系统结构运用的适应条件及异步、同步交互方式在不同结构中的应用;分析了分布式或分散式的任务规划中诸如决策一致性策略和一致性算法等必须考虑的问题及其面临的挑战;最后,探讨了多智能体协同任务分配问题分布式和集中式的求解算法。     

具有时滞和时变系数的离散多智能体系统的一致性

研究一类具有时滞和时变系数的离散多智能体系统的一致性问题. 首先, 通过构造合适的控制协议, 并以第一个智能体的位移作为参考状态, 将原系统的一致性问题转化为误差系统中零解的渐近稳定性问题; 然后, 运用矩阵范数理论研究误差系统零解的渐近稳定性, 导出使多智能体系统实现一致的充分条件; 最后, 通过数值模拟验证了该判据的正确性和有效性.

     

不确定非线性多智能体系统的分布式模糊自适应镇定控制

针对一类具有未知非线性和未知参数摄动的非线性多智能体系统, 提出一种分布式模糊自适应镇定控制方法. 基于邻接智能体信息和部分智能体的自身信息, 分别设计静态耦合和动态耦合的分布式模糊自适应控制律. 基于Lyapunov 稳定性理论, 证明了所提出的控制器能使得系统状态最终稳定于原点的邻域内. 仿真实例验证了所提出方法的有效性.

     

复杂约束条件下异构多智能体联盟任务分配

分布式任务决策是提高多智能体系统自主性的关键.以异构多智能体协同执行复杂任务为背景,首先建立了一种考虑任务载荷资源约束、任务耦合关系约束及执行窗口约束等条件的异构多智能体分布式联盟任务分配模型;其次,对一致性包算法(CBBA)进行了扩展,提出了基于改进冲突消解原则的一致性联盟算法(CBCA),以实现异构多智能体协同无冲突任务分配,并进一步证明了在一定条件下CBCA算法收敛于改进顺序贪婪算法(ISGA).最后通过数值仿真,验证了CBCA算法求解复杂约束条件下异构多智能体联盟任务分配问题的可行性和快速性.     

随机多智能体系统稳定性综述

随机多智能体系统一致稳定性分析大致可区分为: 带随机噪声的多智能体系统的一致稳定性分析, 切换拓扑下随机多智能体系统一致稳定性分析, 随机时滞多智能体系统一致稳定性分析, 随机多智能体系统分布式优化控制一致稳定性分析. 对此, 从以上4 个方面对随机多智能体系统稳定性问题的研究进展及其存在的问题进行阐述, 并对随机多智能体系统一致稳定性的进一步研究方向进行了展望.

     

分布式离散多智能体系统在固定和切换拓扑下的编队控制

研究多智能体系统在分布式采样控制下固定拓扑和时变通信拓扑时的追踪和编队问题. 首先分析目标系统 在没有输入时的稳定性; 然后分别给出在固定和时变通信拓扑下使各智能体完成追踪和编队的控制协议, 并给出了系统稳定时采样间隔需满足条件的充分性和必要性证明; 最后通过仿真研究验证了所提出算法的有效性.

     

多编组协同任务分配模型及DLS-QGA 算法求解

为解决多智能体编组协同任务分配问题, 定义任务、智能体编组和相关的分配过程变量, 建立以最高任务执行效率为目标的数学模型. 在问题模型中设计考虑资源损耗的编组资源能力更新机制, 提出用于求解该模型的动态列表规划和量子遗传算法的混合任务分配算法, 使用动态列表规划选择处理的任务, 利用量子遗传算法为选定任务分配最合适编组. 最后通过算例表明, 所提出的方法在解决时序逻辑任务分配时能够得到更优更稳定的方案.

     

多智能体系统编队控制相关问题研究综述

首先梳理了编队控制研究的脉络, 介绍了3 种经典的编队控制方法, 即跟随领航者法、基于行为法和虚拟结构法的研究思想; 接着综述了近年来发展的, 包容了上述3 种方法且基于图论的编队控制理论的研究成果, 包括多智能体系统图论的建模, 基于代数图论和基于刚性图论的多智能体编队控制律设计、编队构型变换等方面的研究成果; 然后从图论结果出发, 回顾了与编队控制密切相关的一致性、聚集/同向、群集/蜂拥和包络控制的最新进展; 最后, 为了促进多智能体系统在实际中的应用, 指出了多智能体编队控制研究中有待解决的若干问题.

     

一类离散时间异构多智能体系统的一致平衡点分析

针对包含一阶二阶智能体的异构系统, 提出一种线性一致性协议. 利用图论和矩阵分析方法分析系统获得一致性的充分条件和一致平衡点, 并证明仅网络中的根节点对平衡点起作用. 在此基础上, 分析平衡点的取值范围,通过参数优化可以使系统收敛到该范围内任意给定的期望值. 最后, 通过仿真分析表明了理论分析的正确性.

     

求解多处理器任务调度问题的改进差分进化算法

针对多处理器系统任务调度复杂问题, 在自适应差分进化算法基础上增加惯性速度分项, 提出一种称为惯性速度差分进化(IVDE) 的改进算法, 以避免陷入局部最优解. 结合启发式任务列表, 对算法的状态编码提出了处理器列表(PL)、部分偏序任务列表(PTL) 和全部任务列表(CTL) 等3 种形式. 通过求解随机生成的任务调度标准图和真实求解任务问题, 进行了数值仿真验证, 其中PTL-IVDE 算法相比蚁群优化(ACO) 算法、混合遗传算法(TLPLC-GA), 能快速求得更好的任务调度方案.

     

基于信息素的多机器人协作任务分配

针对多机器人系统未知环境下自主任务分配问题,提出了将虚拟吸引信息素和虚拟排斥信息素相结合的多机器人任务分配方法。在动态未知环境下,进行了多机器人协作搜集实验,实验结果表明所提方法既可以避免多个机器人集中在一个空间内造成冲突加剧的现象,又可以实现多机器人自主地进行任务分配目的。     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

基于RBS的合作通信网络公平合作策略

针对合作通信网络中基于纳什议价解(NBS)的合作策略存在用户效用分配不公平的问题,同时考虑用户的最大与最小效用,提出了基于Raiffa-Kalai-Smorodinsk议价解(RBS)的合作策略,并建立了用户合作的条件.仿真结果表明,基于RBS的合作策略在保证网络总效用不变的前提下,具有更好的公平性.     

基于小波变换的分布式信息一致滤波算法

研究一类基于小波变换的分布式信息一致滤波算法. 首先, 利用Haar 小波变换建立目标状态及其观测在不同粗尺度下的系统模型; 然后, 基于该模型, 在不同粗尺度上分别进行分布式信息一致滤波估计; 最后, 针对不同粗尺度估计, 通过Haar 小波逆变换重构最细尺度(初始尺度) 目标状态的估计. 仿真结果表明, 所提出的算法可以有效提高分布式信息一致滤波算法的计算效率.

     

竞争环境下任务分配方法的研究

以博弈论和纳什均衡理论为基础,介绍了一种基于博弈论的竞争环境下的任务分配方法,提出了竞争环境下任务的分配模型框架,引入了Agent能力的概念,并给出了竞争环境下详细的任务竞争算法和资源竞买算法,最后通过实例获得了满意的结果,同时该实例也表明了本模型的合理性和算法的有效性.     

蚁群算法求解分布式系统任务分配问题

蚁群算法是受自然界蚂蚁觅食过程中,基于信息素的最短路径搜索食物行为的启发提出的一种智能优化算法.研究表明,在求解复杂优化问题方面该算法具有一定的优越性.任务分配问题是一类典型的组合优化问题.应用蚁群算法来解决多处理器分布式系统上的任务分配问题,一个任务只能分配给一个处理器处理,而一个处理器可以处理多个任务,其中每个处理器都有固定成本和能力限制.仿真结果表明,该算法比禁忌搜索和随机方法具有更好的求解能力.     

Decentralized multi-robot allocation of tasks with temporal and precedence constraints

Abstract

We present an auction-based method for a team of robots to allocate and execute tasks that have temporal and precedence constraints. Temporal constraints are expressed as time windows, within which a task must be executed. The robots use our priority-based iterated sequential single-item auction algorithm to allocate tasks among themselves and keep track of their individual schedules. A key innovation is in decoupling precedence constraints from temporal constraints and dealing with them separately. We demonstrate the performance of the allocation method and show how it can be extended to handle failures and delays during task execution. We leverage the power of simulation as a tool to analyze the robustness of schedules. Data collected during simulations are used to compute well-known indexes that measure the risk of delay and failure in the robots’ schedules. We demonstrate the effectiveness of our method in simulation and with real robot experiments.