基于强化学习的完全分布式事件驱动二分一致性算法

使用强化学习(Reinforcement Learning,RL)方法和基于事件驱动的完全分布式控制策略来研究系统模型信息未知的多智能体系统(MASs)的二分一致性问题。首先,基于状态阈值和时间阈值提出了一种混合事件触发机制,用于减少智能体间的通信频率。其次,利用局部采样的状态信息设计了一个自适应事件触发一致性控制协议,使所有追随智能体的二分一致性误差最终趋于零。通过排除有限时间内的芝诺(Zeno)行为,证实了上述事件触发机制的有效性。然后,基于RL方法提出了一种无模型算法来获得反馈增益矩阵,并在模型信息未知的情况下实现了自适应事件触发控制策略的构建。与现有的相关工作不同,这种基于RL的事件触发自适应控制算法只依赖于局部采样的状态信息,与任何模型信息或全局网络信息无关。此外,将上述结果扩展到切换拓扑情形,这更具挑战性,因为状态估计在以下两种情况下更新:1)交互图切换时;2)事件触发机制满足时。最后,通过实例验证了上述自适应事件触发控制算法的有效性。     

一种解决带有凸集约束的分布式伪凸优化的连续时间算法

本文提出了一种可以解决带有凸集约束且全局目标函数是非光滑伪凸的分布式优化问题的连续时间算法.本文所提出的分布式优化算法采用罚函数方法建模,通过构造一个合适的惩罚项迫使所有智能体的状态变量进入可行域.通过使用李雅普诺夫(有限时间)稳定性理论等工具,证明了在一定假设下,本文所提出的算法将在有限时间内达成一致状态且进入可行域并永驻其中,并在此之后收敛到原分布式优化问题的最优解集.此外,该算法在运行时各个智能体仅仅需要接收邻居节点的相对状态的符号信息.最后,仿真结果验证了本文所提出的算法的有效性.     

多智能体系统分布式一致性算法研究现状

综述了多智能体系统分布式一致性问题的研究现状。从理论层面介绍了一致性问题的几种常见定义及与特性相关的主要参数;总结归纳了近年来几种一致性协议及其理论分析结果;分析和阐述了一致性问题的主要应用领域的进展。展望了未来的研究方向。     

周期事件触发的多智能体分布式凸优化

基于周期事件触发机制,研究了具有时变时滞的多智能体系统在强连通有向拓扑下的分布式凸优化问题,提出了一种分布式事件触发零梯度和算法。与时间触发的分布式优化算法相比,该算法可以降低网络系统中的通信负载,具有能耗低和通信成本低的优点。此外,还证明了智能体的状态渐近收敛到全局最优点。由于事件仅在周期时刻进行检验,那么相邻事件触发时刻的时间间隔的下界是采样周期h,可以直接排除Zeno行为。最后通过数值模拟说明了理论结果的有效性。     

多智能体系统的事件驱动控制

近年来事件驱动控制发展迅速,并引起了多智能体系统领域研究者的极大关注.本文对基于事件驱动控制的多智能体系统的研究现状进行综述.从智能体动力学角度,分别对这个领域的一些代表性成果和研究方法进行了归纳总结.进一步,论述了边事件驱动控制策略下的多智能体系统的研究成果.随后,利用一类新型事件驱动控制来探讨多智能体系统的一致性问题.最后,给出了尚未解决的问题和未来值得关注的研究方向.     

离散高阶分布式一致性算法

为了提高分布式一致性算法的收敛速度, 提出了一种离散高阶分布式一致性算法。该算法通过单跳通信, 利用二跳邻接节点的前多步信息来加速分布式一致性算法的收敛速度。对无向通信拓扑下该算法的收敛性能和收敛速度, 以及带通信延时的该算法的收敛性能进行了分析和仿真比较, 结果显示, 该算法在满足条件下能收敛到初始状态的平均值, 与同样利用二跳邻接节点信息的算法相比, 具有通信量小, 收敛速度更快的特点, 但是能容忍的通信延时变小。     

分布式优化的多智能体方法

分布式优化作为分布式协调控制领域中的一个基本而重要的研究课题,近年来,不同领域的众多学者对其产生了广泛的研究兴趣.本文总结归纳了分布式优化的研究现状和近期的研究成果,重点对离线分布式优化和在线分布式优化进行了阐述,并从算法设计和收敛性分析这两个角度进行了剖析.特别地,针对一类混合均衡问题,本文介绍了一类分布式求解算法.最后,阐述了当前尚未解决的问题和未来的研究方向.     

基于局部并行搜索的分布式约束优化算法框架

针对当前局部搜索算法在求解大规模、高密度的分布式约束优化问题（DCOP）时,求解困难且难以跳出局部最优取得进一步优化等问题,提出一种基于局部并行搜索的分布式约束优化算法框架（LPOS）,算法中agent通过自身的取值并行地搜索局部所有邻居取值来进一步扩大对解空间的搜索,从而避免算法过早陷入局部最优。为了保证算法的收敛性与稳定性,设计了一种自适应平衡因子K来平衡算法对解的开发和继承能力,并在理论层面证明了并行搜索优化算法可以扩大对解空间的搜索,自适应平衡因子K可以实现平衡目的。综合实验结果表明,基于该算法框架的算法在求解低密度和高密度DCOP时性能都优于目前最新的算法。特别是在求解高密度DCOP中有显著的提升。     

非平衡有向网络下带约束的连续时间分布式优化算法设计

本文基于权重不平衡有向网络,对一类分布式约束优化问题进行研究,其中全局目标函数等于具有李普希兹梯度的强凸目标函数之和,并且每个智能体的状态都有一个局部约束集.每个智能体仅知道自身的局部目标函数和非空约束集.本文的目标是用分布式方法求解该问题的最优解.针对优化问题,提出了一种新的分布式投影梯度连续时间协调算法,利用拉普拉斯矩阵的零特征值对应的左特征向量消除了图的不平衡性.在某些假设下,结合凸分析理论和李雅普诺夫稳定性理论,证明了算法能够获得问题的最优解.最后,通过仿真验证了算法的有效性.     

Feedforward—feedback control of distributed parameter systems†

Regulatory control of distributed systems subjected to load disturbances is considered by using feedforward and state measure control configurations. Dynamic compensation of the feedforward signal is accomplished with a lead-lag function, the time constants of which are determined by means of a numerical search technique. Compensation of the state measure signal is provided by the distributed nature of the process itself. Exit temperature regulation of a tubular heat exchanger acted upon by velocity and inlet temperature disturbances is considered as an application for feedforward control. Considerably better performance is obtained with the addition of dynamic compensation to the feedforward signal. State measure control is applied to the exchanger for a feed temperature upset and the effects of sensor location on outlet performance are investigated. An optimal sensor location is determined which minimizes the integral-square error at the outlet.     

事件触发下多智能体系统固定时间二分一致性

针对具有符号有向图的一阶多智能体系统,研究了其固定时间二分一致性问题。为降低控制过程中多智能体系统的能量损耗,提出了一种基于事件触发机制的分布式控制协议。以图论和李雅普诺夫理论为主要研究工具,给出了多智能体系统在所设计控制协议作用下实现固定时间二分一致性的充分条件和与系统初始状态无关的收敛时间上界,并证明了使用该协议可以有效避免对智能体的连续控制和Zeno行为的发生。数值算例验证了所得理论结果的有效性。     

自适应事件触发控制的多智能体系统一致性

研究了拓扑结构为有向强连通图的多智能体系统的一致性问题。提出一种新的自适应事件触发控制方案,根据采样数据动态调整触发时间间隔,提高了系统的控制性能。基于Lyapunov稳定性理论和线性矩阵不等式方法,得到多智能系统渐进趋于一致的充分条件。同时,得到一致性条件与触发参数和通信拓扑有关的结论,数值仿真结果进一步验证了理论分析的有效性。     

动态事件触发机制下二阶多智能体系统完全分布式控制

本文研究了无向通信拓扑下二阶多智能体系统的一致性问题, 分别针对有领导者和无领导者的情形, 设计了一类基于辅助动态变量的完全分布式事件触发控制策略, 该策略具有参数较少且易调等特点. 智能体自身的触发函数满足条件时才向邻居广播自身的状态信息, 有效避免了连续通信, 减少了系统能量耗散. 每个智能体的控制协议和触发函数都只用到自身的状态和邻居触发时刻的状态, 不涉及邻居的实时状态信息, 也不依赖通信拓扑网络的任何全局信息. 利用代数图论以及Lyapunov稳定性理论, 证明在所提出的控制策略下, 二阶多智能体系统能够实现渐近一致性, 且不存在Zeno行为. 仿真示例进一步验证了理论结果的有效性.     

切换拓扑下事件触发多智能体系统预定时间一致性

本文研究了具有非线性不确定性的多智能体系统在切换拓扑下的预定时间一致性问题,提出了基于事件触发的分布式预定时间一致性控制算法.该算法在节约资源的情况下,可使系统在预设时间内实现一致.通过代数图论和Lyapunov理论证明系统的预定时间稳定性,且不存在Zeno行为.仿真对比实验验证了所提算法的可行性和有效性.相较于有限时间控制算法,本算法的收敛时间界与初始状态无关,可通过选择单一时间参数设定系统收敛时间上界;相较于固定时间控制算法,本算法的预设收敛时间与控制算法参数无关,设定简单,且预估收敛时间具有更低的保守性.     

Asynchronous sampled-data consensus of singular multi-agent systems based on event-triggered strategy

This paper is concerned with sampled-data consensus for multi-agent systems with singular dynamics. It is assumed that the sampling period of each agent is independent of the other's. Based on event-triggered sampled-data transmission strategy, a distributed consensus protocol is presented. The consensus of singular multi-agent system is transformed into the stability of singular systems with multiple time-varying delays. By employing the Lyapunov-Krasovskii functional method, a sufficient condition on the consensus of multi-agent singular system is derived. Based on the obtained condition, an algorithm to design consensus controller gains is presented in terms of linear matrix inequalities. Two numerical examples are given to show the effectiveness of the proposed method.