CN107678280A - 一种基于事件触发机制的多智能体系统的预测控制方法 - Google Patents

一种基于事件触发机制的多智能体系统的预测控制方法 Download PDF

Info

Publication number
CN107678280A
CN107678280A CN201710942965.6A CN201710942965A CN107678280A CN 107678280 A CN107678280 A CN 107678280A CN 201710942965 A CN201710942965 A CN 201710942965A CN 107678280 A CN107678280 A CN 107678280A
Authority
CN
China
Prior art keywords
mrow
msub
agent
msubsup
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710942965.6A
Other languages
English (en)
Inventor
孙健
刘笑宇
窦丽华
陈杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201710942965.6A priority Critical patent/CN107678280A/zh
Publication of CN107678280A publication Critical patent/CN107678280A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供一种基于事件触发机制的多智能体系统的预测控制方法，过程为：为每一智能体系统设计状态差预测器、预测误差观测器及控制输入预测器；预测误差观测器，当自身的预测状态与实际状态的差值的范数超过规定的阈值时事件被触发；状态差预测器，根据邻居智能体传递过来的状态量，对自身与邻居智能体的状态量的差值进行预测，并传递至自身的控制输入预测器和邻居智能体的控制输入预测器；控制输入预测器，以接收的预测值为基础对自身和邻居智能体的控制输入进行预测并实时传递至一致性协议；一致性协议，根据控制输入的预测值进行控制，保证多智能体系统在不依赖连续通信的前提在最终达到状态一致。本发明能够快速使多智能体系统达到状态一致。

Description

一种基于事件触发机制的多智能体系统的预测控制方法
技术领域
本发明涉及一种基于事件触发机制的多智能体系统的预测控制方法，属于复杂系统网络化控制技术领域，特别适用于通信资源有限的多智能体系统，能够有效地避免连续通信导致的通信通道的阻塞和通信资源的浪费。
背景技术
在控制科学领域，多智能体系统的协同控制是利用通信网络进行信息交互而实现的。由于通信范围或其它客观因素的限制，单个智能体无法获得整个多智能体系统的全局信息，而只能获得一部分邻居智能体的信息数据。因此，多智能体系统的任务就是要在每个智能体都只能获得部分局部信息的前提下协作完成一个共同的预定目标，而预定目标是否能够顺利完成主要取决于多智能体系统一致性的优劣。因此，一致性问题是多智能体系统协同控制的基本问题和基础。而多智能体系统一致性问题的研究重点则是一致性协议的设计，因为一致性协议是多智能体系统中智能体之间信息交互的方式，直接决定了多智能体系统协同控制的效果。由此可见，对于多智能体系统的一致性问题，尤其是对于一致性协议的设计问题的研究具有重要的理论意义和应用价值。
在多智能体系统一致性问题的研究中，系统内的智能体之间依靠通信网络进行相互之间的信息交换。而在设计多智能体系统的一致性协议时，传统的控制方法都需要智能体连续使用自己以及其邻居智能体的相关信息，以更新自己的控制协议的状态。因此，传统的控制方法均依赖于智能体之间连续的通信方式。在多智能体系统的工程应用中，其通信网络大多采用无线传感器网络，而传感器的通信信道带宽与自身能量都是有限的，因此这种连续通信的方式虽然能够有效地保证一致性协议良好的控制效果，但也非常容易造成通信竞争和资源浪费，从而为整个多智能体系统的稳定性埋下隐患。而基于事件触发机制的多智能体系统的预测控制方法与传统的基于连续通信方式的控制方法相比，在节约通信资源的方面具有明显的优势。因此，基于事件触发机制的多智能体系统的预测控制的研究具有十分重要的实际意义，国内外的科研人员也取得了一系列较为显著的成果。Seyboth等人在文献(Event-based broadcasting for multi-agent average consensus[J].Automatica,2013,49(l):245-252)中针对具有一阶和二阶动力系统的多智能体系统设计了基于事件驱动的一致性协议，但是并没有考虑应用范围更为广泛的具有一般线性动力系统的多智能体系统。Zhang和Feng等人在文献(Observer-Based Output Feedback Event-Triggered Control for Consensus of Multi-Agent Systems[J].IEEE Transactionson Industrial Electronics,2014,61(9):4885-4894)中针对具有一般线性动力系统的多智能体系统设计了基于事件驱动的一致性协议，但是该一致性协议仅对于具有无向通信拓扑的多智能体系统有效。而对于具有一般线性动力系统和有向通信拓扑的连续多智能体系统，Zhu和Jiang等人在文献(Event-based consensus of multi-agent systems withgeneral linear models[J].Automatica,2014,50(2):552-558)中设计了基于事件驱动的一致性协议并分析了其稳定性，但是该一致性协议的缺陷在于最终仅能将智能体之间的状态差控制在零的邻近范围内，而不能使状态差真正趋近于零。以此为启发，Yang和Ren等人在文献[Decentralized event-triggered consensus for linear multi-agent systemsunder general directed graphs[J].Automatica,2016,69(C):242-249]中研究了具有一般线性动力系统和有向通信拓扑的连续多智能体系统的一致性问题，设计了基于事件驱动的一致性协议并提出了能够保证智能体之间的状态差最终趋近于零的充分必要条件，但是在该一致性协议的设计过程中，并没有将智能体的控制输入的预测问题考虑在内，从而导致智能体状态的估计误差较大，事件触发的次数较多，造成了通信资源的不必要的浪费。
发明内容
本发明提供了一种基于事件触发机制的多智能体系统的预测控制方法，将事件触发原理和预测控制方法应用于多智能体系统的一致性控制，能够快速使多智能体系统达到状态一致。
一种基于事件触发机制的多智能体系统的预测控制方法，具体过程为：
为每一智能体系统设计状态差预测器、预测误差观测器及控制输入预测器；
预测误差观测器，对自身的预测状态与实际状态的差值进行时刻观测，当两个状态向量的差值的范数超过规定的阈值时，事件被触发；
状态差预测器，根据邻居智能体在其事件被触发时刻传递过来的状态量，对其自身与邻居智能体的状态量的差值进行预测，并在自身的事件被触发时将状态差的预测值传递至自身的控制输入预测器和邻居智能体的控制输入预测器；
控制输入预测器，在事件被触发时接收来自自身和邻居智能体的状态差预测器传递过来的状态差的预测值，并以该预测值为基础对自身和邻居智能体的控制输入进行预测，将控制输入的预测值实时传递至一致性协议；
一致性协议，根据控制输入的预测值对智能体系统的动力系统进行控制，保证多智能体系统在不依赖连续通信的前提在最终达到状态一致。
进一步地，本发明所述预测误差观测器为：
其中，表示智能体i上一次的触发时刻，xi表示智能体i系统状态，ui表示智能体i的控制输入，A、B为适维的系统矩阵。
进一步地，本发明所述状态差预测器为：
其中，表示θi(t)的估计值，θi(t)表示智能体i与其邻居智能体之间的状态差，是智能体j的上一次触发时刻，智能体j是智能体i的输入邻居智能体，K表示反馈增益，符号表示Kronecker积，aij表示智能体i接收来自智能体j的信息。
进一步地，本发明所述控制输入预测器为：
其中，K表示反馈增益，In表示维数为n的单位矩阵。
进一步地，本发明将将事件被触发的智能体定义为智能体j，将智能体j的邻居节点定义为智能体i；
智能体j将相关信息进行如下传递：①将当前时刻的状态值传递至自身的一致性协议uj(t)，用以更新该一致性协议uj(t)；②将当前时刻的状态值传递至智能体i的状态差预测器用以智能体i更新状态差预测器中智能体i与智能体j之间的状态差；③智能体j的状态差预测器将预测的状态差传递至自身的控制输入预测器用以更新自身的控制输入的预测值；④智能体j的状态差预测器将预测的状态差传递至智能体i的控制输入预测器用以更新智能体i的控制输入的预测值。
有益效果
本发明将智能体利用事件被触发时的自身的相关信息对触发时刻之后的状态进行预测，并将预测状态与自身的实际状态的差值作为事件触发的条件，只有当该两个状态向量的差值的范数超过规定的阈值时，事件才被触发，智能体才会将自身的信息传输至其邻居智能体，否则就认为预测较为准确，智能体之间暂时不需要信息传输，从而减少了传统的连续通信方式造成的通信信道阻塞和通信资源浪费。在现有的基于事件触发机制的多智能体系统的预测控制方法中，均没有对智能体的控制输入进行预测，因此预测误差较大，从而导致触发次数过多，使得通信资源仍有较大的浪费。本发明首次将智能体控制输入的预测问题转化为对智能体与其邻居智能体状态差的预测问题，并为每个智能体设计了基于事件触发机制的状态差预测器，从而解决了对于智能体控制输入的预测问题，提升了对智能体状态预测的准确性，有效地减少了触发次数。
附图说明
图1是本发明的基于事件触发机制的多智能体系统的预测控制流程图；
图2是仿真实例的通信拓扑图；
图3是仿真实例的多智能体系统的运动轨迹图；
图4是仿真实例的预测误差和误差阈值示意图；
图5是仿真实例的触发时刻示意图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
基于事件触发机制的多智能体预测控制系统的结构包括：动力系统，预测误差观测器，状态差预测器，控制输入预测器，一致性协议等，如图1所示。
(1)动力系统
一般的连续线性多智能体系统，假设其包含N个智能体。
其中，xi(t)表示系统状态，ui(t)表示多智能体的控制输入，A、B为适维的系统矩阵；系统的拓扑结构为有向图且包含有向生成树，其邻接矩阵可表示为其中aij表示智能体i接收来自智能体j的信息。
(2)预测误差观测器
每个智能体都包含一个预测误差观测器，对自身的预测状态与实际状态的差值进行时刻观测，从而决定自身的事件是否触发。
表示智能体i上一次的触发时刻，本实施例设置的预测误差观测器与现有技术中的误差预测器相比，其增加了一项因此可提高预测的精度，减少系统的触发次数。
(3)状态差预测器
状态差预测器是智能体根据邻居智能体在其事件触发时刻传递过来的相关数据，对其自身与邻居智能体的状态量的差值进行预测，并在自身的事件被触发时将状态差的预测值传递至自身的控制输入预测器和邻居智能体的控制输入预测器。定义智能体i与其邻居智能体p之间的状态差为θip(t)＝xi(t)-xp(t)，则在传统的一致性协议下可得
其中，di＝diag(l11,l22,…,l(i-1)(i-1),l(i+1)(i+1),…,lNN)，
由矩阵di和可以看出这需要已知多智能体系统的全部通信拓扑，这在实际的工程应用中是难以实现的。为此采取如下的状态差预测器
其中，表示θi(t)的估计值，是智能体j的上一次触发时刻，智能体j是智能体i的输入邻居智能体。可见，Ωi只用到了智能体的二跳信息，并没有用到全局拓扑信息。
(4)控制输入预测器
控制输入预测器在事件被触发时接收来自自身和邻居智能体的状态差预测器传递过来的状态差的预测值，并以该预测值为基础对自身和邻居智能体的控制输入进行预测，将控制输入的预测值实时传递至一致性协议。
(5)一致性协议
一致性协议是多智能体系统一致性控制的关键，其值作为控制输入量对多智能体系统的动力系统进行控制，从而保证多智能体系统能够在不依赖连续通信的前提下最终达到状态一致。
基于事件触发机制的多智能体系统的预测控制方法，具体过程为：
如图1所示，智能体i能够在智能体j的事件被触发时接收来自于智能体j的相关信息。图中实线表示连续通信，虚线表示只有在事件被触发时才发生通信。由此可以看出，当智能体j的事件被触发时，智能体j会将相关信息进行如下传递：①将当前时刻的状态值传递至自身的一致性协议uj(t)，用以更新该一致性协议uj(t)；②将当前时刻的状态值传递至智能体i的状态差预测器用以更新状态差预测器中智能体i与智能体j之间的状态差；③智能体j的状态差预测器将预测的状态差传递至自身的控制输入预测器用以更新自身的控制输入的预测值；④智能体j的状态差预测器将预测的状态差传递至智能体i的控制输入预测器用以更新智能体i的控制输入的预测值。同理，系统中的各智能体均依据该传递方式进行信息传输，由于有事件触发机制的应用，因此能够有效地减少多智能体系统在控制过程中通信资源的损耗。另外需要注意的是，多智能体系统在初始时刻需要进行一次全面的信息传输，以保证系统开始工作。
稳定条件
对于上述的基于事件触发机制的多智能体系统的预测控制方法，通过理论分析可以得出多智能体系统针对任意初始位置最终能够达到状态一致的充要条件，并给出了反馈增益K的设计方法为K＝-cBTP，其中P为下述Riccati方程的唯一非负定解ATP+PA-PBBTP+In＝0。
仿真实例
考虑由6个智能体组成的连续线性多智能体系统，其动力系统中的参数矩阵分别为A＝[0,1；-1,0]，B＝[1,1]T。其通信拓扑结构由图2所示，且其拉普拉斯矩阵为L＝[3,0,0,-1,-1,-1；-1,1,0,0,0,0；-1,-1,2,0,0,0；-1,0,0,1,0,0；0,0,0,-1,1,0；0,0,0,0,-1,1]。各个智能体的初始位置信息分别为x1(0)＝[0.4,0.3]T，x2(0)＝[0.5,0.2]T，x3(0)＝[0.6,0.1]T，x4(0)＝[0.7,0]T，x5(0)＝[0.8,-0.1]T，x6(0)＝[0.4,-0.2]T。其反馈增益K选择为[-2.2,-1.1]，其余参数分别选择为c1＝0.6，α＝0.4。如图3所示仿真实例的多智能体系统的运动轨迹图；如图4所示仿真实例的预测误差和误差阈值示意图；如图5所示仿真实例的触发时刻示意图。
表1是本方法与其它基于事件触发的控制方法的触发次数的对比
论文[1]Zhu,W.,Jiang,Z.P.,Feng,G.(2014).Event-based consensus ofmulti-agent systems with general linear models.Automatica,50(2),552-558.
论文[2]Yang,D.P.,Ren,W.,Liu,X.D.,Chen,W.S.(2016).Decentralized event-triggered consensus for linear multi-agent systems under general directedgraphs.Automatica,69,242-249.
以上所述的仅为本发明的较佳实施例而已，本发明不仅仅局限于上述实施例，凡在本发明的精神和原则之内所做的局部改动、等同替换、改进等均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于事件触发机制的多智能体系统的预测控制方法，其特征在于，具体过程为：
为每一智能体系统设计状态差预测器、预测误差观测器及控制输入预测器；
预测误差观测器，对自身的预测状态与实际状态的差值进行时刻观测，当两个状态向量的差值的范数超过规定的阈值时，事件被触发；
状态差预测器，根据邻居智能体在其事件被触发时刻传递过来的状态量，对其自身与邻居智能体的状态量的差值进行预测，并在自身的事件被触发时将状态差的预测值传递至自身的控制输入预测器和邻居智能体的控制输入预测器；
控制输入预测器，在事件被触发时接收来自自身和邻居智能体的状态差预测器传递过来的状态差的预测值，并以该预测值为基础对自身和邻居智能体的控制输入进行预测，将控制输入的预测值实时传递至一致性协议；
一致性协议，根据控制输入的预测值对智能体系统的动力系统进行控制，保证多智能体系统在不依赖连续通信的前提在最终达到状态一致。
2.根据权利要求1所述基于事件触发机制的多智能体系统的预测控制方法，其特征在于，所述预测误差观测器为：
<mrow> <msub> <mi>e</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <mrow> <mi>A</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>i</mi> </msub> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </msup> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>i</mi> </msub> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msubsup> <mo>&amp;Integral;</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>i</mi> </msub> <mi>i</mi> </msubsup> <mi>t</mi> </msubsup> <msup> <mi>e</mi> <mrow> <mi>A</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <mi>s</mi> <mo>)</mo> </mrow> </mrow> </msup> <mi>B</mi> <msub> <mover> <mi>u</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mi>d</mi> <mi>s</mi> <mo>-</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，表示智能体i上一次的触发时刻，xi表示智能体i系统状态，ui表示智能体i的控制输入，A、B为适维的系统矩阵。
3.根据权利要求2所述基于事件触发机制的多智能体系统的预测控制方法，其特征在于，所述状态差预测器为：
<mrow> <msub> <mover> <mi>&amp;theta;</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>e</mi> <mrow> <msub> <mi>&amp;Omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>j</mi> </msub> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </msup> <msub> <mover> <mi>&amp;theta;</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>j</mi> </msub> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>t</mi> <mo>&amp;GreaterEqual;</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>j</mi> </msub> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
其中，表示θi(t)的估计值，θi(t)表示智能体i与其邻居智能体之间的状态差，是智能体j的上一次触发时刻，智能体j是智能体i的输入邻居智能体，K表示反馈增益，符号表示Kronecker积，aij表示智能体i接收来自智能体j的信息。
4.根据权利要求3所述基于事件触发机制的多智能体系统的预测控制方法，其特征在于，所述控制输入预测器为：
<mrow> <msub> <mover> <mi>u</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>K</mi> <mrow> <mo>(</mo> <msup> <msub> <mi>a</mi> <mi>i</mi> </msub> <mo>*</mo> </msup> <mo>&amp;CircleTimes;</mo> <msub> <mi>I</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <msub> <mi>&amp;Omega;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>i</mi> </msub> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </msup> <msub> <mover> <mi>&amp;theta;</mi> <mo>^</mo> </mover> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>i</mi> </msub> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>t</mi> <mo>&amp;GreaterEqual;</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>i</mi> </msub> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mover> <mi>u</mi> <mo>^</mo> </mover> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>K</mi> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>j</mi> <mo>*</mo> </msubsup> <mo>&amp;CircleTimes;</mo> <msub> <mi>I</mi> <mi>n</mi> </msub> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <msub> <mi>&amp;Omega;</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>-</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>j</mi> </msub> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </msup> <msub> <mover> <mi>&amp;theta;</mi> <mo>^</mo> </mover> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>j</mi> </msub> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>t</mi> <mo>&amp;GreaterEqual;</mo> <msubsup> <mi>t</mi> <msub> <mi>k</mi> <mi>j</mi> </msub> <mi>j</mi> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中，K表示反馈增益，In表示维数为n的单位矩阵。
5.根据权利要求1所述基于事件触发机制的多智能体系统的预测控制方法，其特征在于，将将事件被触发的智能体定义为智能体j，将智能体j的邻居节点定义为智能体i；
智能体j将相关信息进行如下传递：①将当前时刻的状态值传递至自身的一致性协议uj(t)，用以更新该一致性协议uj(t)；②将当前时刻的状态值传递至智能体i的状态差预测器用以智能体i更新状态差预测器中智能体i与智能体j之间的状态差；③智能体j的状态差预测器将预测的状态差传递至自身的控制输入预测器用以更新自身的控制输入的预测值；④智能体j的状态差预测器将预测的状态差传递至智能体i的控制输入预测器用以更新智能体i的控制输入的预测值。
CN201710942965.6A 2017-10-11 2017-10-11 一种基于事件触发机制的多智能体系统的预测控制方法 Pending CN107678280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710942965.6A CN107678280A (zh) 2017-10-11 2017-10-11 一种基于事件触发机制的多智能体系统的预测控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710942965.6A CN107678280A (zh) 2017-10-11 2017-10-11 一种基于事件触发机制的多智能体系统的预测控制方法

Publications (1)

Publication Number Publication Date
CN107678280A true CN107678280A (zh) 2018-02-09

Family

ID=61139921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710942965.6A Pending CN107678280A (zh) 2017-10-11 2017-10-11 一种基于事件触发机制的多智能体系统的预测控制方法

Country Status (1)

Country Link
CN (1) CN107678280A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108449212A (zh) * 2018-03-23 2018-08-24 大连大学 基于事件关联的mas消息传递方法
CN109254532A (zh) * 2018-04-19 2019-01-22 北京理工大学 一种面向通信时滞的多智能体分布式合作故障检测方法
CN109541944A (zh) * 2018-12-20 2019-03-29 哈尔滨理工大学 含通信时滞的离散网络化多智能体系统有限时间控制方法
CN110308659A (zh) * 2019-08-05 2019-10-08 沈阳航空航天大学 具有时延和切换拓扑的不确定多智能体系统混合触发一致的控制方法
CN111522361A (zh) * 2020-05-27 2020-08-11 北京理工大学 主-从模式的多无人机编队一致性控制方法
CN111708277A (zh) * 2020-05-29 2020-09-25 中国科学技术大学 一种自适应时域的事件触发模型预测控制方法
CN113311811A (zh) * 2021-07-14 2021-08-27 江苏东源电器集团股份有限公司 一种事件触发多智能体系统及其分布式协同故障检测方法
CN113534664A (zh) * 2021-07-20 2021-10-22 北京理工大学 一种基于闭环状态估计的多智能体系统事件触发控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105763396A (zh) * 2016-04-12 2016-07-13 北京理工大学 基于邻居相关状态的分布式多智能体实时故障检测方法
CN105847438A (zh) * 2016-05-26 2016-08-10 重庆大学 基于事件触发的多智能体一致性控制方法
CN106557088A (zh) * 2017-02-15 2017-04-05 大连海事大学 一种基于事件触发机制的船舶航向控制器及其控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105763396A (zh) * 2016-04-12 2016-07-13 北京理工大学 基于邻居相关状态的分布式多智能体实时故障检测方法
CN105847438A (zh) * 2016-05-26 2016-08-10 重庆大学 基于事件触发的多智能体一致性控制方法
CN106557088A (zh) * 2017-02-15 2017-04-05 大连海事大学 一种基于事件触发机制的船舶航向控制器及其控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIAOYU LIU等: "Consensus for networked multi-agent systems with unknown communication delays", 《JOURNAL OF THE FRANKLIN INSTITUTE》 *
XIAOYU LIU等: "Event-Triggered Consensus for Continuous-time Multi-agent Systems with Parameter Uncertainties", 《IEEE》 *
杨若涵等: "基于事件触发的拓扑切换异构多智能体协同输出调节", 《自动化学报》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108449212B (zh) * 2018-03-23 2021-01-12 大连大学 基于事件关联的mas消息传递方法
CN108449212A (zh) * 2018-03-23 2018-08-24 大连大学 基于事件关联的mas消息传递方法
CN109254532A (zh) * 2018-04-19 2019-01-22 北京理工大学 一种面向通信时滞的多智能体分布式合作故障检测方法
CN109541944A (zh) * 2018-12-20 2019-03-29 哈尔滨理工大学 含通信时滞的离散网络化多智能体系统有限时间控制方法
CN110308659A (zh) * 2019-08-05 2019-10-08 沈阳航空航天大学 具有时延和切换拓扑的不确定多智能体系统混合触发一致的控制方法
CN110308659B (zh) * 2019-08-05 2023-06-02 沈阳航空航天大学 具有时延和切换拓扑的不确定多智能体系统混合触发一致的控制方法
CN111522361A (zh) * 2020-05-27 2020-08-11 北京理工大学 主-从模式的多无人机编队一致性控制方法
CN111522361B (zh) * 2020-05-27 2021-07-27 北京理工大学 主-从模式的多无人机编队一致性控制方法
CN111708277A (zh) * 2020-05-29 2020-09-25 中国科学技术大学 一种自适应时域的事件触发模型预测控制方法
CN113311811A (zh) * 2021-07-14 2021-08-27 江苏东源电器集团股份有限公司 一种事件触发多智能体系统及其分布式协同故障检测方法
CN113311811B (zh) * 2021-07-14 2021-12-24 江苏东源电器集团股份有限公司 一种事件触发多智能体系统及其分布式协同故障检测方法
CN113534664A (zh) * 2021-07-20 2021-10-22 北京理工大学 一种基于闭环状态估计的多智能体系统事件触发控制方法
CN113534664B (zh) * 2021-07-20 2024-04-16 北京理工大学 一种基于闭环状态估计的多智能体系统事件触发控制方法

Similar Documents

Publication Publication Date Title
CN107678280A (zh) 一种基于事件触发机制的多智能体系统的预测控制方法
CN112180734B (zh) 一种基于分布式自适应事件触发的多智能体一致性方法
CN102749845B (zh) 基于事件触发机制的电力系统状态反馈控制器构建方法
Hu et al. T–S fuzzy-model-based robust stabilization for a class of nonlinear discrete-time networked control systems
Tan et al. Data-driven distributed coordinated control for cloud-based model-free multiagent systems with communication constraints
CN114282779B (zh) 基于经济调度目标和电力参数的智能电网调度方法
Zhang et al. Distributed self-triggered control for consensus of multi-agent systems
Ebegbulem et al. Distributed control of multi-agent systems over unknown communication networks using extremum seeking
Li et al. Distributed model predictive consensus of constrained heterogeneous multiagent systems
Sui et al. Observer-based event-triggered bipartite consensus for nonlinear multi-agent systems: Asymmetric full-state constraints
Rashedi et al. Triggered communication in distributed adaptive high-gain EKF
Li et al. Event-triggered optimal Kalman consensus filter with upper bound of error covariance
Zhang et al. Adaptive tracking games for coupled stochastic linear multi-agent systems: stability, optimality and robustness
Zhu et al. Adaptive event-driven robust set-membership estimation for received-signal-strength-based moving targets localization
Vlachos et al. ADMM-based Cooperative Control for Platooning of Connected and Autonomous Vehicles
CN115562009B (zh) 基于事件触发的连续搅拌釜反应器一致性控制方法及系统
Caiazzo et al. On the exponential leader-tracking control for high-order multi-agent systems via distributed PI strategy in the presence of heterogeneous time-varying delays
Wan et al. Distributed filtering over networks using greedy gossip
Li et al. Distributed extremum seeking with stochastic perturbations
Liu et al. Distributed control of nonlinear uncertain systems: A cyclic-small-gain approach
CN109379058A (zh) 基于平方根容积信息一致的分布式非线性状态估计方法
CN109362049A (zh) 基于混合信息加权一致的平方根容积滤波方法
Xu et al. Controller synthesis for multi-agent systems with intermittent communication and metric temporal logic specifications
Ma et al. Distributed formation containment control for multi-agent systems via dynamic event-triggering communication mechanism
Wang et al. Distributed q-learning with state tracking for multi-agent networked control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180209

WD01 Invention patent application deemed withdrawn after publication