CN108762091A - 一种基于未知控制方向的自适应编队控制算法 - Google Patents

一种基于未知控制方向的自适应编队控制算法 Download PDF

Info

Publication number
CN108762091A
CN108762091A CN201810660472.8A CN201810660472A CN108762091A CN 108762091 A CN108762091 A CN 108762091A CN 201810660472 A CN201810660472 A CN 201810660472A CN 108762091 A CN108762091 A CN 108762091A
Authority
CN
China
Prior art keywords
control
unknown
agent system
parameter setting
formation
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.)
Granted
Application number
CN201810660472.8A
Other languages
English (en)
Other versions
CN108762091B (zh
Inventor
王庆领
郑亚君
孙长银
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201810660472.8A priority Critical patent/CN108762091B/zh
Publication of CN108762091A publication Critical patent/CN108762091A/zh
Application granted granted Critical
Publication of CN108762091B publication Critical patent/CN108762091B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Computer And Data Communications (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于未知控制方向的自适应编队控制算法。本发明包括如下步骤：步骤S1：一个多智能体系统包含N个智能体，对每个智能体进行参数设定及校验；步骤S2：对多智能体系统进行编队参数设定及校验；步骤S3：控制参数设定，并设定算法终止时间为t0，再进行控制算法可行性判断；步骤S4：按顺序求解控制参数；步骤S5：判断是否到达终止时间；步骤S6：多智能体系统的一致性判断。本发明解决了多智能体系统编队时在未知控制方向的情况下的控制问题，提高了多智能体系统的编队性能。

Description

一种基于未知控制方向的自适应编队控制算法
技术领域：
本发明涉及一种基于未知控制方向的自适应编队控制算法，属于控制技术领域。
背景技术：
近十年来，多智能体系统的协同控制已经受到了越来越多的关注，它有着广泛的应用领域，例如，无人机的编队控制，卫星群，通讯网络的拥塞控制等。对于多智能体协同控制,已经有了大量的控制算法，包括一致性算法。多智能体一致性表示网络中的智能体通过与邻居智能体相互交换信息，最终达到同一状态。
现有的关于多智能体系统编队控制算法方面的研究，大多直接默认控制输入的方向为正，控制输入的增益为1。而实际系统中，如船舶的航向保持未标定视觉伺服器等，存在控制方向未知的情况,即控制输入电压正负未知等，而目前为止针对此种情况的算法研究还较为少有。
发明内容
本发明的目的是提供一种基于未知控制方向的自适应编队控制算法，解决了多智能体系统编队时在未知控制方向的情况下的控制问题，提高了多智能体系统的编队性能。
上述的目的通过以下技术方案实现：
一种基于未知控制方向的自适应编队控制算法，该方法包括如下步骤：
步骤S1：一个多智能体系统包含N个智能体，对每个单个智能体进行参数设定及校验；
步骤S2：对多智能体系统进行编队参数设定及校验；
步骤S3：控制参数设定，并设定算法终止时间为t0，再进行控制算法可行性判断；
步骤S4：按顺序求解控制参数；
步骤S5：判断是否到达终止时间；
步骤S6：多智能体系统的一致性判断。
所述的基于未知控制方向的自适应编队控制算法，步骤S1中所述的参数设定及校验，具体方法是：
步骤S11：参数设定按照如下模型设定：
t表示系统时间，其中xi(t)、ui(t)和bi分别为第i个智能体的状态量、控制输入和未知控制系数，ρi和分别表示未知向量和已知连续函数，N表示多智能体系统中智能体的个数；
步骤S12：判断第i个智能体的未知控制系数是否符合参数设定条件bi≠0，如果符合，进入步骤S2，不符合，返回步骤S11，重新设定.
所述的基于未知控制方向的自适应编队控制算法，步骤S2中所述的编队参数设定及校验，具体方法是：
该多智能体系统最差拓扑结构图为强连接有向图；判断是否符合编队参数设定条件，条件最差为强连接有向图，如果符合，进入步骤S3，不符合，返回步骤S2，重新设定；
所述的基于未知控制方向的自适应编队控制算法，步骤S3中所述的控制参数设定及控制算法可行性判断，具体方法是：
控制参数按照控制协议(2)设定：
控制协议(2)中，t表示系统时间，其中xi(t)、ui(t)和bi分别为第i个智能体的状态量、控制输入和未知控制系数，ρi和分别表示未知向量和已知连续函数，N表示多智能体系统中智能体的个数；tanh(*)为双曲线正切函数，为实数，表示ρ的估计值，
N0为一类Nussbaum-type函数，只需满足如下条件即可：
sup(*),inf(*)分别表示上限和下限；
控制算法可行性判断：判断控制协议是否符合条件：
其中为实数，表示ρ的估计值，若控制协议符合条件，继续步骤S4，如果不存在，返回步骤S3，重新进行控制参数的设定。
所述的基于未知控制方向的自适应编队控制算法，步骤S4中所述的按顺序求解控制参数，包括：
步骤S41：求及对其求积分，
步骤S42：求对采样时间内求积分，
步骤S43:求pi(t)，对其导数求积分，
步骤S44：求ui(t)，
步骤S45：求xi(t)，对其导数求积分，
所述的基于未知控制方向的自适应编队控制算法，步骤S5中所述的判断是否到达终止时间，具体是判断终止时间t≥t0，若到达，则结束程序，若还未到达，返回步骤S4。
所述的基于未知控制方向的自适应编队控制算法，步骤S6中所述的多智能体系统的一致性判断，具体是：观察多智能体系统是否到达一致性，即xi,i∈N是否为同一值，若达到则算法成功。
有益效果：
本发明的创新性在于解决了多智能体系统编队时在未知控制方向的情况下的一致性问题，提高了多智能体系统的一致性编队性能，发明的一般性在于多智能体的网络拓扑最差为强联通图，即只要网络拓扑中任意两点可互达，算法就可以实现。设计的多智能体系统编队控制算法，有良好的经济效益和社会效益，适合推广使用。
附图说明
图1为算法流程图。
图2为多智能体系统拓扑切换示意图，三幅图皆为有向图强连接拓扑图。
具体实施方式
下面结合具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
实施例1：
对于切换拓扑结构的多智能体系统编队，如图2，切换模式为Γ1→Γ2→Γ3→Γ1→…，算法步骤实施如下：
步骤A：每个智能体系统参数设定。对于实施例1来说，多智能体系统包含4个智能体，每个考虑未知控制方向及不确定性的智能体动力学模型描述如下
我们分别设定四个智能体的初始值xi(0),i＝1,2,3,4以及参数bi,ρi,i＝1,2,3,4。
步骤B：是否符合参数设定条件bi≠0，如果符合，进入步骤C，不符合，返回步骤A，重新设定。
步骤C：多智能体编队参数设定。切换时拓扑结构皆为强连接有向图
步骤D:是否符合编队参数设定条件，条件最差为强连接有向图，如果符合，进入步骤D，不符合，返回步骤C，重新设定。
步骤E：控制参数设定。并设定算法终止时间为t0。其中控制协议描述如下：
δi(t)＝tanh(xi)+ei(t)
其中，tanh(*)为双曲线正切函数，为实数，表示ρ的估计值。
N0为一类Nussbaum-type函数，只需满足如下条件即可
sup(*),inf(*)分别表示上限和下限。
这里我们选取N0(p)＝p2sin(p)，然后设置所有初始值为0，再分别设置λj,j＝1,2,3
步骤F：控制算法可行性判断，判断控制协议是否符合条件
若控制协议符合条件，继续步骤G,如果不存在，返回步骤E,重新进行控制参数的设定。
步骤G:求及对其求积分，
步骤H：求对采样时间内求积分，
步骤I:求pi(t),对其导数求积分，
步骤J：求ui(t)，
步骤K:求xi(t)，对其导数求积分，
步骤L:判断是否到达终止时间，若到达，则结束程序，若还未到达，返回步骤G。
步骤M:观察多智能体系统是否到达一致性，即xi,i∈N是否为同一值，若达到则算法成功。
对于本领域技术人员而言，本发明不限于上述示范性实施例细节，而且在不背离本发明的精神或基本特征情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同条件的含义和范围内所有变化囊括在本发明内。不应将权利要求中的任何标记视为限制所涉及的权利要求。

Claims (7)

1.一种基于未知控制方向的自适应编队控制算法，其特征在于，该方法包括如下步骤：
步骤S1：一个多智能体系统包含N个智能体，对每个智能体进行参数设定及校验；
步骤S2：对多智能体系统进行编队参数设定及校验；
步骤S3：控制参数设定，并设定算法终止时间为t0，再进行控制算法可行性判断；
步骤S4：按顺序求解控制参数；
步骤S5：判断是否到达终止时间；
步骤S6：多智能体系统的一致性判断。
2.根据权利要求1所述的基于未知控制方向的自适应编队控制算法，其特征在于，步骤S1中所述的参数设定及校验，具体方法是：
步骤S11：参数设定按照如下模型设定：
t表示系统时间，其中xi(t)、ui(t)和bi分别为第i个智能体的状态量、控制输入和未知控制系数，ρi和分别表示未知向量和已知连续函数，N表示多智能体系统中智能体的个数。
步骤S12：判断第i个智能体的未知控制系数是否符合参数设定条件bi≠0，如果符合，进入步骤S2，不符合，返回步骤S11，重新设定。
3.根据权利要求1所述的基于未知控制方向的自适应编队控制算法，其特征在于，步骤S2中所述的编队参数设定及校验，具体方法是：
该多智能体系统最差拓扑结构图为强连接有向图；判断是否符合编队参数设定条件，条件最差为强连接有向图，如果符合，进入步骤S3，不符合，返回步骤S2，重新设定。
4.根据权利要求1所述的基于未知控制方向的自适应编队控制算法，其特征在于，步骤S3中所述的控制参数设定及控制算法可行性判断，具体方法是：
控制参数按照控制协议(2)设定：
控制协议(2)中，t表示系统时间，其中xi(t)、ui(t)和bi分别为第i个智能体的状态量、控制输入和未知控制系数，ρi和分别表示未知向量和已知连续函数，N表示多智能体系统中智能体的个数；tanh(*)为双曲线正切函数，为实数，表示ρ的估计值，
N0为一类Nussbaum-type函数，只需满足如下条件即可：
sup(*),inf(*)分别表示上限和下限；
控制算法可行性判断：判断控制协议是否符合条件：
其中 为实数，表示ρ的估计值，若控制协议符合条件，继续步骤S4，如果不存在，返回步骤S3，重新进行控制参数的设定。
5.根据权利要求1所述的基于未知控制方向的自适应编队控制算法，其特征在于，步骤S4中所述的按顺序求解控制参数，包括：
步骤S41:求及对其求积分，
步骤S42：求对采样时间内求积分，
步骤S43:求pi(t)，对其导数求积分，
步骤S44：求ui(t)，
步骤S45：求xi(t)，对其导数求积分，
6.根据权利要求1所述的基于未知控制方向的自适应编队控制算法，其特征在于，步骤S5中所述的判断是否到达终止时间，具体是判断终止时间t≥t0，若到达，则结束程序，若还未到达，返回步骤S4。
7.根据权利要求1所述的基于未知控制方向的自适应编队控制算法，其特征在于，步骤S6中所述的多智能体系统的一致性判断，具体是：观察多智能体系统是否到达一致性，即xi,i∈N是否为同一值，若达到则算法成功。
CN201810660472.8A 2018-06-25 2018-06-25 一种基于未知控制方向的自适应编队控制算法 Active CN108762091B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810660472.8A CN108762091B (zh) 2018-06-25 2018-06-25 一种基于未知控制方向的自适应编队控制算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810660472.8A CN108762091B (zh) 2018-06-25 2018-06-25 一种基于未知控制方向的自适应编队控制算法

Publications (2)

Publication Number Publication Date
CN108762091A true CN108762091A (zh) 2018-11-06
CN108762091B CN108762091B (zh) 2021-06-22

Family

ID=63977267

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810660472.8A Active CN108762091B (zh) 2018-06-25 2018-06-25 一种基于未知控制方向的自适应编队控制算法

Country Status (1)

Country Link
CN (1) CN108762091B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058519A (zh) * 2019-04-02 2019-07-26 南京航空航天大学 一种基于快速自适应技术的主动编队容错控制方法
CN110609467A (zh) * 2019-06-30 2019-12-24 南京理工大学 基于pid的时滞多智能体系统的一致性控制方法
CN112965525A (zh) * 2021-02-10 2021-06-15 成都两江前沿科技有限公司 约束条件下的大规模固定翼无人机集群编队方法
CN113110511A (zh) * 2021-05-19 2021-07-13 大连海事大学 一种基于广义模糊双曲模型的智能船舶航向控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279031A (zh) * 2013-05-03 2013-09-04 北京航空航天大学 一种不确定多智能体系统的鲁棒趋同控制方法
CN104865829A (zh) * 2015-03-26 2015-08-26 哈尔滨工业大学 多机器人系统分布式自适应神经网络连续跟踪控制方法
KR101706367B1 (ko) * 2015-11-27 2017-02-14 공주대학교 산학협력단 과소작동기를 갖는 자율무인 이동체의 신경회로망 기반 결함포용 컨트롤 방법
CN107168069A (zh) * 2017-07-07 2017-09-15 重庆大学 一种受扰动和未知方向非线性系统的零误差跟踪控制方法
CN107797454A (zh) * 2017-11-03 2018-03-13 南京航空航天大学 基于有限时间控制的多智能体系统协同容错控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279031A (zh) * 2013-05-03 2013-09-04 北京航空航天大学 一种不确定多智能体系统的鲁棒趋同控制方法
CN104865829A (zh) * 2015-03-26 2015-08-26 哈尔滨工业大学 多机器人系统分布式自适应神经网络连续跟踪控制方法
KR101706367B1 (ko) * 2015-11-27 2017-02-14 공주대학교 산학협력단 과소작동기를 갖는 자율무인 이동체의 신경회로망 기반 결함포용 컨트롤 방법
CN107168069A (zh) * 2017-07-07 2017-09-15 重庆大学 一种受扰动和未知方向非线性系统的零误差跟踪控制方法
CN107797454A (zh) * 2017-11-03 2018-03-13 南京航空航天大学 基于有限时间控制的多智能体系统协同容错控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CI CHEN等: "Adaptive Consensus of Nonlinear Multi-Agent Systems With Non-Identical Partially Unknown Control Directions and Bounded Modelling Errors", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 *
WEI WANG等: "Prescribed Performance Consensus of Uncertain Nonlinear Strict-Feedback Systems With Unknown Control Directions", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》 *
WEISHENG CHEN等: "Adaptive Consensus of Multi-Agent Systems With Unknown Identical Control Directions Based on A Novel Nussbaum-Type Function", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 *
ZHENG YAJUN等: "Adaptive Consensus Tracking of First-Order Multi-agent Systems with Unknown Control Directions", 《LECTURE NOTES IN COMPUTER SCIENCE》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110058519A (zh) * 2019-04-02 2019-07-26 南京航空航天大学 一种基于快速自适应技术的主动编队容错控制方法
CN110609467A (zh) * 2019-06-30 2019-12-24 南京理工大学 基于pid的时滞多智能体系统的一致性控制方法
CN110609467B (zh) * 2019-06-30 2022-06-21 南京理工大学 基于pid的时滞多智能体系统的一致性控制方法
CN112965525A (zh) * 2021-02-10 2021-06-15 成都两江前沿科技有限公司 约束条件下的大规模固定翼无人机集群编队方法
CN113110511A (zh) * 2021-05-19 2021-07-13 大连海事大学 一种基于广义模糊双曲模型的智能船舶航向控制方法
CN113110511B (zh) * 2021-05-19 2024-04-05 大连海事大学 一种基于广义模糊双曲模型的智能船舶航向控制方法

Also Published As

Publication number Publication date
CN108762091B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN108762091A (zh) 一种基于未知控制方向的自适应编队控制算法
CN106992249B (zh) 一种具有量子电导效应的离子型忆阻器
CN104158855B (zh) 基于遗传算法的移动服务组合计算卸载方法
CN108803349A (zh) 非线性多智能体系统的最优一致性控制方法及系统
CN110308659A (zh) 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
CN110162065A (zh) 一种基于有向跟随的自适应多智能体编队控制方法
CN115409431B (zh) 一种基于神经网络的分布式电力资源调度方法
CN111860255A (zh) 驾驶检测模型的训练、使用方法、装置、设备及介质
CN111610788A (zh) 一种分级模糊-人工势场路径规划的方法
CN111552184A (zh) 一种全天候条件下的无人机-小车编队控制方法
CN113296963A (zh) 一种考虑用户移动性的无人机辅助的边缘计算方法
CN109685286A (zh) 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法
CN112462602B (zh) 一种在DoS攻击下保持移动舞台车队安全间距的分布式控制方法
CN114489127B (zh) 一种面向无人机集群的自组织队形编队方法
CN104199884B (zh) 一种基于r覆盖率优先的社交网络观察点选取方法
CN112926584A (zh) 裂缝检测方法、装置、计算机设备及存储介质
CN114021773A (zh) 一种路径规划方法、装置、电子设备以及存储介质
CN104503847A (zh) 一种数据中心节能方法和装置
Li et al. When digital twin meets deep reinforcement learning in multi-UAV path planning
CN116346819A (zh) 一种基于云边协同的工业互联网系统
Saw et al. Intelligent buses in a loop service: Emergence of no-boarding and holding strategies
Fu et al. Federated Reinforcement Learning for Adaptive Traffic Signal Control: A Case Study in New York City
Alhassan et al. Towards Congestion Control Approach Based on Weighted Random Early Detection and Type-2 Fuzzy Logic System
Zhu et al. Path planning of mobile robot based on deep reinforcement learning with transfer learning strategy
Lin et al. FHCPL: An Intelligent Fixed-Horizon Constrained Policy Learning System for Risk-Sensitive Industrial Scenario

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
GR01 Patent grant
GR01 Patent grant