CN110376889B - 具有时变时滞的异构网络化多智能体系统分组一致的方法 - Google Patents

具有时变时滞的异构网络化多智能体系统分组一致的方法 Download PDF

Info

Publication number
CN110376889B
CN110376889B CN201910631177.4A CN201910631177A CN110376889B CN 110376889 B CN110376889 B CN 110376889B CN 201910631177 A CN201910631177 A CN 201910631177A CN 110376889 B CN110376889 B CN 110376889B
Authority
CN
China
Prior art keywords
matrix
time
agent
state
representing
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.)
Active
Application number
CN201910631177.4A
Other languages
English (en)
Other versions
CN110376889A (zh
Inventor
谭冲
岳靓
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201910631177.4A priority Critical patent/CN110376889B/zh
Publication of CN110376889A publication Critical patent/CN110376889A/zh
Application granted granted Critical
Publication of CN110376889B publication Critical patent/CN110376889B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明提供具有时变时滞的异构网络化多智能体系统分组一致的方法，属于网络化多智能体系统技术领域。本发明首先建立具有时变时滞的异构网络化多智能体系统的离散时间动态模型，构造状态观测器，并进行状态预测；然后设计分组一致性控制协议；再根据设计的分组一致性控制协议，得到分组状态误差方程与估计误差方程的紧凑表达形式；基于线性矩阵不等式获得状态反馈矩阵；最后将获得的状态反馈矩阵代入设计的分组一致性协议，实现具有时变时滞的异构网络化多智能体系统的分组一致。本发明解决了现有具有时变时滞的异构网络化多智能体系统中，利用过时的信息实现系统一致，影响系统收敛速度的问题。本发明适用于高阶异构系统的分组一致性设计。

Description

具有时变时滞的异构网络化多智能体系统分组一致的方法
技术领域
本发明涉及网络化多智能体系统分组一致的方法，属于网络化多智能体系统技术领域。
背景技术
分组一致性问题是网络化多智能体系统研究的新兴问题，已在多机器人的编队、无人机的联合侦察与搜索、无线传感器等方面有着重要应用。
目前现有的分组一致设计方法，对于带时滞的多智能体系统，大多采用系统理论的分析方法，被动降低时延，利用过时的信息实现系统一致，影响系统收敛速度，具有很大的保守性。
发明内容
本发明为解决现有具有时变时滞的异构网络化多智能体系统中，利用过时的信息实现系统一致，影响系统收敛速度的问题，提供了具有时变时滞的异构网络化多智能体系统分组一致的方法。
本发明所述具有时变时滞的异构网络化多智能体系统分组一致的方法，通过以下技术方案实现：
步骤一、建立具有时变时滞的异构网络化多智能体系统的离散时间动态模型；
步骤二、针对步骤一建立的所述离散时间动态模型构造状态观测器，并进行状态预测；
步骤三、根据步骤二对具有时变时滞的异构网络化多智能体系统的离散时间动态模型的状态预测，设计分组一致性控制协议；
步骤四、根据步骤三设计的分组一致性控制协议，得到分组状态误差方程与估计误差方程的紧凑表达形式；
步骤五、利用状态误差方程与估计误差方程的紧凑表达形式，基于线性矩阵不等式获得状态反馈矩阵；
步骤六、将步骤五获得的状态反馈矩阵代入步骤三中的分组一致性协议，实现具有时变时滞的异构网络化多智能体系统的分组一致。
作为对上述步骤的进一步阐述：
进一步的，所述步骤一具体为：
对于一个包含N+M个智能体的网络
Figure GDA0003407188560000011
N≥2，M≥2；智能体i的状态表示为xi，i＝1,2,…,N+M；每个智能体为网络
Figure GDA0003407188560000021
的一个节点，每个节点的状态能够代表实际的物理量，包括姿态、位置、温度、电压；此网络化多智能体系统的拓扑结构
Figure GDA0003407188560000022
是一个加权有向图，
Figure GDA0003407188560000023
是顶点集，
Figure GDA0003407188560000024
是边集，
Figure GDA0003407188560000025
是非负加权邻接矩阵；顶点的索引集为
Figure GDA0003407188560000026
从顶点vi至顶点vj的有向边记为εij＝(vi,vj)，j＝1,2,…,N+M；对应于εij的邻接矩阵元素aij是非零实数，顶点vi的邻域节点集为
Figure GDA0003407188560000027
拉普拉斯矩阵
Figure GDA0003407188560000028
表示元素为lij的(N+M)×(N+M)维矩阵，其中，
Figure GDA0003407188560000029
所述加权有向图
Figure GDA00034071885600000210
包含两个子图分别为
Figure GDA00034071885600000211
与
Figure GDA00034071885600000212
所述两个子图将网络中的智能体分为两组，将位于第一个子图中的智能体称为第一组智能体，位于第二个子图中的智能体称为第二组智能体；其中，第一个子图顶点集为
Figure GDA00034071885600000213
第二个子图顶点集为
Figure GDA00034071885600000214
两个子图顶点索引集分别为
Figure GDA00034071885600000215
顶点vi在两个子图中的领域节点集分别为
Figure GDA00034071885600000216
两个子图的顶点状态分别为
Figure GDA00034071885600000217
上标T表示转置；所述网络化多智能体系统的顶点状态表示为
Figure GDA00034071885600000218
建立具有时变时滞的异构网络化多智能体系统的离散时间动态模型，其状态空间形式为：
xi(t+1)＝Aixi(t)+Biui(t) (1)
yi(t)＝Cixi(t) (2)
其中，xi(t)为网络化多智能体系统中第i个智能体在t时刻的离散时间动态模型状态向量，xi(t+1)为第i个智能体在t+1时刻的离散时间动态模型状态向量，yi(t)为第i个智能体在t时刻的测量输出函数,ui(t)表示第i个智能体的一致性控制协议，Ai、Bi、Ci均为系统矩阵。
进一步的，步骤二中所述进行状态预测的具体过程包括：
在网络化多智能体系统中的智能体i能够接收自身及邻域智能体j的信息，但通信网络存在时变时延τij(t)；
Figure GDA0003407188560000031
和
Figure GDA0003407188560000032
是有界函数，τ0和τ分别为下界和上界；从t-τ时刻到t时刻的状态预测量为：
Figure GDA0003407188560000033
其中，
Figure GDA0003407188560000034
Rs为s维的实数空间；
Figure GDA0003407188560000035
表示基于直到t-τ时刻智能体i的信息，得到智能体i在t时刻的预测状态，yi(t-τ)表示第i个智能体在t-τ时刻的输出函数，Li表示第i个观测器增益矩阵，
Figure GDA0003407188560000036
表示第i个智能体在t-τ时刻的预测输出函数，Li表示第i个观测器增益矩阵。
进一步的，步骤三中所述分组一致性控制协议为：
Figure GDA0003407188560000037
其中
Figure GDA0003407188560000038
表示Bi的右逆，Ka、Kb、Ki为待设计的状态反馈矩阵；Aj表示系统矩阵；aij为邻接矩阵元素且满足如下条件：
(i)
Figure GDA0003407188560000039
(ii)
Figure GDA00034071885600000310
(iii)
Figure GDA00034071885600000311
其中，R表示实数矩阵。
进一步的，步骤四中所述分组状态误差方程与估计误差方程的紧凑表达形式为：
Figure GDA00034071885600000312
其中，ξ(t)表示第一组智能体在t时刻的状态误差矩阵，η(t)表示第一组智能体在t时刻的状态误差矩阵，E(t)表示网络化多智能体系统在t时刻的估计误差矩阵，Γ1表示第一组智能体在t+1时刻的状态误差与在t时刻的估计误差的函数关系，Γ2表示第二组智能体在t+1时刻的状态误差与在t时刻的估计误差的函数关系，
Figure GDA0003407188560000041
表示矩阵的直和，
Figure GDA0003407188560000042
表示克罗内克积，Iτ表示维数为τ的单位阵；
令：
Figure GDA0003407188560000043
式(5)能够简化为：
Figure GDA0003407188560000044
对于上式(6)，当且仅当其对角线上的子矩阵是舒尔稳定的，整个系统稳定；
计算式(6)中γ的具体形式：
Figure GDA0003407188560000045
Figure GDA0003407188560000046
Figure GDA0003407188560000047
Figure GDA0003407188560000048
其中，IN-1表示N-1维单位阵，IM-1表示M-1维单位阵，In表示n维单位阵，1N-1表示元素全为1的(N-1)×1维矩阵，1M-1表示元素全为1的(M-1)×1维矩阵，
Figure GDA0003407188560000049
表示从A1到AN的和，
Figure GDA00034071885600000410
表示B2K2、B3K3、…、BNKN组成的分块对角阵，
Figure GDA00034071885600000411
表示从AN+1到AN+M的和，
Figure GDA00034071885600000412
表示BN+2KN+2、BN+3KN+3、…、BN+MKN+M组成的分块对角阵；
Figure GDA00034071885600000413
Figure GDA00034071885600000414
Figure GDA00034071885600000415
Figure GDA00034071885600000416
Figure GDA0003407188560000051
Figure GDA0003407188560000052
Figure GDA0003407188560000053
Figure GDA0003407188560000054
进一步的，所述步骤五具体包括以下过程：
基于线性矩阵不等式(7)、(8)进行状态反馈矩阵的求解：
Figure GDA0003407188560000055
Figure GDA0003407188560000056
其中，
Figure GDA0003407188560000057
表示矩阵Ki的转置，Y为满足式(7)的矩阵，X为正定阵，X-1表示矩阵X的逆矩阵，
Figure GDA0003407188560000058
diag(·)表示对角矩阵，
Figure GDA0003407188560000059
表示矩阵T由分块矩阵Vkm、Vkq、Vpm、Vpq组成，Vkm、Vkq、Vpm、Vpq具体表示形式如下：
Figure GDA0003407188560000061
Figure GDA0003407188560000062
Figure GDA0003407188560000063
Figure GDA0003407188560000064
其中，k,m＝1,2,…,N-1；p,q＝N+1,N+2,…,N+M-1；0n×n表示n维0矩阵，
Figure GDA0003407188560000065
表示k-1个n×r维的0矩阵，
Figure GDA0003407188560000066
表示N-k-1个n×r维的0矩阵，
Figure GDA0003407188560000067
表示M个n×r维的0矩阵，
Figure GDA0003407188560000068
表示N个n×r维的0矩阵，
Figure GDA0003407188560000069
表示p-N-1个n×r维的0矩阵，
Figure GDA00034071885600000610
表示N+M-p-1个n×r维的0矩阵。
本发明最为突出的特点和显著的有益效果是：
本发明所涉及的具有时变时滞的异构网络化多智能体系统分组一致的方法，考虑了时变时滞对高阶异构网络化多智能体系统的影响，利用状态预测方法全面考虑了时滞的有效信息，与现有的直接利用过时的状态信息来设计分组一致性控制协议方法相比，本发明的分组一致性协议设计方法可以主动补偿网络时滞的影响，为所有的智能体提供了一个统一的预测过程，克服了时变时滞对分组一致性控制的影响，借助于图论与矩阵论的分析方法，给出了保证网络化多智能体系统实现分组一致的若干判据，基于线性不等式解设计反馈增益，使系统达到分组一致的目的，且具有系统收敛速度快，易于求解与实现的优点。
附图说明
图1是本发明方法流程图；
图2是实施例中的网络化多智能体系统通信拓扑结构图；
图3是实施例中智能体i的第一个状态分量xi1(t)的曲线图；
图4是实施例中智能体i的第二个状态分量xi2(t)的曲线图；
图5是实施例中智能体i的第一个状态分量误差ei1(t)的曲线图；
图6是实施例中智能体i的第二个状态分量误差ei2(t)的曲线图。
具体实施方式
具体实施方式一：结合图1一对本实施方式进行说明，本实施方式所述具有时变时滞的异构网络化多智能体系统分组一致性的方法，具体包括以下步骤：
步骤一、建立具有时变时滞的异构网络化多智能体系统的离散时间动态模型；
步骤二、针对步骤一建立的所述离散时间动态模型构造状态观测器，并进行状态预测；
步骤三、根据步骤二对具有时变时滞的异构网络化多智能体系统的离散时间动态模型的状态预测，设计分组一致性控制协议；
步骤四、根据步骤三设计的分组一致性控制协议，得到分组状态误差方程与估计误差方程的紧凑表达形式；
步骤五、利用状态误差方程与估计误差方程的紧凑表达形式，基于线性矩阵不等式获得状态反馈矩阵；
步骤六、将步骤五获得的状态反馈矩阵代入步骤三中的分组一致性协议，实现具有时变时滞的异构网络化多智能体系统的分组一致。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一具体为：
对于一个包含N+M个智能体的网络
Figure GDA0003407188560000071
N≥2，M≥2；智能体i的状态表示为xi，i＝1,2,…,N+M；每个智能体为网络
Figure GDA0003407188560000072
的一个节点，每个节点的状态能够代表实际的物理量，比如包括姿态、位置、温度、电压等。此网络化多智能体系统的拓扑结构
Figure GDA0003407188560000073
是一个加权有向图，
Figure GDA0003407188560000074
是顶点集，
Figure GDA0003407188560000075
是边集，
Figure GDA0003407188560000076
是非负加权邻接矩阵；顶点的索引集为
Figure GDA0003407188560000077
从顶点vi至顶点vj的有向边记为εij＝(vi,vj)，j＝1,2,…,N+M；对应于εij的邻接矩阵元素aij是非零实数，顶点vi的邻域节点集为
Figure GDA0003407188560000078
拉普拉斯矩阵
Figure GDA0003407188560000079
表示元素为lij的(N+M)×(N+M)维矩阵，其中，
Figure GDA00034071885600000710
所述加权有向图
Figure GDA00034071885600000711
包含两个子图分别为
Figure GDA00034071885600000712
与
Figure GDA00034071885600000713
所述两个子图将网络中的智能体分为两组，将位于第一个子图中的智能体称为第一组智能体，位于第二个子图中的智能体称为第二组智能体；其中，第一个子图顶点集为
Figure GDA0003407188560000081
第二个子图顶点集为
Figure GDA0003407188560000082
第一个子图边集
Figure GDA0003407188560000083
第二个子图边集
Figure GDA0003407188560000084
两个子图顶点索引集分别为
Figure GDA0003407188560000085
Figure GDA0003407188560000086
顶点vi在两个子图中的领域节点集分别为
Figure GDA0003407188560000087
两个子图的顶点状态分别为
Figure GDA0003407188560000088
上标T表示转置；所述网络化多智能体系统的顶点状态表示为
Figure GDA0003407188560000089
建立具有时变时滞的异构网络化多智能体系统的离散时间动态模型，其状态空间形式为：
xi(t+1)＝Aixi(t)+Biui(t) (1)
yi(t)＝Cixi(t) (2)
其中，xi(t)为网络化多智能体系统中第i个智能体在t时刻的离散时间动态模型状态向量，xi(t+1)为第i个智能体在t+1时刻的离散时间动态模型状态向量，yi(t)为第i个智能体在t时刻的测量输出函数,ui(t)表示第i个智能体的一致性控制协议，Ai、Bi、Ci均为系统矩阵。
其他步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式二不同的是，步骤二中所述进行状态预测的具体过程包括：
在网络化多智能体系统中的智能体i能够接收自身及邻域智能体j的信息，但通信网络存在时变时延τij(t)；
Figure GDA00034071885600000810
和
Figure GDA00034071885600000811
是已知的有界函数，τ0和τ分别为下界和上界；从t-τ时刻到t时刻的状态预测量为：
Figure GDA00034071885600000812
其中，
Figure GDA00034071885600000813
Rs为s维的实数空间；
Figure GDA00034071885600000814
表示基于直到t-τ时刻智能体i的信息，得到智能体i在t时刻的预测状态，yi(t-τ)表示第i个智能体在t-τ时刻的输出函数，Li表示第i个观测器增益矩阵，
Figure GDA0003407188560000091
表示第i个智能体在t-τ时刻的预测输出函数，Li表示第i个观测器增益矩阵。
其他步骤及参数与具体实施方式二相同。
具体实施方式四：本实施方式与具体实施方式三不同的是，步骤三中所述分组一致性控制协议为：
Figure GDA0003407188560000092
其中
Figure GDA0003407188560000093
表示Bi的右逆，Ka、Kb、Ki为待设计的状态反馈矩阵Aj表示系统矩阵；aij为邻接矩阵元素(也称为权值)且满足如下条件：
(i)
Figure GDA0003407188560000094
(ii)
Figure GDA0003407188560000095
(iii)
Figure GDA0003407188560000096
其中，R表示实数矩阵。
其他步骤及参数与具体实施方式三相同。
具体实施方式五：本实施方式与具体实施方式四不同的是，步骤四中所述分组状态误差方程与估计误差方程的紧凑表达形式为：
Figure GDA0003407188560000097
其中，ξ(t)表示第一组智能体在t时刻的状态误差矩阵，η(t)表示第一组智能体在t时刻的状态误差矩阵，E(t)表示网络化多智能体系统在t时刻的估计误差矩阵，Γ1表示第一组智能体在t+1时刻的状态误差与在t时刻的估计误差的函数关系，Γ2表示第二组智能体在t+1时刻的状态误差与在t时刻的估计误差的函数关系，
Figure GDA0003407188560000098
表示矩阵的直和，
Figure GDA0003407188560000099
表示克罗内克积，Iτ表示维数为τ的单位阵；
令：
Figure GDA0003407188560000101
式(5)能够简化为：
Figure GDA0003407188560000102
对于上式(6)，当且仅当其对角线上的子矩阵是舒尔(Schur)稳定的，整个系统稳定；
计算式(6)中γ的具体形式：
Figure GDA0003407188560000103
Figure GDA0003407188560000104
Figure GDA0003407188560000105
Figure GDA0003407188560000106
其中，IN-1表示N-1维单位阵，IM-1表示M-1维单位阵，In表示n维单位阵，1N-1表示元素全为1的(N-1)×1维矩阵，1M-1表示元素全为1的(M-1)×1维矩阵，
Figure GDA0003407188560000107
表示从A1到AN的和，
Figure GDA0003407188560000108
表示B2K2、B3K3、…、BNKN组成的分块对角阵，
Figure GDA0003407188560000109
表示从AN+1到AN+M的和，
Figure GDA00034071885600001010
表示BN+2KN+2、BN+3KN+3、…、BN+MKN+M组成的分块对角阵；
Figure GDA00034071885600001011
Figure GDA00034071885600001012
Figure GDA00034071885600001013
Figure GDA00034071885600001014
Figure GDA00034071885600001015
Figure GDA00034071885600001016
Figure GDA0003407188560000111
Figure GDA0003407188560000112
其他步骤及参数与具体实施方式四相同。
具体实施方式六：本实施方式与具体实施方式五不同的是，所述步骤五具体包括以下过程：
式(6)中，当且仅当其对角线上的子矩阵是舒尔稳定的，所述分组一致性控制协议能够使得具有时变时滞的异构网络化多智能体系统实现分组一致；利用步骤三中的紧凑形式得到状态反馈矩阵Ka,Kb,Ki表达式，并基于线性矩阵不等式(7)、(8)进行状态反馈矩阵的求解：
Figure GDA0003407188560000113
Figure GDA0003407188560000114
其中，
Figure GDA0003407188560000115
表示矩阵Ki的转置，Y为满足式(7)的矩阵，X为正定阵，X-1表示矩阵X的逆矩阵，YX-1表示矩阵Y与矩阵X的乘积，
Figure GDA0003407188560000116
表示克罗内克积，
Figure GDA0003407188560000117
diag(·)表示对角矩阵，
Figure GDA0003407188560000118
为矩阵
Figure GDA0003407188560000119
与矩阵X的乘积，VY表示矩阵V和矩阵Y的乘积，
Figure GDA00034071885600001110
表示矩阵
Figure GDA00034071885600001111
的转置，
Figure GDA00034071885600001112
表示矩阵T由分块矩阵Vkm、Vkq、Vpm、Vpq组成，Vkm、Vkq、Vpm、Vpq具体表示形式如下：
Figure GDA0003407188560000121
Figure GDA0003407188560000122
Figure GDA0003407188560000123
Figure GDA0003407188560000124
其中，k,m＝1,2,…,N-1；p,q＝N+1,N+2,…,N+M-1；0n×n表示n维0矩阵，
Figure GDA0003407188560000125
表示k-1个n×r维的0矩阵，
Figure GDA0003407188560000126
表示N-k-1个n×r维的0矩阵，
Figure GDA0003407188560000127
表示M个n×r维的0矩阵，
Figure GDA0003407188560000128
表示N个n×r维的0矩阵，
Figure GDA0003407188560000129
表示p-N-1个n×r维的0矩阵，
Figure GDA00034071885600001210
表示N+M-p-1个n×r维的0矩阵。
其他步骤及参数与具体实施方式四相同。
实施例
采用以下实施例验证本发明的有益效果：
一个包含4个智能体的网络
Figure GDA00034071885600001216
其中N＝2，M＝2，
Figure GDA00034071885600001211
其通信拓扑结构如图2所示。
系统参数：
Figure GDA00034071885600001212
Figure GDA00034071885600001213
Figure GDA00034071885600001214
Figure GDA00034071885600001215
系统拉普拉斯矩阵：
Figure GDA0003407188560000131
系统的状态初值为x1(0)＝[-12 7]T,x2(0)＝[13 -10]T，x3(0)＝[-10 -12]T，x4(0)＝[7 8]T。
系统状态反馈矩阵Ka,Kb,Ki求解：
利用公式(6)，公式(7)和公式(8)进行求解，得到状态反馈矩阵Ka,Kb,Ki为如下形式：
Figure GDA0003407188560000132
Figure GDA0003407188560000133
Figure GDA0003407188560000134
状态估计器效果：
图3是智能体i的第一个状态分量xi1(t)曲线图，图4是智能体i的第二个状态分量xi2(t)曲线图，图5是智能体i的第一个状态分量误差ei1(t)曲线图，图6是智能体i的第二个状态分量误差ei2(t)曲线图。
由图3至图6可见，针对具有时变时滞的异构网络化多智能体系统，所发明的一致性控制协议可有效地达到分组一致，且收敛速度较快。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.具有时变时滞的异构网络化多智能体系统分组一致的方法，其特征在于，具体包括以下步骤：
步骤一、建立具有时变时滞的异构网络化多智能体系统的离散时间动态模型；
步骤二、针对步骤一建立的所述离散时间动态模型构造状态观测器，并进行状态预测；
步骤三、根据步骤二对具有时变时滞的异构网络化多智能体系统的离散时间动态模型的状态预测，设计分组一致性控制协议；
步骤四、根据步骤三设计的分组一致性控制协议，得到分组状态误差方程与估计误差方程的紧凑表达形式；具体为：
Figure FDA0003407188550000011
其中，ξ(t)表示第一组智能体在t时刻的状态误差矩阵，η(t)表示第一组智能体在t时刻的状态误差矩阵，E(t)表示网络化多智能体系统在t时刻的估计误差矩阵，Γ1表示第一组智能体在t+1时刻的状态误差与在t时刻的估计误差的函数关系，Γ2表示第二组智能体在t+1时刻的状态误差与在t时刻的估计误差的函数关系，
Figure FDA0003407188550000012
Figure FDA0003407188550000013
表示矩阵的直和，
Figure FDA0003407188550000014
表示克罗内克积，Iτ表示维数为τ的单位阵；
令：
Figure FDA0003407188550000015
式(5)能够简化为：
Figure FDA0003407188550000016
对于上式(6)，当且仅当其对角线上的子矩阵是舒尔稳定的，整个系统稳定；
计算式(6)中γ的具体形式：
Figure FDA0003407188550000017
Figure FDA0003407188550000018
Figure FDA0003407188550000019
Figure FDA00034071885500000110
其中，IN-1表示N-1维单位阵，IM-1表示M-1维单位阵，In表示n维单位阵，1N-1表示元素全为1的(N-1)×1维矩阵，1M-1表示元素全为1的(M-1)×1维矩阵，
Figure FDA0003407188550000021
表示从A1到AN的和，
Figure FDA0003407188550000022
表示B2K2、B3K3、…、BNKN组成的分块对角阵，
Figure FDA0003407188550000023
表示从AN+1到AN+M的和，
Figure FDA0003407188550000024
表示BN+2KN+2、BN+3KN+3、…、BN+MKN+M组成的分块对角阵；
Figure FDA0003407188550000025
Figure FDA0003407188550000026
Figure FDA0003407188550000027
Figure FDA0003407188550000028
Figure FDA0003407188550000029
Figure FDA00034071885500000210
Figure FDA00034071885500000211
Figure FDA00034071885500000212
步骤五、利用状态误差方程与估计误差方程的紧凑表达形式，基于线性矩阵不等式获得状态反馈矩阵；
步骤六、将步骤五获得的状态反馈矩阵代入步骤三中的分组一致性协议，实现具有时变时滞的异构网络化多智能体系统的分组一致。
2.根据权利要求1所述具有时变时滞的异构网络化多智能体系统分组一致的方法，其特征在于，所述步骤一具体为：
对于一个包含N+M个智能体的网络
Figure FDA00034071885500000213
N≥2，M≥2；智能体i的状态表示为xi，i＝1,2,…,N+M；每个智能体为网络
Figure FDA0003407188550000031
的一个节点，每个节点的状态能够代表实际的物理量，包括姿态、位置、温度、电压；此网络化多智能体系统的拓扑结构
Figure FDA0003407188550000032
是一个加权有向图，
Figure FDA0003407188550000033
是顶点集，
Figure FDA0003407188550000034
是边集，
Figure FDA0003407188550000035
是非负加权邻接矩阵；顶点的索引集为l＝{1,2,…,N}；从顶点vi至顶点vj的有向边记为εij＝(vi,vj)，j＝1,2,…,N+M；对应于εij的邻接矩阵元素aij是非零实数，顶点vi的邻域节点集为
Figure FDA0003407188550000036
拉普拉斯矩阵
Figure FDA0003407188550000037
表示元素为lij的(N+M)×(N+M)维矩阵，其中，
Figure FDA0003407188550000038
所述加权有向图
Figure FDA0003407188550000039
包含两个子图分别为
Figure FDA00034071885500000310
与
Figure FDA00034071885500000311
所述两个子图将网络中的智能体分为两组，将位于第一个子图中的智能体称为第一组智能体，位于第二个子图中的智能体称为第二组智能体；其中，第一个子图顶点集为
Figure FDA00034071885500000312
第二个子图顶点集为
Figure FDA00034071885500000313
两个子图顶点索引集分别为l1＝{1,2,…,N}、l2＝{N+1,N+2,…,N+M}；l＝l1∪l2；顶点vi在两个子图中的领域节点集分别为
Figure FDA00034071885500000314
两个子图的顶点状态分别为
Figure FDA00034071885500000315
上标T表示转置；所述网络化多智能体系统的顶点状态表示为
Figure FDA00034071885500000316
建立具有时变时滞的异构网络化多智能体系统的离散时间动态模型，其状态空间形式为：
xi(t+1)＝Aixi(t)+Biui(t) (1)
yi(t)＝Cixi(t) (2)
其中，xi(t)为网络化多智能体系统中第i个智能体在t时刻的离散时间动态模型状态向量，xi(t+1)为第i个智能体在t+1时刻的离散时间动态模型状态向量，yi(t)为第i个智能体在t时刻的测量输出函数,ui(t)表示第i个智能体的一致性控制协议，Ai、Bi、Ci均为系统矩阵。
3.根据权利要求2所述具有时变时滞的异构网络化多智能体系统分组一致的方法，其特征在于，步骤二中所述进行状态预测的具体过程包括：
在网络化多智能体系统中的智能体i能够接收自身及邻域智能体j的信息，但通信网络存在时变时延τij(t)；
Figure FDA0003407188550000041
Figure FDA0003407188550000042
和
Figure FDA0003407188550000043
是有界函数，τ0和τ分别为下界和上界；从t-τ时刻到t时刻的状态预测量为：
Figure FDA0003407188550000044
其中，
Figure FDA0003407188550000045
Rs为s维的实数空间；
Figure FDA0003407188550000046
表示基于直到t-τ时刻智能体i的信息，得到智能体i在t时刻的预测状态，yi(t-τ)表示第i个智能体在t-τ时刻的输出函数，Li表示第i个观测器增益矩阵，
Figure FDA0003407188550000047
表示第i个智能体在t-τ时刻的预测输出函数。
4.根据权利要求3所述具有时变时滞的异构网络化多智能体系统分组一致的方法，其特征在于，步骤三中所述分组一致性控制协议为：
Figure FDA0003407188550000048
其中
Figure FDA0003407188550000049
表示Bi的右逆，Ka、Kb、Ki为待设计的状态反馈矩阵；Aj表示系统矩阵；aij为邻接矩阵元素且满足如下条件：
(i)
Figure FDA00034071885500000410
(ii)
Figure FDA00034071885500000411
(iii)
Figure FDA00034071885500000412
其中，R表示实数矩阵。
5.根据权利要求4所述具有时变时滞的异构网络化多智能体系统分组一致的方法，其特征在于，所述步骤五具体包括以下过程：
基于线性矩阵不等式(7)、(8)进行状态反馈矩阵的求解：
Figure FDA00034071885500000413
Figure FDA0003407188550000051
其中，
Figure FDA0003407188550000052
Figure FDA0003407188550000053
表示矩阵Ki的转置，Y为满足式(7)的矩阵，X为正定阵，X-1表示矩阵X的逆矩阵，
Figure FDA0003407188550000054
diag(·)表示对角矩阵，
Figure FDA0003407188550000055
表示矩阵T由分块矩阵Vkm、Vkq、Vpm、Vpq组成，Vkm、Vkq、Vpm、Vpq具体表示形式如下：
Figure FDA0003407188550000056
Figure FDA0003407188550000057
Figure FDA0003407188550000058
Figure FDA0003407188550000059
其中，k,m＝1,2,…,N-1；p,q＝N+1,N+2,…,N+M-1；0n×n表示n维0矩阵，
Figure FDA00034071885500000510
表示k-1个n×r维的0矩阵，
Figure FDA00034071885500000511
表示N-k-1个n×r维的0矩阵，
Figure FDA00034071885500000512
表示M个n×r维的0矩阵，
Figure FDA00034071885500000513
表示N个n×r维的0矩阵，
Figure FDA00034071885500000514
表示p-N-1个n×r维的0矩阵，
Figure FDA00034071885500000515
表示N+M-p-1个n×r维的0矩阵。
CN201910631177.4A 2019-07-12 2019-07-12 具有时变时滞的异构网络化多智能体系统分组一致的方法 Active CN110376889B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910631177.4A CN110376889B (zh) 2019-07-12 2019-07-12 具有时变时滞的异构网络化多智能体系统分组一致的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910631177.4A CN110376889B (zh) 2019-07-12 2019-07-12 具有时变时滞的异构网络化多智能体系统分组一致的方法

Publications (2)

Publication Number Publication Date
CN110376889A CN110376889A (zh) 2019-10-25
CN110376889B true CN110376889B (zh) 2022-03-01

Family

ID=68252957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910631177.4A Active CN110376889B (zh) 2019-07-12 2019-07-12 具有时变时滞的异构网络化多智能体系统分组一致的方法

Country Status (1)

Country Link
CN (1) CN110376889B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111781826B (zh) * 2020-05-29 2022-11-01 长春工业大学 基于迭代算法的异构多智能体输出反馈跟踪控制方法
CN111781822B (zh) * 2020-07-09 2022-02-22 重庆邮电大学 一种多智能体系统的隐私保护分组一致性控制方法
CN112311589B (zh) * 2020-09-09 2022-04-05 重庆邮电大学 多智能体在Markov切换拓扑下的分组一致控制方法
CN112363392B (zh) * 2020-11-16 2022-05-24 湘潭大学 一类模型未知的多智能体分群一致性控制方法
CN112379626A (zh) * 2020-11-23 2021-02-19 哈尔滨理工大学 具有外部干扰的多智能体系统分组领导跟随一致的方法
CN112487425B (zh) * 2020-11-23 2024-04-26 哈尔滨理工大学 一种多智能体系统在欺骗攻击情况下实现一致性的方法
CN112327633A (zh) * 2020-11-23 2021-02-05 哈尔滨理工大学 具有时滞和干扰的领导跟随多智能体系统一致性的方法
CN112486114A (zh) * 2020-11-23 2021-03-12 哈尔滨理工大学 一种基于预测的执行器饱和多智能体全局一致性方法
CN113110058B (zh) * 2021-01-25 2022-06-17 华东交通大学 一种通信受限的多智能体系统二分实用一致性控制方法
CN113259259B (zh) * 2021-05-13 2024-04-19 哈尔滨理工大学 一种带有通信时延的异构多智能体系统输出一致性方法
CN113253611A (zh) * 2021-05-14 2021-08-13 哈尔滨理工大学 一种具有干扰和时滞的多智能体系统实现一致性的方法
CN113296410A (zh) * 2021-05-26 2021-08-24 哈尔滨理工大学 一种切换拓扑下的多智能体系统的领导跟随一致性方法
CN113311711B (zh) * 2021-05-28 2024-09-10 哈尔滨理工大学 一种异构多智能体系统在领导跟随下实现分组一致的方法
CN114137831B (zh) * 2021-10-13 2022-06-14 清华大学 一种智能网联汽车队列系统中纵向控制方法和装置
CN114280930B (zh) * 2021-12-08 2023-05-16 广州大学 一种随机高阶线性多智能体系统控制协议的设计方法及系统
CN114935931B (zh) * 2022-05-07 2023-09-15 苏州科技大学 一种时变异构多智能体一致性控制方法及系统
CN115718427B (zh) * 2022-11-16 2023-06-13 哈尔滨理工大学 一种保安全的非脆弱网络化预测控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108508914A (zh) * 2018-03-29 2018-09-07 哈尔滨理工大学 一种离散多智能体系统的编队控制方法
CN109031958A (zh) * 2018-10-16 2018-12-18 廊坊师范学院 分数阶多智能体追踪一致性的迭代学习控制方法
US10168674B1 (en) * 2013-04-22 2019-01-01 National Technology & Engineering Solutions Of Sandia, Llc System and method for operator control of heterogeneous unmanned system teams
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10168674B1 (en) * 2013-04-22 2019-01-01 National Technology & Engineering Solutions Of Sandia, Llc System and method for operator control of heterogeneous unmanned system teams
CN108508914A (zh) * 2018-03-29 2018-09-07 哈尔滨理工大学 一种离散多智能体系统的编队控制方法
CN109031958A (zh) * 2018-10-16 2018-12-18 廊坊师范学院 分数阶多智能体追踪一致性的迭代学习控制方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Consensus of Discrete-Time Linear Networked Multi-Agent Systems With Communication Delays;Tan chong,et al.;《IEEE Transactions on automatic control》;20131130;第58卷(第11期);全文 *
Consensus of networked multi-agent systems with diverse time-varying communication delays;Tan chong,et al.;《Journal of the Franklin Institute》;20151231;全文 *
Output consensus of networked multi-agent systems with time-delay compensation scheme;Li yanjiang,et al.;《Journal of the Franklin Institute》;20161231;全文 *
基于预测控制方法的网络化多智能体系统一致性问题研究;谭冲;《CNKI中国博士学位论文全文数据库（电子期刊）信息科技辑》;20150131;摘要，第2.2节，第2.2.1节，第3.2.3-3.2.4节，第3.2.2节，第4.2.1-4.2.2节，第4.3.2节 *

Also Published As

Publication number Publication date
CN110376889A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110376889B (zh) 具有时变时滞的异构网络化多智能体系统分组一致的方法
CN112000108B (zh) 一种多智能体集群分组时变编队跟踪控制方法及系统
CN112327633A (zh) 具有时滞和干扰的领导跟随多智能体系统一致性的方法
Hu et al. Consensus control for multi-agent systems with double-integrator dynamics and time delays
Yang et al. Periodic event/self‐triggered consensus for general continuous‐time linear multi‐agent systems under general directed graphs
Gunasekaran et al. Finite-time synchronization of sampled-data T–S fuzzy complex dynamical networks subject to average dwell-time approach
Shao et al. Bipartite tracking consensus of generic linear agents with discrete-time dynamics over cooperation–competition networks
Xie et al. Consensus for multi‐agent systems with distributed adaptive control and an event‐triggered communication strategy
Guo et al. Mean-square consensus of heterogeneous multi-agent systems with communication noises
CN113110039B (zh) 一种多智能体系统的有限时间分布式聚合优化方法
CN112379626A (zh) 具有外部干扰的多智能体系统分组领导跟随一致的方法
Li H∞ cluster synchronization and state estimation for complex dynamical networks with mixed time delays
CN113268083B (zh) 基于动态事件触发的多无人机系统编队跟踪控制方法
Lin et al. Distributed leadless coordination for networks of second-order agents with time-delay on switching topology
Li et al. Formation control for nonlinear multi-agent systems by robust output regulation
Guinaldo et al. Distributed adaptive control of linear multi-agent systems with event-triggered communications
Cheng et al. Scaled consensus for asynchronous high‐order discrete‐time multiagent systems
Liu et al. Scale-free collaborative protocol design for state and regulated state synchronization of multi-agent systems with arbitrary fast convergence
Yang et al. Consensus of second-order multi-agent systems with nonsymmetric interconnection and heterogeneous delays
Cao et al. Explicit condition for consensus of third-order discrete-time multi-agent systems without accelerated velocity measurements
CN107563103B (zh) 基于局部条件的一致性滤波器设计方法
Ge et al. State Consensus Analysis and Design for High‐Order Discrete‐Time Linear Multiagent Systems
Mou et al. Finite-time distributed averaging
CN112925197B (zh) 基于有限时间的多智能体系统二分一致跟踪方法
Jia et al. Robust H∞ Consensus Control for Linear Discrete‐Time Swarm Systems with Parameter Uncertainties and Time‐Varying Delays

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