CN111339473B - 一阶离散多智能体系统的平衡点控制方法 - Google Patents
一阶离散多智能体系统的平衡点控制方法 Download PDFInfo
- Publication number
- CN111339473B CN111339473B CN201911262242.7A CN201911262242A CN111339473B CN 111339473 B CN111339473 B CN 111339473B CN 201911262242 A CN201911262242 A CN 201911262242A CN 111339473 B CN111339473 B CN 111339473B
- Authority
- CN
- China
- Prior art keywords
- matrix
- balance point
- agent
- intervener
- discrete multi
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 43
- 238000010586 diagram Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer And Data Communications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一阶离散多智能体系统的平衡点控制方法,建立一阶离散多智能体系统的数学模型;根据系统的有向通信拓扑结构,构建系统的P矩阵;根据系统的P矩阵,求解系统的固有平衡点;根据期望平衡点和固有平衡点构建干预器,使得一阶离散多智能体系统收敛于期望平衡点。本发明通过设计干预器,使得一阶离散多智能体系统收敛于任意指定位置处。
Description
技术领域
本发明涉及离散多智能体系统的控制技术,具体涉及一种一阶离散多智能体系统的平衡点控制方法。
背景技术
多智能体系统无需中央控制器的干预,仅仅依靠一群具有通信能力和一定的信息处理能力的简单智能体就可以完成非常复杂的工作。系统的收敛位置或者称平衡点是多智能体系统的一个重要问题。在一阶离散多智能体系统中,已有结论也表明了系统的平衡点在系统初始值的加权平均值处,其加权系数是系统通信拓扑图对应的P矩阵的特征值为1的左特征向量。也就是说,一阶离散多智能体系统的最终平衡只能由系统初始状态值和系统通信拓扑决定,使得系统不能收敛于期望的位置。
发明内容
本发明的目的在于提供一种一阶离散多智能体系统的平衡点控制方法。
实现上述发明目的的技术解决方案为:一阶离散多智能体系统的平衡点控制方法,具体步骤如下:
步骤1,建立一阶离散多智能体系统的数学模型;
步骤2,根据系统的有向通信拓扑结构,构建系统的P矩阵;
步骤3,根据系统的P矩阵,求解系统的固有平衡点;
步骤4,根据期望平衡点和固有平衡点构建干预器,使得一阶离散多智能体系统收敛于期望平衡点。
本发明与现有技术相比,其显著优点在于:通过设计干预器,使得一阶离散多智能体系统收敛于任意指定位置处。
附图说明
图1是本发明一阶离散多智能体系统的平衡点控制方法的流程图。
图2是本发明一阶多智能体系统的通信拓扑示例图。
图3是本发明干预控制下的一阶离散多智能体系统的位置变化图。
具体实施方式
下面结合附图和具体实施例,进一步说明本发明方案。
如图1所示,一阶离散多智能体系统的平衡点控制方法,具体包括如下步骤:
步骤1,建立一阶离散多智能体系统的数学模型,表示为:
xi(k+1)=xi(k)+ui(k) (1)
其中k表示离散时间序列,xi(k),ui(k)分别表示智能体i在序列k处的状态和一致性控制输入,i=1,2,…,n,n为系统中智能体的总数量;
一致性控制输入表示为:
其中aij表示由智能体i到智能体j的连接权重i=1,2,…,n,ε为步长参数。
步骤2,根据系统的有向通信拓扑结构,构建系统的P矩阵;
建立系统的有向通信拓扑结构,多智能体系统的通信拓扑结构使用图来表示,智能体相当于图的节点,智能体之间的通信关系相当于图的边,在有向图中,边是有方向的,从一个节点到另一个节点。
使用矩阵A=[aij]∈Rn×n表示图的邻接矩阵,其中aij表示由节点i到节点j的连接权重,则可根据邻接矩阵构建系统的拉普拉斯矩阵L,表示为:
根据拉普拉斯矩阵L构建系统的P矩阵为:
P=I-εL (4)
令x(k)=(x1(k),x2(k),…,xn(k))T,由式(1)、式(2)和式(4)可得系统的矩阵形式为:
x(k+1)=Px(k) (5)
步骤3,根据系统的P矩阵,求解系统的固有平衡点;
求解矩阵P特征值1对应的左特征向量,表示为γ,则系统的固有平衡点为:
步骤4,根据期望平衡点和固有平衡点构建干预器,使得一阶离散多智能体系统收敛于期望平衡点。
干预器的数学模型,表示为:
令α=(α1,α2,…,αn)T,称之为干预器向量,则带干预器的一阶离散多智能体系统的数学模型为:
分析系统(9),可得:
因为dmax=max(lii),i=1,2,…,n,则P矩阵必然是一个非负对称矩阵,又因为矩阵L每一行相加都等于零,所以P1n=(I-εL)1n=I1n-εL1n=1n,因此P矩阵是一个关于该系统通信拓扑图的Perron矩阵,满足其中γ、η分别是P矩阵特征值为1对应的左特征向量和右特征向量。
因此可得
当k→∞时,有Pk=ηγT,而η=[1,1,…,1]T,所以上式可写为
因此可得一阶离散多智能体系统在干预器控制下的最终平衡点为
将式(7)代入上式(10)可得在该干预器控制下系统最终的平衡点为:
x(∞)=γT(x(0)+α) (11)
如果指定系统的期望平衡点为b,则根据式(6)可知系统的平衡点方程为:
γT(x(0)+α)=b (12)
令d=γTα=b-γTx(0),γ=(γ1,γ2,…,γn)T,如果系统中所有的智能体的干预量相同,那么可解得:
综上所述,在干预器参数为式(13)时,带干预器的一阶离散多智能体系统可收敛于指定位置b处。
实施例
为了验证本发明方案的有效性,进行如下仿真实验。
步骤一:建立一阶离散多智能体系统的数学模型和一致性协议:
步骤二:建立系统的有向通信拓扑结构如图2所示,得到系统通信拓扑拉普拉斯矩阵为:
构建系统的P矩阵:
P=I-εL
步骤三:求取P矩阵的特征值1对应的左特征向量:
步骤四:构建干预器为:
假设指定系统的期望平衡点为2,则计算得到系统所需的干预量为:
d=b-γTx(0)=1.1576
代入公式13可解得
α=(4.7751,2.3876,0.7346,0.3673,1.0611,1.9100,1.5917,9.5502)T
将该干预器向量设置到系统的干预器中去,其仿真验证结果图如图3所示,可以看出,带干预器的一阶离散多智能体系统可收敛于指定位置2处。
Claims (1)
1.一阶离散多智能体系统的平衡点控制方法,其特征在于,具体步骤如下:
步骤1,建立一阶离散多智能体系统的数学模型;
步骤2,根据系统的有向通信拓扑结构,构建系统的P矩阵;
步骤3,根据系统的P矩阵,求解系统的固有平衡点;
步骤4,根据期望平衡点和固有平衡点构建干预器,使得一阶离散多智能体系统收敛于期望平衡点;
步骤1中,一阶离散多智能体系统的数学模型,表示为:
xi(k+1)=xi(k)+ui(k) (1)
其中k表示离散时间序列,xi(k),ui(k)分别表示智能体i在序列k处的状态和一致性控制输入,i=1,2,…,n,n为系统中智能体的总数量;
一致性控制输入表示为:
其中aij表示由智能体i到智能体j的连接权重i=1,2,…,n,ε为步长参数;
步骤2中,构建系统的P矩阵的具体方法为:
建立系统的有向通信拓扑结构,使用图来表示,智能体相当于图的节点,智能体之间的通信关系相当于图的边,在有向图中,边是有方向的,从一个节点到另一个节点;
使用矩阵A=[aij]∈Rn×n表示图的邻接矩阵,其中aij表示由节点i到节点j的连接权重,则可根据邻接矩阵构建系统的拉普拉斯矩阵L,表示为:
根据拉普拉斯矩阵L构建系统的P矩阵为:
P=I-εL (4)
步骤3中,求解系统的固有平衡点的具体方法为:
求解P矩阵特征值1对应的左特征向量,表示为γ,则系统的固有平衡点为:
步骤4中,构建干预器的具体方法为:
干预器的数学模型,表示为:
其中γ=(γ1,γ2,…,γn)T表示矩阵P特征值1对应的左特征向量,d=b-γTx(0)表示系统所需的干预量,b为期望平衡点,x(0)为系统的初始状态向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262242.7A CN111339473B (zh) | 2019-12-10 | 2019-12-10 | 一阶离散多智能体系统的平衡点控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262242.7A CN111339473B (zh) | 2019-12-10 | 2019-12-10 | 一阶离散多智能体系统的平衡点控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339473A CN111339473A (zh) | 2020-06-26 |
CN111339473B true CN111339473B (zh) | 2023-05-05 |
Family
ID=71179556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911262242.7A Active CN111339473B (zh) | 2019-12-10 | 2019-12-10 | 一阶离散多智能体系统的平衡点控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339473B (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110442022B (zh) * | 2019-07-19 | 2022-10-11 | 中国工程物理研究院计算机应用研究所 | 带有时滞异构多智能体系统的分组一致性控制方法 |
-
2019
- 2019-12-10 CN CN201911262242.7A patent/CN111339473B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111339473A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442022B (zh) | 带有时滞异构多智能体系统的分组一致性控制方法 | |
CN105138006B (zh) | 一种时滞非线性多智能体系统的协同追踪控制方法 | |
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 | |
Tan et al. | Group consensus of networked multi-agent systems with directed topology | |
CN111523648B (zh) | 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 | |
CN109818792B (zh) | 一种基于二阶线性系统时变耦合复杂动态网络模型的控制器 | |
CN110347181A (zh) | 基于能耗的无人机分布式编队控制方法 | |
CN112311589B (zh) | 多智能体在Markov切换拓扑下的分组一致控制方法 | |
CN113934173A (zh) | 基于脉冲控制的多智能体系统分组一致性控制方法 | |
CN108681247B (zh) | 一种完全分布式保性能通信容错编队控制方法 | |
CN113867150A (zh) | 一种具有饱和输入的多智能体的事件驱动控制方法 | |
CN114527661A (zh) | 一种用于集群智能系统的协同编队方法 | |
CN114609909B (zh) | 一种切换拓扑下的随机多智体系统控制协议的设计方法 | |
CN113031554B (zh) | 一种二阶多智能体系统固定时间领跟一致性控制方法 | |
Qiu et al. | Iterative learning control for multi‐agent systems with noninstantaneous impulsive consensus tracking | |
CN111339473B (zh) | 一阶离散多智能体系统的平衡点控制方法 | |
Zhang et al. | Adaptive fuzzy sliding exact tracking control based on high-order log-type time-varying BLFs for high-order nonlinear systems | |
CN109031959B (zh) | 一种非一致非线性系统协同控制方法及控制系统 | |
CN114637278A (zh) | 一种多领导者与切换拓扑下的多智能体容错编队跟踪控制方法 | |
CN112198796B (zh) | 一种分布式前置时间状态观测器的设计方法 | |
CN111781830A (zh) | 基于估计状态扰动观测的混合阶机电系统协同控制方法 | |
CN109188914B (zh) | 一种n阶混合非线性系统的协同控制方法及控制系统 | |
CN112925197B (zh) | 基于有限时间的多智能体系统二分一致跟踪方法 | |
CN108984950A (zh) | 一种基于领航—跟随模型的复杂多网络的同步控制方法 | |
CN113848701B (zh) | 不确定性有向网络的分布式平均跟踪方法 |
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 |