CN111814333A - 奇异Lur’e网络聚类同步的牵制节点选择方法 - Google Patents
奇异Lur’e网络聚类同步的牵制节点选择方法 Download PDFInfo
- Publication number
- CN111814333A CN111814333A CN202010653173.9A CN202010653173A CN111814333A CN 111814333 A CN111814333 A CN 111814333A CN 202010653173 A CN202010653173 A CN 202010653173A CN 111814333 A CN111814333 A CN 111814333A
- Authority
- CN
- China
- Prior art keywords
- lur
- network
- node
- synchronization
- cluster
- 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
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 35
- 230000008878 coupling Effects 0.000 claims abstract description 34
- 238000005859 coupling reaction Methods 0.000 claims abstract description 34
- 230000001360 synchronised effect Effects 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000012886 linear function Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000001568 sexual effect Effects 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 11
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 208000011231 Crohn disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Multi Processors (AREA)
Abstract
本发明提供一种奇异Lur’e网络聚类同步的牵制节点选择方法,包括:步骤S1,考虑一类追随者Lur’e网络并确认其领导节点;步骤S2,通过传感器获得各节点状态信息并建立误差网络模型;步骤S3,返回各邻接节点的状态信息并布置自适应牵制控制器;步骤S4,选取李雅普诺夫函数并在自适应牵制控制器的控制效果下达到聚类同步;步骤S5,通过搭建网络模型并利用此网络模型进行数值仿真,来验证追随者网络模型与领导节点之间的同步效果。本发明有效减少控制器个数同时降低控制成本。考虑到网络具有多种耦合方式,本文合理构造Lyapunov泛函,并有效利用扇形条件、非线性函数类概念以及Lyapunov稳定性定理等方法,给出了奇异Lur’e动态网络实现聚类同步的判定条件。
Description
技术领域
本发明涉及一种复杂网络同步方法,属于信息技术领域。
背景技术
近二十年来,复杂系统和复杂动态网络已成为生态科学、工程学和社会学等诸多学科领域广泛关注和研究的热点。现实世界和人类社会中存在大量与人们日常生活密切相关的复杂网络,如通信网、社交网和互联网等。网络上传播、扩散和同步等动力学行为是复杂动态网络研究的基本问题,尤其是同步这一集群行为更是受到了广泛关注。在当前文献中,许多重要的同步现象和模型已经得到了深入的研究,如全局同步,相同步和聚类同步等。
一般来说,聚类同步是指每一聚类中的任意动态节点相互同步而不同聚类之间没有要求。在现有大多数聚类同步工作中,考虑的都是具有非奇异节点的一般网络的聚类同步问题,即所有节点的局部动力学行为都是相同的。显然,假设所有节点都是具有相同的动力学行为很不现实,例如在新陈代谢、神经或者社交网络中,不同聚类中任意一对节点按照其功能划分是不同的。
事实上,大部分复杂网络是无法通过调节系统自身参数实现同步,因此设计合适的控制器就变得至关重要。现如今已经出现了许多有效的控制策略,如牵制控制,脉冲控制,自适应控制等。由于复杂网络具有规模巨大这一特点,从而为每一个节点施加控制器在现实中变得异常困难。而牵制控制作为一种仅控制一小部分节点的控制方式,受到广泛关注。另一方面,为了实现网络的同步,针对网络控制器一般需要非常大的控制器强度,这样不仅增加了控制成本同时造成了资源浪费。因此,樊春霞等提出了一种自适应牵制控制方法来实现复杂网络的同步。
对于一个复杂网络而言,状态向量是用来表示当前系统的空间位置,而状态导数向量则可以被看作是不同系统之间的信息交换速率。所以针对导数型耦合复杂网络,当前系统的变化率是由当前系统的动力学性态和与之相邻系统的变化率共同决定的。
到目前为止,具有奇异Lur’e系统经非线性、时滞和导数方式耦合而成的复杂动态网络的聚类同步问题还很少受到关注。理论证明的复杂性和实际应用的重要性促使本申请进行这项工作。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种奇异Lur’e网络聚类同步的牵制节点选择方法,充分考虑了复杂网络局部动力学行为不是完全相同这一现实情况,对奇异Lur’e网络进行建模;对奇异Lur’e网络进行建模时,同时考虑了三种不同的耦合方法,即一般状态耦合、延迟状态耦合和状态导数耦合;充分考虑了现有聚类中的Lur’e系统与其他聚类中的Lur’e系统存在定向路径情况,设计了一种自适应牵制控制器,巧妙选择受控节点。本发明采用的技术方案是:
一种奇异Lur’e网络聚类同步的牵制节点选择方法,包括:
步骤S1,考虑一类追随者Lur’e网络并确认其领导节点;
步骤S2,通过传感器获得各节点状态信息并建立误差网络模型;
步骤S3,返回各邻接节点的状态信息并布置自适应牵制控制器;
步骤S4,选取李雅普诺夫函数并在自适应牵制控制器的控制效果下达到聚类同步;
步骤S5,通过搭建网络模型并利用此网络模型进行数值仿真,来验证追随者网络模型与领导节点之间的同步效果。
进一步地,步骤S1具体包括:
将每个聚类中的同步问题看成是一类领导-跟随问题;一个追随者Lur’e网络是由多个Lur’e系统经非线性、时滞和导数方式耦合而成的,第μi个聚类其具体网络模型如下:
其中:是节点的状态向量i=1,2…,M;是常数矩阵;τ>0是耦合时滞,正常数c1,c2,c3是网络的耦合强度;Γ=diag{r1,r2,…,rn}表示内部耦合矩阵,为了简单起见,假设Γ为单位矩阵;是在上连续可微的非线性函数;和是由网络拓扑结构所决定的耦合矩阵,另外它还满足耗散条件,即和其中如果第j个Lur’e系统与第i个Lur’e系统有连接,bij(≠bji)>0(qij(≠qji)>0),否则bij=0(qij=0);是导数型耦合矩阵,并假设它是对称矩阵且满足耗散条件,即当第j个Lur’e系统与第i个Lur’e系统相连时有wij=wji>0,否则wij=wji=0;ui(t)是自适应牵制控制器;是非线性耦合函数且记
Ayi(t)=[a1yi(t),a2yi(t),…anyi(t)]T,#(2)
确认领导节点:一类具有不同节点的追随者Lur’e网络,将其分成若干个聚类并在每个聚类中任意选取一个节点作为领导节点;确认如下第μi个聚类的领导节点为:
进一步地,步骤S2具体包括:
为了简化分析,定义下列函数:
根据上述定义以及扇形条件(4),得到如下条件:
显然上式等价于
进一步地,步骤S3具体包括:
为了实现公式(1)表示的追随者Lur’e网络即节点与公式(5)表示的领导节点之间的网络同步,通过向每个节点传输邻接节点与目标同步节点的状态信息,和矩阵B满足耗散条件,则对于所有有因此,针对设计了如下自适应牵制控制器ui(t):
本发明的优点在于:
1)为了反映耦合网络的真实情况,本发明考虑了具有三种不同耦合方式的奇异Lur’e网络模型,一般状态耦合、延迟状态耦合、导数状态耦合。由此可以知道,第i个Lur’e系统的变化速度是由第i个Lur’e系统的动力学及其相邻神经网络的速度决定的。
2)本发明中只要满足结论中所提及的两个条件则就可以实现奇异Lur’e网络的聚类同步。
3)在本发明中通过设计的牵制控制从而有效减少控制器个数,并通过针对控制强度设计自适应更新法则,得到最优控制强度,最终有效降低了控制成本。
4)在本发明中通过引用非线性函数类概念(NCF)、S-过程以及扇形条件等方法得到的充分条件有效降低了系统的保守性。
附图说明
图1为本发明实施例中的方法流程图。
图2为本发明实施例中的自适应牵制控制的奇异Lur’e网络聚类同步实现流程图。
图3为本发明实施例中的Lur’e系统结构图。
图4为本发明实施例中的每个聚类的同步误差示意图。
图5为本发明实施例中的两个聚类之间同步误差示意图。
图6为本发明实施例中的自适应控制强度演化曲线示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明实施例提出一种奇异Lur’e网络聚类同步的牵制节点选择方法,包括:
步骤S1,考虑一类追随者Lur’e网络并确认其领导节点;
此步骤中,考虑一类追随者Lur’e网络并确认其领导节点,因此可将本申请中的同步问题看成是一类领导-跟随问题;一个追随者Lur’e网络是由多个Lur’e系统(节点)经非线性、时滞和导数方式耦合而成的,第μi个聚类其具体网络模型如下:
其中:是节点的状态向量i=1,2…,M;是常数矩阵;τ>0是耦合时滞,正常数c1,c2,c3是网络的耦合强度;Γ=diag{r1,r2,…,rn}表示内部耦合矩阵,为了简单起见,假设Γ为单位矩阵;是在上连续可微的非线性函数;和是由网络拓扑结构所决定的耦合矩阵,另外它还满足耗散条件,即和其中如果第j个Lur’e系统与第i个Lur’e系统有连接,bij(≠bji)>0(qij(≠qji)>0),否则bij=0(qij=0);是导数型耦合矩阵,并假设它是对称矩阵且满足耗散条件,即当第j个Lur’e系统与第i个Lur’e系统相连时有wij=wji>0,否则wij=wji=0;ui(t)是自适应牵制控制器,它将在之后被设计;是非线性耦合函数且记
Ayi(t)=[a1yi(t),a2yi(t),…anyi(t)]T,#(2)
确认领导节点:由于本申请讨论的是一类具有不同节点的追随者Lur’e网络,所以要将其分成若干个聚类并在每个聚类中任意选取一个节点作为领导节点;在本申请中,确认如下第μi个聚类的领导节点为:
步骤S2,通过传感器获得各节点状态信息并建立误差网络模型;具体包括:
为了简化分析,定义下列函数:
根据上述定义以及扇形条件(4),得到如下条件:
显然上式等价于
步骤S3,返回各邻接节点的状态信息并布置自适应牵制控制器;
为了实现公式(1)表示的追随者Lur’e网络即节点与公式(5)表示的领导节点之间的网络同步,通过向每个节点传输邻接节点与目标同步节点的状态信息,和矩阵B满足耗散条件,则对于所有有因此,针对设计了如下自适应牵制控制器ui(t):
本发明所设计的自适应牵制控制器中第一部分用于同步同一聚类中的所有Lur’e系统,而其余几项则用于削弱不同聚类之间由Lur’e系统连接造成的相互影响;
定义:若对于任意初值,只有当μi=μj时才有limt→∞||yi-yj||=0,而当μi≠μj时limt→∞||yi-yj||≠0则称有g个聚类的复杂动态网络是聚类同步的;
下面,将讨论具有非线性、时滞和导数方式耦合的公式(1)表示的追随者Lur’e网络的聚类同步条件;所有的数学表述都是基于Lyapunov稳定性定理、扇形条件、非线性函数类概念等方法,本发明利用所设计的公式(10)表示的自适应牵制控制器实现公式(1)表示的追随者Lur’e网络即节点与公式(5)表示的领导节点之间聚类同步的充分条件;
步骤S4,选取李雅普诺夫函数并在自适应牵制控制器的控制效果下达到聚类同步;
在上面所设计的自适应牵制控制器的作用下并选取如下李雅普诺夫函数:
分别考虑V1(t),V2(t),V3(t),V4(t)四部分,记
利用克罗克内积将V1(t)表示为
有如下不等式成立:
其中,
对于V3(t),有
其中:
根据结论中的条件(ii),可以得到V2(t)+V3(t)+V4(t)<0;
综上可知由李雅普诺夫稳定性定理和定义可知公式(1)表示的追随者Lur’e网络可实现聚类同步,即ei(t)→0,∈i(t)→∈i(t→∞);也就是说,节点在每个聚类(第μi聚类同步到目标状态)中完全同步到相应聚类的目标状态;因此,聚类同步流是全局稳定的;
结论:
(ii)对于一个正定对角矩阵C,有
则公式(6)表示的被控奇异Lur’e误差网络是全局稳定的,即在控制强度自适应法则:
和公式(10)表示的自适应牵制控制器作用下,公式(1)表示的追随者Lur’e网络即节点与公式(5)表示的领导节点可实现聚类同步,
步骤S5,通过搭建网络模型并利用此网络模型进行数值仿真,来验证追随者网络模型与领导节点之间的同步效果;
以下是一个具体的数值仿真实例;
步骤1:确定追随者Lur’e网络和领导节点;选择经典Lur’e系统的代表,考虑如下蔡氏电路:
选取6个蔡氏电路组成的追随者Lur’e网络如图3,其中数字1,2,3,4,5,6表示6个Lur’e追随者节点,而1,2,3三个追随节点构成聚类U1={1,2,3},后面3个追随者节点构成聚类U2={4,5,6},从图3中可以看出只有节点2和节点4是属于不同聚类且直接相连的节点,所以选择这两个节点作为牵制节点,其中属于聚类U1的Lur’e系统动态行为如公式(23),而属于聚类U2的Lur’e系统动态行为如公式(24);
步骤2:取非线性耦合函数lk∈NCF(1.3,0.2),k=1,2,3。并令ρ=0.5,γ1=0.1,Δ1=1,γ2=0.1,Δ2=1,τ=0.1,c1=0.95,c2=0.5,c3=0.1使用MATLAB线性矩阵不等式工具箱解线性矩阵不等式(20)-(22)可以得到满足公式(1)表示的奇异追随者Lur’e网络的具体参数:Z1=8.153,Z2=11.834,η=1以及正定对角阵C=diag{0.5741,0.5741,0.033,0.2447,0.1339},P=diag{0,2.085,0,2.361,0,0}。
步骤3:搭建公式(1)表示的奇异追随者Lur’e网络的Simulink模型,得到仿真结果,并通过定义同步误差得到图4,表示聚类1和聚类2的同步误差随着时间t的演化曲线 i∈U1,j+3∈U2得到图5表示两个聚类之间的误差。根据自适应更新定律(22),得到图6表示自适应控制强度随时间变化曲线。通过对上述图4-图6分析可知,在同一个聚类中的每个Lur’e系统是完全同步的,而在不同聚类里的任何两个Lur’e系统是不同步的,再结合定义可知此追随者Lur’e网络实现了聚类同步。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种奇异Lur’e网络聚类同步的牵制节点选择方法,其特征在于,包括:
步骤S1,考虑一类追随者Lur’e网络并确认其领导节点;
步骤S2,通过传感器获得各节点状态信息并建立误差网络模型;
步骤S3,返回各邻接节点的状态信息并布置自适应牵制控制器;
步骤S4,选取李雅普诺夫函数并在自适应牵制控制器的控制效果下达到聚类同步;
步骤S5,通过搭建网络模型并利用此网络模型进行数值仿真,来验证追随者网络模型与领导节点之间的同步效果。
2.如权利要求1所述的奇异Lur’e网络聚类同步的牵制节点选择方法,其特征在于,
步骤S1具体包括:
将同步问题看成是一类领导-跟随问题;一个追随者Lur’e网络是由多个Lur’e系统经非线性、时滞和导数方式耦合而成的,其具体网络模型如下:
其中:是节点的状态向量i=1,2…,M;是常数矩阵;τ>0是耦合时滞,正常数c1,c2,c3是网络的耦合强度;Γ=diag{r1,r2,…,rn}表示内部耦合矩阵,为了简单起见,假设Γ为单位矩阵;是在上连续可微的非线性函数;和是由网络拓扑结构所决定的耦合矩阵,另外它还满足耗散条件,即和其中如果第j个Lur’e系统与第i个Lur’e系统有连接,bij(≠bji)>0(qij(≠qji)>0),否则bij=0(qij=0);是导数型耦合矩阵,并假设它是对称矩阵且满足耗散条件,即当第j个Lur’e系统与第i个Lur’e系统相连时有wij=wji>0,否则wij=wji=0;ui(t)是自适应牵制控制器;L(y(t)):是非线性耦合函数且记
Ayi(t)=[a1yi(t),a2yi(t),…anyi(t)]T,#(2)
确认领导节点:一类具有不同节点的追随者Lur’e网络,将其分成若干个聚类并在每个聚类中任意选取一个节点作为领导节点;确认如下第μi个聚类的领导节点为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653173.9A CN111814333A (zh) | 2020-07-08 | 2020-07-08 | 奇异Lur’e网络聚类同步的牵制节点选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653173.9A CN111814333A (zh) | 2020-07-08 | 2020-07-08 | 奇异Lur’e网络聚类同步的牵制节点选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814333A true CN111814333A (zh) | 2020-10-23 |
Family
ID=72842647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010653173.9A Pending CN111814333A (zh) | 2020-07-08 | 2020-07-08 | 奇异Lur’e网络聚类同步的牵制节点选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814333A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379593A (zh) * | 2020-11-05 | 2021-02-19 | 广东技术师范大学 | 一种基于连接关系符号的复杂网络节点动态分类自适应控制方法 |
CN113467242A (zh) * | 2021-07-06 | 2021-10-01 | 东北大学秦皇岛分校 | 受牵制控制的时滞耦合网络系统同步域分岔分析方法 |
CN113820978A (zh) * | 2021-09-08 | 2021-12-21 | 华侨大学 | 一种网络遥操作机器人系统的准同步控制方法 |
WO2022222229A1 (zh) * | 2021-04-21 | 2022-10-27 | 江南大学 | 耦合神经网络有界聚类投影同步调节控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039745A (zh) * | 2018-08-07 | 2018-12-18 | 东北大学 | 基于社区划分的复杂网络聚类同步的牵制节点选择方法 |
US20180367371A1 (en) * | 2017-06-16 | 2018-12-20 | Cisco Technology, Inc. | Handling controller and node failure scenarios during data collection |
CN111221311A (zh) * | 2020-02-26 | 2020-06-02 | 江南大学 | 基于参数变分法的复杂网络分布式脉冲同步方法及系统 |
-
2020
- 2020-07-08 CN CN202010653173.9A patent/CN111814333A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180367371A1 (en) * | 2017-06-16 | 2018-12-20 | Cisco Technology, Inc. | Handling controller and node failure scenarios during data collection |
CN109039745A (zh) * | 2018-08-07 | 2018-12-18 | 东北大学 | 基于社区划分的复杂网络聚类同步的牵制节点选择方法 |
CN111221311A (zh) * | 2020-02-26 | 2020-06-02 | 江南大学 | 基于参数变分法的复杂网络分布式脉冲同步方法及系统 |
Non-Patent Citations (4)
Title |
---|
ZE TANG,ET AL.: "Adaptive Cluster Synchronization of Complex Networks with Identical and Nonidentical Lur’e Systems", ELECTRONICS, vol. 9, no. 5, 25 April 2020 (2020-04-25), pages 706 * |
李绍林等: "具有输出耦合的Lur’e复杂网络的自适应输出反馈牵制控制", 红河学院学报, vol. 14, no. 5, 8 October 2016 (2016-10-08), pages 60 - 65 * |
樊春霞等: "输出耦合的复杂网络自适应牵制同步", 应用科学学报, vol. 28, no. 2, 15 March 2010 (2010-03-15), pages 203 - 208 * |
胡萌萌等: "非线性时滞耦合异构Lur\'e网络的拟同步", 深圳大学学报 (理工版), vol. 35, no. 1, 25 January 2018 (2018-01-25), pages 85 - 91 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379593A (zh) * | 2020-11-05 | 2021-02-19 | 广东技术师范大学 | 一种基于连接关系符号的复杂网络节点动态分类自适应控制方法 |
WO2022222229A1 (zh) * | 2021-04-21 | 2022-10-27 | 江南大学 | 耦合神经网络有界聚类投影同步调节控制方法及系统 |
CN113467242A (zh) * | 2021-07-06 | 2021-10-01 | 东北大学秦皇岛分校 | 受牵制控制的时滞耦合网络系统同步域分岔分析方法 |
CN113820978A (zh) * | 2021-09-08 | 2021-12-21 | 华侨大学 | 一种网络遥操作机器人系统的准同步控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814333A (zh) | 奇异Lur’e网络聚类同步的牵制节点选择方法 | |
CN108803349B (zh) | 非线性多智能体系统的最优一致性控制方法及系统 | |
Shang et al. | Consensus tracking control for distributed nonlinear multiagent systems via adaptive neural backstepping approach | |
Yu et al. | Second-order consensus for multiagent systems with directed topologies and nonlinear dynamics | |
Li et al. | Off-policy reinforcement learning for synchronization in multiagent graphical games | |
Hu et al. | Swarming behavior of multiple Euler–Lagrange systems with cooperation–competition interactions: An auxiliary system approach | |
Wang et al. | Pinning control strategies for synchronization of linearly coupled neural networks with reaction–diffusion terms | |
Zhan et al. | Consensus of sampled-data multi-agent networking systems via model predictive control | |
Wang et al. | Linear quadratic optimal consensus of discrete-time multi-agent systems with optimal steady state: A distributed model predictive control approach | |
Chu et al. | Observer-based consensus tracking of multi-agent systems with one-sided Lipschitz nonlinearity | |
Jin et al. | Distributed and time-delayed-winner-take-all network for competitive coordination of multiple robots | |
Cai et al. | Distributed consensus control for second-order nonlinear multi-agent systems with unknown control directions and position constraints | |
CN111523648B (zh) | 含有聚类拓扑耦合的神经网络脉冲同步方法及系统 | |
CN111178496A (zh) | 多代理强化学习合作任务场景下的代理间交换知识的方法 | |
Liu et al. | Distributed adaptive fuzzy control approach for prescribed-time containment of uncertain nonlinear multi-agent systems with unknown hysteresis | |
Sakthivel et al. | Synchronization of complex dynamical networks with random coupling delay and actuator faults | |
Li et al. | Flocking of multi‐agents following a leader with adaptive protocol in a noisy environment | |
Lu et al. | Time‐varying group formation‐tracking control for general linear multi‐agent systems with switching topologies and unknown input | |
Shekhar et al. | Optimal and sensitivity analysis of vacation queueing system with F-policy and vacation interruption | |
Geng et al. | Learning to cooperate in decentralized multi-robot exploration of dynamic environments | |
Yan et al. | Robust formation control for multiagent systems based on adaptive observers | |
Ebegbulem et al. | Distributed control of multi-agent systems over unknown communication networks using extremum seeking | |
Du et al. | Bipartite time-varying formation group containment control for multi-agent systems based on multi-layer network and semi-signed directed graph | |
CN112131693B (zh) | 基于脉冲牵制自适应控制的Lur`e网络聚类同步方法 | |
Sui et al. | Observer-based event-triggered bipartite consensus for nonlinear multi-agent systems: Asymmetric full-state constraints |
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 |