CN113239513B - 多智能体的一致性分析方法、系统及应用 - Google Patents

多智能体的一致性分析方法、系统及应用 Download PDF

Info

Publication number
CN113239513B
CN113239513B CN202110356663.7A CN202110356663A CN113239513B CN 113239513 B CN113239513 B CN 113239513B CN 202110356663 A CN202110356663 A CN 202110356663A CN 113239513 B CN113239513 B CN 113239513B
Authority
CN
China
Prior art keywords
consistency
agent
matrix
uncertainty
convex hull
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
CN202110356663.7A
Other languages
English (en)
Other versions
CN113239513A (zh
Inventor
王昭
金丹
李明强
陈思
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.)
CETC Information Science Research Institute
Original Assignee
CETC Information Science Research Institute
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 CETC Information Science Research Institute filed Critical CETC Information Science Research Institute
Priority to CN202110356663.7A priority Critical patent/CN113239513B/zh
Publication of CN113239513A publication Critical patent/CN113239513A/zh
Application granted granted Critical
Publication of CN113239513B publication Critical patent/CN113239513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Feedback Control In General (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本公开提供一种多智能体系统的一致性分析方法、系统及应用。包括：将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统；采用多面体近似方法，将非线性不确定性系统近似表示为线性凸包模型；利用李雅普诺夫稳定性理论求解线性凸包模型，得到多智能体系统达到状态一致的充分条件。本公开创新性地将带有可变延迟的多智能体系统转换为带有系统不确定性的时滞系统，将前者的系统一致性等价为后者的系统稳定性，为采用李雅普诺夫稳定性原理创造了条件。相比以往的方法，本公开在计算复杂度与保守性的指标上均表现更好，可以在节约运算力的情况下得到更为精确的系统一致性条件。

Description

多智能体的一致性分析方法、系统及应用
技术领域
本公开属于自动控制技术领域，具体涉及一种多智能体的一致性分析方法、系统及应用。
背景技术
近年来，关于多智能体系统的协调控制问题越来越受到工程技术领域和科学研究领域的关注。目前，已在无人机编队、交通控制等领域得到应用。多智能体系统控制问题的基本研究包括一致性问题、编队控制、会和控制和聚结控制，后三个为一致性问题的推广。在实际应用中，多智能体系统需要依靠通信网络进行数据传输，那么通信网络的一些缺陷就成为了影响多智能体系统性能的重要因素，例如通信网络有限的带宽和容量，以及因此导致的通信延迟等。
目前，针对带有通信延迟的多智能体系统的一致性问题，各文献中所用的一致性协议的形式大体一致，但一致性分析的方法不同，由此得出的系统一致性条件(保证多智能体系统具有一致性时控制器参数及通信延迟需要满足的条件)在计算复杂度和保守性的表现各不相同，且适用范围也不一致。例如，基于广义奈奎斯特准则与频域控制理论的方法只能解决通信延迟固定且已知的情况；基于状态预估器和事件驱动的一致性控制方法只利用了智能体触发时刻的状态对其当前状态进行粗略估计，估计的误差较大，导致结果的保守性较大。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一，提供一种多智能体的一致性分析方法、系统及应用。
本公开的一方面，提供一种多智能体系统的一致性分析方法，所述方法包括：
将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统；
采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型；
利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件。
在一些实施方式中，所述将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统，包括：
假设多智能体系统满足如下动态方程：
Figure BDA0003004146430000021
其中，xi(t)为t时刻第i个智能体的状态，
Figure BDA0003004146430000022
和/>
Figure BDA0003004146430000023
为系统矩阵；
采用如下一致性控制协议：
ui(t)＝∑kij(xj(t-τ)-xi(t-τ))
其中，kij为控制器增益，τ为通信延迟，且满足τ∈[τmin,τmax]；
将所述多智能体系统以h为采样间隔进行离散化，得到如下非线性不确定性系统：
Figure BDA0003004146430000024
其中，ξ＝(x1,x2,…,xN)，u＝(u1,u2,…,uN)；
Figure BDA0003004146430000025
L为所述多智能体系统的拉普拉斯矩阵。
在一些实施方式中，所述采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型，包括：
假设系统矩阵A具有约当变换A＝QJQ-1，其中J为由系统矩阵A的特征值λ1,λ2,…,λn构成的对角矩阵；
令
Figure BDA0003004146430000031
Figure BDA0003004146430000032
Figure BDA0003004146430000033
Figure BDA0003004146430000034
其中，τ*＝τmax-τ，T＝τmax-τmin，gi,j和
Figure BDA0003004146430000035
分别为向量gi和/>
Figure BDA0003004146430000036
的第j个分量；令Np＝n+1表示凸包的顶点数，则Gi满足：
Figure BDA0003004146430000037
其中，Gi为多面体的顶点；
所述非线性不确定性系统可近似写成如下线性凸包模型：
Figure BDA0003004146430000038
其中，
Figure BDA0003004146430000039
X是由kij构成的矩阵。
在一些实施方式中，所述利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件，包括：
根据李雅普诺夫稳定性原理，得到如下的系统一致性条件：
存在正定矩阵Pi满足
Figure BDA00030041464300000310
求解上述线性矩阵不等式，得到所述多智能体系统达到状态一致的充分条件。
本公开的另一方面，提供一种多智能体系统的一致性分析系统，所述系统包括：
离散化模块，用于将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统；
处理模块，用于采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型；
求解模块，用于利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件。
在一些实施方式中，所述离散化模块，用于将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统，包括：
所述离散化模块，具体用于：
假设多智能体系统满足如下动态方程：
Figure BDA0003004146430000041
其中，xi(t)为t时刻第i个智能体的状态，
Figure BDA0003004146430000042
和/>
Figure BDA0003004146430000043
为系统矩阵；
采用如下一致性控制协议：
ui(t)＝∑kij(xj(t-τ)-xi(t-τ))
其中，kij为控制器增益，τ为通信延迟，且满足τ∈[τmin,τmax]；
将所述多智能体系统以h为采样间隔进行离散化，得到如下非线性不确定性系统：
Figure BDA0003004146430000044
其中，ξ＝(x1,x2,…,xN)，u＝(u1,u2,…,uN)；
Figure BDA0003004146430000045
L为所述多智能体系统的拉普拉斯矩阵。
在一些实施方式中，所述处理模块，用于采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型，包括：
所述处理模块，用于：
假设系统矩阵A具有约当变换A＝QJQ-1，其中J为由系统矩阵A的特征值λ1,λ2,…,λn构成的对角矩阵；
令
Figure BDA0003004146430000051
Figure BDA0003004146430000052
Figure BDA0003004146430000053
Figure BDA0003004146430000054
其中，τ*＝τmax-τ，T＝τmax-τmin，gi,j和
Figure BDA0003004146430000055
分别为向量gi和/>
Figure BDA0003004146430000056
的第j个分量；令Np＝n+1表示凸包的顶点数，则Gi满足：
Figure BDA0003004146430000057
其中，Gi为多面体的顶点。
所述非线性不确定性系统可近似写成如下线性凸包模型：
Figure BDA0003004146430000058
其中，
Figure BDA0003004146430000059
X是由kij构成的矩阵。
在一些实施方式中，所述求解模块，用于利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件，包括：
所述求解模块，用于：
根据李雅普诺夫稳定性原理，得到如下的系统一致性条件：
存在正定矩阵Pi满足
Figure BDA0003004146430000061
求解所述上述线性矩阵不等式，得到所述多智能体系统达到状态一致的充分条件。
本公开的另一方面，提供一种多智能体系统的一致性分析方法的应用，采用前文记载的所述的一致性分析方法对无人机群的分布式协同运动进行控制。
本公开的另一方面，提供一种多智能体系统的一致性分析系统的应用，采用前文记载的所述的一致性分析系统对无人机群的分布式协同运动进行控制。
本公开的多智能体系统的一致性分析方法、系统及应用，将具有可变通信延迟的连续多智能体系统的一致性问题转化为时滞系统的稳定性问题，采用多面体近似的方法得到系统的近似线性凸包模型，并利用李雅普诺夫稳定性理论得到了多智能体系统能够最终达到状态一致的充分条件。与以往的多智能体一致性分析方法相比，基于多面体近似的分析方法计算复杂度更低，同时能够得到保守性更小的系统一致性条件。
附图说明
图1为本公开一实施例的多智能体系统的一致性分析方法的流程图；
图2为本公开另一实施例的多面体近似方法(NM)与约当型法(JF)、克雷-汉密尔顿法(CH)得到的系统近似多面体对比图；
图3为本公开另一实施例的多智能体系统的一致性分析系统的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和具体实施方式对本公开作进一步详细描述。
本实施例的一方面，如图1所示，涉及一种多智能体系统的一致性分析方法S100，所述方法S100包括：
S110、将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统。
S120、采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型。
S130、利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件。
本实施例的多智能体系统的一致性分析方法，将具有可变通信延迟的连续多智能体系统的一致性问题转化为时滞系统的稳定性问题，采用多面体近似的方法得到系统的近似线性凸包模型，并利用李雅普诺夫稳定性理论得到了多智能体系统能够最终达到状态一致的充分条件。与以往的多智能体一致性分析方法相比，基于多面体近似的分析方法计算复杂度更低，同时能够得到保守性更小的系统一致性条件。
在一些实施方式中，所述将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统，包括：
假设多智能体系统满足如下动态方程：
Figure BDA0003004146430000071
其中，xi(t)为t时刻第i个智能体的状态，
Figure BDA0003004146430000072
和/>
Figure BDA0003004146430000073
为系统矩阵。采用如下一致性控制协议：
ui(t)＝∑kij(xj(t-τ)-xi(t-τ))
其中，kij为控制器增益，τ为通信延迟，且满足τ∈[τmin,τmax]；
将所述多智能体系统以h为采样间隔进行离散化，得到如下非线性不确定性系统：
Figure BDA0003004146430000074
其中，ξ＝(x1,x2,…,xN)，u＝(u1,u2,…,uN)；
Figure BDA0003004146430000081
L为所述多智能体系统的拉普拉斯矩阵。
在一些实施方式中，所述采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型，包括：
假设系统矩阵A具有约当变换A＝QJQ-1，其中J为由系统矩阵A的特征值λ1,λ2,…,λn构成的对角矩阵；
令
Figure BDA0003004146430000082
Figure BDA0003004146430000083
Figure BDA0003004146430000084
Figure BDA0003004146430000085
其中，τ*＝τmax-τ，T＝τmax-τmin，gi,j和
Figure BDA0003004146430000086
分别为向量gi和/>
Figure BDA0003004146430000087
的第j个分量。令Np＝n+1表示凸包的顶点数，则Gi满足：
Figure BDA0003004146430000088
其中，Gi为多面体的顶点。
所述非线性不确定性系统可近似写成如下线性凸包模型：
Figure BDA0003004146430000089
其中，
Figure BDA00030041464300000810
K是由kij构成的矩阵。
在一些实施方式中，所述利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件，包括：
根据李雅普诺夫稳定性原理，得到如下的系统一致性条件：
存在正定矩阵Pi满足
Figure BDA0003004146430000091
求解上述线性矩阵不等式，得到所述多智能体系统达到状态一致的充分条件。
如图2所示，其为采用本实施例的多面体近似方法(NM)与传统的约当型法(JF)、克雷-汉密尔顿法(CH)得到的系统近似多面体的对比图。在该对比图中，系统矩阵采取：
Figure BDA0003004146430000092
可以看出，本实施例采用的多面体近似方法中，多面体顶点数更少，多面体更小，表明其在计算复杂度与保守性方面均有优势。
本公开的多智能体系统的一致性分析方法，创新性地将带有可变延迟的多智能体系统转换为带有系统不确定性的时滞系统，将前者的系统一致性等价为后者的系统稳定性，为采用李雅普诺夫稳定性原理创造了条件。相比以往直接分析多智能体系统一致性的方法，形式更加简洁直接。本公开还提出了一种新型的多面体近似方法，相比以往的方法，新方法在计算复杂度与保守性的指标上均表现更好，由此可以在更加节约运算力的情况下得到更为精确的系统一致性条件。
本公开的另一方面，如图3所示，提供一种多智能体系统的一致性分析系统100，该系统100可以应用于前文记载的一致性分析方法，具体可以参考前文相关记载，在此不作赘述。所述系统100包括：
离散化模块110，用于将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统；
处理模块120，用于采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型；
求解模块130，用于利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件。
本实施例的多智能体系统的一致性分析系统，将具有可变通信延迟的连续多智能体系统的一致性问题转化为时滞系统的稳定性问题，采用多面体近似的方法得到系统的近似线性凸包模型，并利用李雅普诺夫稳定性理论得到了多智能体系统能够最终达到状态一致的充分条件。与以往的多智能体一致性分析系统相比，基于多面体近似的分析方法计算复杂度更低，同时能够得到保守性更小的系统一致性条件。
在一些实施方式中，所述离散化模块110，用于将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统，包括：
所述离散化模块110，具体用于：
假设多智能体系统满足如下动态方程：
Figure BDA0003004146430000101
其中，xi(t)为t时刻第i个智能体的状态，
Figure BDA0003004146430000102
和/>
Figure BDA0003004146430000103
为系统矩阵。采用如下一致性控制协议：
ui(t)＝∑kij(xj(t-τ)-xi(t-τ))
其中，kij为控制器增益，τ为通信延迟，且满足τ∈[τmin,τmax]；
将所述多智能体系统以h为采样间隔进行离散化，得到如下非线性不确定性系统：
Figure BDA0003004146430000104
其中，ξ＝(x1,x2,…,xN)，u＝(u1,u2,…,uN)；
Figure BDA0003004146430000105
L为所述多智能体系统的拉普拉斯矩阵。
在一些实施方式中，所述处理模块120，用于采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型，包括：
所述处理模块120，用于：
假设系统矩阵A具有约当变换A＝QJQ-1，其中J为由系统矩阵A的特征值λ1,λ2,…,λn构成的对角矩阵；
令
Figure BDA0003004146430000111
Figure BDA0003004146430000112
Figure BDA0003004146430000113
Figure BDA0003004146430000114
其中，τ*＝τmax-τ，T＝τmax-τmin，gi,j和
Figure BDA0003004146430000115
分别为向量gi和/>
Figure BDA0003004146430000116
的第j个分量。令Np＝n+1表示凸包的顶点数，则Gi满足：
Figure BDA0003004146430000117
其中，Gi为多面体的顶点。
所述非线性不确定性系统可近似写成如下线性凸包模型：
Figure BDA0003004146430000118
其中，
Figure BDA0003004146430000119
X是由kij构成的矩阵。
在一些实施方式中，所述求解模块130，用于利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件，包括：
所述求解模块130，用于：
根据李雅普诺夫稳定性原理，得到如下的系统一致性条件：
存在正定矩阵Pi满足
Figure BDA0003004146430000121
求解上述线性矩阵不等式，得到所述多智能体系统达到状态一致的充分条件。
本公开的另一方面，提供一种多智能体系统的一致性分析系统的应用，采用前文记载的所述的一致性分析系统对无人机群的分布式协同运动进行控制。
具体地，在无人机群的分布式协同运动控制中，经常需要实现各无人机的运动趋于一致。而无人机间的信息通信具有一定的未知延迟(只知道延迟的最大值与最小值)，此时采用某种在无延迟条件下运行正常的控制方法就无法知道系统是否仍然能够保证一致性(即无论各无人机起始状态如何，最终状态都能趋于一致)。采用本公开提出的一致性分析方法就可以解决这个问题。
除了上述应用以外，本公开的多智能体系统的一致性分析方法还可以应用于其它领域，例如，分布式卫星控制，智能交通等等。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。

Claims (6)

1.一种多智能体系统的一致性分析方法，其特征在于，所述方法包括：
将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统；
采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型；
利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件；
所述将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统，包括：
假设多智能体系统满足如下动态方程：
Figure FDA0004250512770000011
其中，xi(t)为t时刻第i个智能体的状态，
Figure FDA0004250512770000012
和/>
Figure FDA0004250512770000013
为系统矩阵；
采用如下一致性控制协议：
ui(t)＝∑kij(xj(t-τ)-xi(t-τ))
其中，kij为控制器增益，τ为通信延迟，且满足τ∈[τmin,τmax]；
将所述多智能体系统以h为采样间隔进行离散化，得到如下非线性不确定性系统：
Figure FDA0004250512770000014
其中，ξ＝(x1,x2,…,xN)，u＝(u1,u2,…,uN)；
Figure FDA0004250512770000015
为积分运算/>
Figure FDA0004250512770000016
L为所述多智能体系统的拉普拉斯矩阵；
所述采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型，包括：
假设系统矩阵A具有约当变换a＝QJQ-1，其中J为由系统矩阵A的特征值λ1,λ2,…,λn构成的对角矩阵；
令
Figure FDA0004250512770000021
g1＝p(0)＝(0,0,…,0)
g2＝(p1(T),p1(T),…,p1(T))
g3＝(p1(T),p2(T),p2(T),…,p2(T))
g4＝(p1(T),p2(T),p3(T),p3(T),…,p3(T))
Figure FDA0004250512770000022
gn+1＝((p1(T),p2(T),…,pn(T))
Figure FDA0004250512770000023
Figure FDA0004250512770000024
其中，τ*＝τ,ax-τ，T＝τmax-τmin，gi,j和
Figure FDA0004250512770000025
分别为向量gi和/>
Figure FDA0004250512770000026
的第j个分量；令Np＝n+1表示凸包的顶点数，则Gi满足：
Figure FDA0004250512770000027
其中，Gi为多面体的顶点；
所述非线性不确定性系统可近似写成如下线性凸包模型：
Figure FDA0004250512770000028
其中，
Figure FDA0004250512770000029
K是由kij构成的矩阵。
2.根据权利要求1所述的方法，其特征在于，所述利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件，包括：
根据李雅普诺夫稳定性原理，得到如下的系统一致性条件：
存在正定矩阵Pi，满足
Figure FDA0004250512770000031
成立；
求解所述上述线性矩阵不等式，得到所述多智能体系统达到状态一致的充分条件。
3.一种多智能体系统的一致性分析系统，其特征在于，所述系统包括：
离散化模块，用于将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统；
处理模块，用于采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型；
求解模块，用于利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件；
所述离散化模块，用于将带有可变延迟的多智能体系统转换成时滞系统并进行离散化，并将延迟项表示为指数形式的系统不确定性，得到非线性不确定性系统，包括：
所述离散化模块，具体用于：
假设多智能体系统满足如下动态方程：
Figure FDA0004250512770000032
其中，xi(t)为t时刻第i个智能体的状态，
Figure FDA0004250512770000033
和/>
Figure FDA0004250512770000034
为系统矩阵；
采用如下一致性控制协议：
ui(t)＝∑kij(xj(t-τ)-xi(t-τ))
其中，kij为控制器增益，τ为通信延迟，且满足τ∈[τmin,τmax]；
将所述多智能体系统以h为采样间隔进行离散化，得到如下非线性不确定性系统：
Figure FDA0004250512770000035
其中，ξ＝(x1,x2,…,xN)，u＝(u1,u2,…,uN)；
Figure FDA0004250512770000041
为积分运算的自变量，/>
Figure FDA0004250512770000042
Figure FDA0004250512770000043
L为所述多智能体系统的拉普拉斯矩阵；
所述处理模块，用于采用多面体近似方法，将所述非线性不确定性系统近似表示为线性凸包模型，包括：
所述处理模块，用于：
假设系统矩阵A具有约当变换A＝QJQ-1，其中J为由系统矩阵A的特征值λ1,λ2,…,λn构成的对角矩阵；
令
Figure FDA0004250512770000044
g1＝p(0)＝(0,0,…,0)
g2＝(p1(T),p1(T),…,p1(T))
g3＝(p1(T),p2(T),p2(T),…,p2(T))
g4＝(p1(T),p2(T),p3(T),p3(T),…,p3(T))
Figure FDA0004250512770000045
gn+1＝((p1(T),p2(T),…,pn(T))
Figure FDA0004250512770000046
Figure FDA0004250512770000047
其中，τ*＝τmax-τ，T＝τmax-τmin，gi,j和
Figure FDA0004250512770000048
分别为向量gi和/>
Figure FDA0004250512770000049
的第j个分量；令Np＝n+1表示凸包的顶点数，则Gi满足：
Figure FDA00042505127700000410
其中，Gi为多面体的顶点；
所述非线性不确定性系统可近似写成如下线性凸包模型：
Figure FDA00042505127700000411
其中，
Figure FDA00042505127700000412
K是由kij构成的矩阵。
4.根据权利要求3所述的系统，其特征在于，所述求解模块，用于利用李雅普诺夫稳定性理论求解所述线性凸包模型，得到所述多智能体系统达到状态一致的充分条件，包括：
所述求解模块，用于：
根据李雅普诺夫稳定性原理，得到如下的系统一致性条件：
存在正定矩阵Pi，满足
Figure FDA0004250512770000051
成立，i,j＝1,2,…,Np；
求解所述上述线性矩阵不等式，得到所述多智能体系统达到状态一致的充分条件。
5.一种多智能体系统的一致性分析方法的应用，其特征在于，采用权利要求1或2所述的一致性分析方法对无人机群的分布式协同运动进行控制。
6.一种多智能体系统的一致性分析系统的应用，其特征在于，采用权利要求3或4所述的一致性分析系统对无人机群的分布式协同运动进行控制。
CN202110356663.7A 2021-04-01 2021-04-01 多智能体的一致性分析方法、系统及应用 Active CN113239513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110356663.7A CN113239513B (zh) 2021-04-01 2021-04-01 多智能体的一致性分析方法、系统及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110356663.7A CN113239513B (zh) 2021-04-01 2021-04-01 多智能体的一致性分析方法、系统及应用

Publications (2)

Publication Number Publication Date
CN113239513A CN113239513A (zh) 2021-08-10
CN113239513B true CN113239513B (zh) 2023-06-30

Family

ID=77130933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110356663.7A Active CN113239513B (zh) 2021-04-01 2021-04-01 多智能体的一致性分析方法、系统及应用

Country Status (1)

Country Link
CN (1) CN113239513B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114721269B (zh) * 2022-04-11 2023-04-28 江南大学 基于脉冲窗的受扰非线性多智能体准一致性方法及系统
CN115562037B (zh) * 2022-11-01 2023-04-25 江南大学 一种非线性多智能体系统控制方法、装置、设备及应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726903A (zh) * 2018-12-19 2019-05-07 中国电子科技集团公司信息科学研究院 基于注意力机制的分布式多智能体协同决策方法
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
CN111176327A (zh) * 2020-01-16 2020-05-19 北京航空航天大学 一种多智能体系统合围控制方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726903A (zh) * 2018-12-19 2019-05-07 中国电子科技集团公司信息科学研究院 基于注意力机制的分布式多智能体协同决策方法
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
CN111176327A (zh) * 2020-01-16 2020-05-19 北京航空航天大学 一种多智能体系统合围控制方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Set-based model predictIve consensus under bounded additive disturbances;Ajay Gautam等;《2013 American control conference》;6157-6162 *
一类时延异构多智能体系统的一致性研究;廖诗来;《中国优秀硕士学位论文全文数据库 (信息科技辑)》(第2期);I140-29 *

Also Published As

Publication number Publication date
CN113239513A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN113239513B (zh) 多智能体的一致性分析方法、系统及应用
US11921505B2 (en) Unmanned surface vehicle control method based on switching T-S fuzzy system under DoS attack
CN110673611B (zh) 一种基于事件触发方案和t-s模糊系统的欠驱动无人艇控制方法
US20230208719A1 (en) Distributed secure state reconstruction method based on double-layer dynamic switching observer
CN107167798B (zh) 基于跟踪精度可控的多雷达认知跟踪方法
CN110456681B (zh) 基于事件触发的中立稳定饱和系统的输出反馈控制器
CN108153259B (zh) 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法
CN110032065A (zh) 一种线性切换系统输出反馈控制器设计方法
WO2022257185A1 (zh) 一种基于人工神经网络的机器人外界接触力估计方法
CN112445135B (zh) 非匹配扰动二阶多智能体系统有限时间一致性控制方法
Zhao et al. Barrier Lyapunov Function-based adaptive prescribed-time extended state observers design for unmanned surface vehicles subject to unknown disturbances
CN112702714A (zh) 一种无人机协作式的车联网运算任务卸载方法
CN112612553A (zh) 一种基于容器技术的边缘计算任务卸载方法
CN104320362A (zh) 一种用于pcma信号盲分离的方法
CN109739089B (zh) 一种无人驾驶船舶非周期采样远程操控系统及设计方法
Babazadeh et al. Event-triggered surrounding adaptive control of nonlinear multi-agent systems
Ge et al. For RF signal-based UAV states recognition, is pre-processing still important at the era of deep learning?
CN117669699A (zh) 一种工业物联网场景下面向数字孪生的语义信息联邦学习方法及系统
CN110213086B (zh) 基于网络控制系统l2-l∞控制的切换系统方法及系统、控制器和控制方法
CN117725719A (zh) 模型仿真推演的仿真方法及装置
US20230297885A1 (en) Big data-based modular ai engine server and driving method of the same
Gu et al. Safety-critical game-based formation control of underactuated autonomous surface vehicles
Luo et al. A review of Internet of Things (IoT) based engineering applications and data fusion challenges for multi-rate multi-sensor systems
CN110928185B (zh) 一种多智能体系统的量化控制方法
CN114137879A (zh) 基于李亚普诺夫函数差分的水面无人艇事件触发控制方法

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