CN113485110A - 一种输出受限非线性系统分布式自适应最优协同控制方法 - Google Patents
一种输出受限非线性系统分布式自适应最优协同控制方法 Download PDFInfo
- Publication number
- CN113485110A CN113485110A CN202110791189.0A CN202110791189A CN113485110A CN 113485110 A CN113485110 A CN 113485110A CN 202110791189 A CN202110791189 A CN 202110791189A CN 113485110 A CN113485110 A CN 113485110A
- Authority
- CN
- China
- Prior art keywords
- optimal
- distributed
- control
- adaptive
- 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.)
- Pending
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)
- Feedback Control In General (AREA)
Abstract
本发明公开的一种输出受限非线性系统分布式自适应最优协同控制方法,属于协同控制技术领域。本发明基于所建立的多智能体严格反馈非线性系统,结合Backstepping控制方法和自适应动态规划技术,构建“前馈+反馈”复合控制架构,定义一致性误差动态面;设计神经网络权值自适应更新律,实现对非线性系统未知函数项的在线估计;提出统一界限李雅普诺夫函数,有效处理系统输出约束,避免基于界限李雅普诺夫函数的控制方法仅适用于输出受限条件的问题;设计分布式前馈自适应虚拟控制输入以及分布式自适应最优反馈实际控制律,保证多智能体系统的协同一致性,提升输出受限条件下闭环系统稳定性和鲁棒性,保证分布式最优协同控制律的最优性,节约控制成本。
Description
技术领域
本发明属于协同控制技术领域,尤其涉及一种输出受限非线性系统分布式自适应最优协同控制方法。
背景技术
近年来,无人机集群、无人车集群、导弹集群等多智能体系统已在军民领域得到广泛关注与快速发展。分布式最优控制技术,凭借其对闭环系统协调一致性与性能最优性方面的有效保障,已得到广大学者专家的青睐与关注,并取得了一定的理论研究成果。然而,现有分布式最优控制方法大多在理想线性化假设条件下通过求解代数黎卡提方程组推导分布式最优协同控制律。考虑实际系统的复杂非线性特性以及多智能体协同导致的强耦合特性,基于线性化假设的分布式最优协同控制律已难以满足非线性多智能体系统强鲁棒、高可靠、自适应控制需求。因此,有必要直接针对非线性多智能体系统设计分布式最优协同控制律,提升闭环系统的鲁棒性和稳定性。但非线性系统的分布式最优协同控制律设计通常涉及Hamilton-Jacobi-Bellman(HJB)方程组的求解问题,而该HJB方程组本质上属于非线性耦合偏微分方程组,通常难以找到其解析解,这给非线性分布式最优协同控制律的设计与应用带来较大技术挑战。
自适应动态规划技术凭借其对非线性函数的近似高效逼近最优代价函数,能够实现耦合HJB方程组的在线近似求解,是解决复杂非线性最优控制问题的有效工具。近年来,自适应动态规划技术已被应用于非线性多智能体系统的分布式最优协同控制律的设计中,并取得了一定的理论研究成果。但现有成果大多局限于仿射非线性系统的分布式最优控制律设计且尚未考虑系统输出约束导致的闭环系统稳定性问题,限制了分布式协同控制律的适用范围,降低了闭环系统的稳定性和鲁棒性。尽管部分研究学者已针对多智能体严格反馈非线性系统开展了基于自适应动态规划技术的分布式最优协同控制方法研究,并取得了一定的研究成果。但现有成果大多仅考虑闭环系统的稳定控制问题,尚无法有效处理系统输出约束导致的闭环系统稳定性和最优性难以同时保证的技术难题。因此,有必要设计输出受限的分布式最优协同控制律,从而达到预防输出约束违背,提升闭环系统鲁棒性,实现协同控制器优化的目的。
发明内容
本发明公开的一种输出受限非线性系统分布式自适应最优协同控制方法主要目的是:基于所建立的多智能体严格反馈非线性系统,结合Backstepping控制方法和自适应动态规划技术,构建“前馈+反馈”复合控制架构,定义一致性误差动态面;在此基础上,设计神经网络权值自适应更新律,实现对非线性系统未知函数项的在线估计;提出统一界限李雅普诺夫函数,有效处理系统输出约束;设计分布式前馈自适应虚拟控制输入以及分布式自适应最优反馈实际控制律,保证多智能体系统的协同一致性,提升输出受限条件下闭环系统稳定性和鲁棒性,保证分布式最优协同控制律的最优性,节约控制成本。
本发明的目的是通过如下技术方案实现。
本发明公开的一种输出受限非线性系统分布式自适应最优协同控制方法,通过建立多智能体不确定严格反馈非线性系统模型,结合Backstepping控制方法和自适应动态规划,构建“前馈+反馈”复合控制架构;在此架构下,定义一致性误差动态面,基于李雅普诺夫稳定性理论,设计神经网络权值自适应更新律,实现对非线性系统未知函数项的在线估计;提出统一界限李雅普诺夫函数,有效处理系统输出约束;设计分布式前馈自适应虚拟控制输入,将协同跟踪控制系统转化为等效误差子系统的分布式协同最优反馈控制问题,通过将所定义得协同最优代价函数分解为线性项和非线性项,构建评价网络,设计评价网络权值自适应更新律,在线逼近协同代价函数非线性项,从而设计包含线性反馈项的分布式协同自适应最优反馈实际控制律,保证多智能体系统的协同一致性,提升输出受限条件下闭环系统稳定性和鲁棒性,保证分布式最优协同控制律的最优性,节约控制成本。
本发明公开一种输出受限非线性系统分布式自适应最优协同控制方法,包括以下步骤:
步骤1、建立多智能体不确定严格反馈非线性系统模型。
建立多智能体不确定严格反馈非线性系统模型如公式(1)所示:
其中,N表示智能体总数量,ni表示每个智能体状态变量数,表示第i个智能体的第q个状态变量,表示维度为lq的向量空间,表示xi,q对时间的一阶导数,i=1,2,...,N,q=1,2,...,ni,上标T表示转置;为系统输入向量;表示系统输出向量,yi,k为第i个智能体的第k个变量,k=1,2,...,l1;本发明中系统输出向量满足不等式表示系统输出变量的边界值;表示第i个智能体的内部动力学非线性光滑函数;未知但满足局部李普希兹连续条件且fi,q(0)=0;表示第i个智能体的输入矩阵;函数可逆且满足不等式其中,和均为正常数,||·||表示对变量求2-范数。
步骤2、基于步骤1所建立的多智能体不确定严格反馈非线性系统模型,结合Backstepping控制方法和自适应动态规划,构建“前馈+反馈”复合控制架构;在此架构下,定义一致性误差动态面。
结合Backstepping控制方法和自适应动态规划,构建的“前馈+反馈”复合控制架构如式(2)所示:
在上述所建立的“前馈+反馈”复合控制架构下,定义一致性误差动态面如式(3)所示:
其中,zi,q表示一致性误差变量,aij表示多智能体之间构成的通信拓扑结构中邻接矩阵元素,bi表示第i个跟随智能体与领导者智能体的连接状态;如果第i个跟随智能体能够获取领导者智能体的信息,则bi=1,否则,bi=0;r表示领导者智能体输出参考信号;λi,q表示将分布式虚拟控制变量作为输入的一阶滤波器的输出信号,即:
步骤3、基于Backstepping控制方法和自适应动态规划,通过设计统一的界限李雅普诺夫函数,有效处理系统输出约束;通过构建神经网络,设计神经网络权值自适应更新律,实现对多智能体系统未知函数项的在线估计;基于所设计的神经网络权值自适应更新律以及界限李雅普诺夫函数,在保证闭环系统稳定性的前提下,设计分布式前馈虚拟控制输入。
基于Backstepping控制方法和自适应动态规划,设计统一的界限李雅普诺夫函数如式(5)所示:
通过构建如式(6)所示神经网络,实现对多智能体系统未知函数项Fi,q(Xi,q)在线估计
其中,表示第i个智能体中神经网络理想权值,表示第i个智能体中神经网络激励函数,δi,q为神经网络逼近误差且满足||δi,q||≤δi,qM,δi,qM>0为正常数,L表示神经网络中神经元个数,Xi,q表示神经网络的输入变量。
其中,Gi,1(xi,1)=(bi+di)gi,1(xi,1),di表示通信拓扑中入度矩阵元素li,q>0,ρi,q>0,q=1...,ni表示设计参数,为神经网络理想权值θi,q的估计值,表示对时间求一阶导数,Γi,q>0,q=1,…,ni表示需要设计的对称矩阵;表示第i个智能体的邻域;上标-1表示求逆运算。
步骤4、基于步骤3所设计的分布式前馈虚拟控制前馈实际输入ui以及相应的神经网络权值自适应更新律,将原来协同跟踪控制系统转化为子系统的协同最优反馈控制问题,通过将所定义的协同代价函数分解为线性和非线性项,利用贝尔曼最优原理,推导得到分布式最优反馈控制律。
定义协同代价函数如式(13)所示:
通过将所定义的协同代价函数分解为线性和非线性项,如下所示:
利用贝尔曼最优原理,推导得到zi,1-子系统的分布式最优反馈虚拟控制律如式(15)所示
步骤5、基于步骤4得到的zi,1-子系统的分布式最优反馈虚拟控制输入,通过构建评价网络,设计评价网络权值自适应更新律,在线逼近最优协同代价函数非线性项,从而得到能够在线执行的分布式自适应最优反馈实际控制律,保证协同控制系统的最优性和鲁棒性,节约控制成本。
设计评价网络权值自适应更新律如下:
同理,zi,k-子系统中评价网络权值自适应更新律设计如下:
式中,表示对时间求一阶导数,ηi,k>0表示各子系统评价网络学习率, F1i,k和F2i,k表示设计参数,ei,k表示哈密顿函数残余误差,即, γi,k表示各子系统中代价函数预设参数,||·||表示对变量求2-范数。
通过上述评价网络权值自适应更新律(22)的设计,能够在线执行分布式自适应最优反馈实际控制律(21),保证子系统的闭环稳定性,提升协同控制系统的最优性和鲁棒性,节约控制成本。
考虑zi,q,q=2,...,ni-1-子系统,定义协同代价函数如式(13)所示
通过将所定义的协同代价函数分解为线性和非线性项,如公式(24)所示:
定义zi,q,q=2,...,ni-1-子系统的哈密顿函数为:
通过将所定义的协同代价函数分解为线性和非线性项,如公式(29)所示:
有益效果:
1、本发明公开一种输出受限非线性系统分布式自适应最优协同控制方法,将自适应动态规划融入Backstepping方法虚拟控/实际控制输入的设计中,提出“前馈+反馈”的分布式复合自适应最优协同控制方法,保证闭环系统的稳定性,同时实现对虚拟控制输入的优化设计,在保证协同跟踪精度的前提下节约控制成本。
2、本发明公开一种输出受限非线性系统分布式自适应最优协同控制方法,通过将最优代价函数分解为线性和非线性项,利用自适应动态规划技术,通过构建评价网络,设计评价网络权值自适应更新律,通过设计线性反馈增强的分布式最优反馈控制输入,解决非线性耦合HJB方程的在线迭代求解问题,提升闭环系统的协同跟踪控制能力。
3、本发明公开一种输出受限非线性系统分布式自适应最优协同控制方法,通过设计统一的界限李雅普诺夫函数,提出不依赖于系统输出受限存在性条件的协同控制器,避免传统基于界限李雅普诺夫函数的控制方法仅适用于输出受限条件始终存在的问题,提升闭环系统的稳定性和鲁棒性。
附图说明
图1为本发明方法的分布式自适应最优协同控制流程图。
图2为本发明实施例提供的多智能体通信拓扑图。
图3为本发明实施例提供的协同跟踪输出曲线图。
图4为本发明实施例提供的协同跟踪误差曲线图。
图5为本发明实施例提供的多智能体状态变化曲线图。
图6为本发明实施例提供的协同跟踪实际控制输入曲线图。
图7为本发明实施例提供的协同跟踪虚拟控制输入曲线图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
为了使本发明的目的、技术方案和优点更加清楚明白,下面结合附图对本发明的设计过程作详细说明。其中,自始至终相同或类似的符号表示相同或类似功能。
如图1所示,本实施例公开一种输出受限非线性系统分布式自适应最优协同控制方法,具体实现步骤如下:
步骤1,建立多智能体不确定严格反馈非线性系统模型。
建立多智能体不确定严格反馈非线性系统模型如公式(33)所示:
其中,N表示智能体总数量,ni表示每个智能体状态变量数,表示第i个智能体的第q个状态变量,表示维度为lq的向量空间,表示xi,q对时间的一阶导数,i=1,2,...,N,q=1,2,...,ni,上标T表示转置;为系统输入向量;表示系统输出向量,yi,k为第i个智能体的第k个变量,k=1,2,...,l1;本发明中系统输出向量满足不等式表示系统输出变量的边界值;表示第i个智能体的内部动力学非线性光滑函数;本发明中,未知但满足局部李普希兹连续条件且fi,q(0)=0;表示第i个智能体的输入矩阵;本发明中函数可逆且满足不等式其中,和均为正常数,||·||表示对变量求2-范数。
步骤2,基于步骤1所建立的多智能体不确定严格反馈非线性系统模型,结合Backstepping控制方法和自适应动态规划技术,构建“前馈+反馈”复合控制架构;在此架构下,定义一致性误差动态面。
结合Backstepping控制方法和自适应动态规划技术,如图1所示,本发明构建的“前馈+反馈”复合控制架构如式(34)所示:
在上述所建立的“前馈+反馈”复合控制架构下,考虑如图2所示多智能体通信拓扑结构,定义一致性误差动态面如式(35)所示:
其中,zi,q表示一致性误差变量,aij表示多智能体之间构成的通信拓扑结构中邻接矩阵元素,bi表示第i个跟随智能体与领导者智能体的连接状态;如果第i个跟随智能体能够获取领导者智能体的信息,则bi=1,否则,bi=0;r表示领导者智能体输出参考信号;λi,q表示将分布式虚拟控制变量作为输入的一阶滤波器的输出信号,即:
步骤3,基于Backstepping控制方法和自适应动态规划技术,通过设计新型统一的界限李雅普诺夫函数,有效处理系统输出约束;通过构建神经网络,设计神经网络权值自适应更新律,实现对多智能体系统未知函数项的在线估计;基于所设计的神经网络权值自适应更新律以及界限李雅普诺夫函数,在保证闭环系统稳定性的前提下,设计分布式前馈虚拟控制输入。
设计新型统一的界限李雅普诺夫函数如式(37)所示
其中,VUBLF表示统一的界限李雅普诺夫函数,表示状态变量xi,1的边界值,满足此外,VUBLF满足下列关系:①对于任意不等于零的xi,1,VUBLF均大于零,即,当时,VUBLF>0;②当且仅当xi,1=0时,VBLF=0成立;③当时,VUBLF→∞成立。因此,本发明所设计的新型统一的界限李雅普诺夫函数是有效的。
给定传统界限李雅普诺夫函数如下式所示:
其中,VCBLF表示统一的界限李雅普诺夫函数
相比传统界限李雅普诺夫函数,本发明设计的新型统一的界限李雅普诺夫函数具备如下特征:
因此,对比式(37)和式(38),得出本发明所设计的新型统一的界限李雅普诺夫函数不依赖于系统输出受限存在性条件,避免基于传统界限李雅普诺夫函数的控制方法仅适用于输出受限条件始终存在的问题,提升闭环系统的稳定性和鲁棒性。
通过构建如式(39)所示神经网络,实现对多智能体系统未知函数项Fi,q(Xi,q)在线估计
其中,表示第i个智能体中神经网络理想权值,表示第i个智能体中神经网络激励函数,δi,q为神经网络逼近误差且满足||δi,q||≤δi,qM,δi,qM>0为正常数,L表示神经网络中神经元个数,Xi,q表示神经网络的输入变量。
为保证所设计的分布式前馈控制输入能够保证闭环系统的稳定性,本发明设计如下李雅普诺夫函数:
其中,Gi,1(xi,1)=(bi+di)gi,1(xi,1),di表示通信拓扑中入度矩阵元素li,q>0,ρi,q>0,q=1...,ni表示设计参数,为神经网络理想权值θi,q的估计值,表示对时间求一阶导数,Γi,q>0,q=1,...,ni表示需要设计的对称矩阵;表示第i个智能体的邻域;上标-1表示求逆运算。
步骤4,基于步骤3所设计的分布式前馈虚拟控制前馈实际输入ui以及相应的神经网络权值自适应更新律,将原来协同跟踪控制系统转化为子系统的协同最优反馈控制问题,通过将所定义的协同代价函数分解为线性和非线性项,利用贝尔曼最优原理,推导得到分布式最优反馈控制律。
定义协同代价函数如式(48)所示:
通过将所定义的协同代价函数分解为线性和非线性项,如下所示:
定义zi,1-子系统的哈密顿函数如下:
利用贝尔曼最优原理,推导得到zi,1-子系统的分布式最优反馈虚拟控制输入如式(51)所示
通过求解耦合HJB方程(52),能够得到zi,1-子系统的分布式最优反馈虚拟控制输入。但考虑到式(52)属于耦合非线性偏微分方程,难以获得其解析解形式。因此,如图2所示,本发明将采用自适应动态规划,通过构建评价网络,设计评价网络权值自适应更新律,实现对最优代价函数的非线性项的迭代求解,从而保证zi,1-子系统的分布式最优反馈虚拟控制输入在线执行。
步骤5,基于步骤4得到的zi,1-子系统的分布式最优反馈虚拟控制输入,通过构建评价网络,设计评价网络权值自适应更新律,在线逼近最优协同代价函数非线性项,从而得到能够在线执行的分布式自适应最优反馈实际控制律,保证协同控制系统的最优性和鲁棒性,节约控制成本。
将式(53)代入式(51),得到zi,1-子系统的分布式最优反馈虚拟控制输入为:
将式(55)代入式(51),得到zi,1-子系统的分布式最优反馈虚拟控制输入如下:
相应地,将式(56)代入耦合HJB(52),得到逼近的耦合HJB方程如下:
基于梯度下降法,考虑闭环系统稳定性,本实施例设计评价网络权值自适应更新律如下:
同理,zi,k-子系统中评价网络权值自适应更新律设计如下:
式中,表示对时间求一阶导数,ηi,k>0表示各子系统评价网络学习率, F1i,k和F2i,k表示设计参数,ei,k表示哈密顿函数残余误差,即, γi,k表示各子系统中代价函数预设参数,||·||表示对变量求2-范数。
通过上述步骤,本实施例将自适应动态规划融入Backstepping控制方法设计的每一步中,设计的复合分布式自适应最优协同控制律能够保证多智能体系统在输出不违背约束条件的前提下稳定跟踪参考轨迹,如图3所示,且协同跟踪误差最终一致有界,如图4-5所示,保证了闭环系统的稳定性,同时实现了对虚拟控制输入的优化设计,如图7所示,在保证协同跟踪精度的前提下节约控制成本,如图6所示,从而达到提升闭环系统的稳定性和鲁棒性,节约控制成本的目的。
以上所述,仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进,这些改进应视为本发明的保护范围。
Claims (8)
1.一种输出受限非线性系统分布式自适应最优协同控制方法,其特征在于:包括以下步骤,
步骤1、建立多智能体不确定严格反馈非线性系统模型;
步骤2、基于步骤1所建立的多智能体不确定严格反馈非线性系统模型,结合Backstepping控制方法和自适应动态规划,构建“前馈+反馈”复合控制架构;在此架构下,定义一致性误差动态面;
步骤3、基于Backstepping控制方法和自适应动态规划,通过设计统一的界限李雅普诺夫函数,有效处理系统输出约束;通过构建神经网络,设计神经网络权值自适应更新律,实现对多智能体系统未知函数项的在线估计;基于所设计的神经网络权值自适应更新律以及界限李雅普诺夫函数,在保证闭环系统稳定性的前提下,设计分布式前馈虚拟控制输入;
步骤4、基于步骤3所设计的分布式前馈虚拟控制前馈实际输入ui以及相应的神经网络权值自适应更新律,将原来协同跟踪控制系统转化为子系统的协同最优反馈控制问题,通过将所定义的协同代价函数分解为线性和非线性项,利用贝尔曼最优原理,推导得到分布式最优反馈控制律;
步骤5、基于步骤4得到的zi,1-子系统的分布式最优反馈虚拟控制输入,通过构建评价网络,设计评价网络权值自适应更新律,在线逼近最优协同代价函数非线性项,从而得到能够在线执行的分布式自适应最优反馈实际控制律,保证协同控制系统的最优性和鲁棒性,节约控制成本。
2.如权利要求1所述的一种输出受限非线性系统分布式自适应最优协同控制方法,其特征在于:步骤1实现方法为,
建立多智能体不确定严格反馈非线性系统模型如公式(1)所示:
3.如权利要求2所述的一种输出受限非线性系统分布式自适应最优协同控制方法,其特征在于:步骤2实现方法为,
结合Backstepping控制方法和自适应动态规划,构建的“前馈+反馈”复合控制架构如式(2)所示:
在上述所建立的“前馈+反馈”复合控制架构下,定义一致性误差动态面如式(3)所示:
其中,zi,q表示一致性误差变量,aij表示多智能体之间构成的通信拓扑结构中邻接矩阵元素,bi表示第i个跟随智能体与领导者智能体的连接状态;如果第i个跟随智能体能够获取领导者智能体的信息,则bi=1,否则,bi=0;r表示领导者智能体输出参考信号;λi,q表示将分布式虚拟控制变量作为输入的一阶滤波器的输出信号,即:
4.如权利要求3所述的一种输出受限非线性系统分布式自适应最优协同控制方法,其特征在于:步骤3实现方法为,
基于Backstepping控制方法和自适应动态规划,设计统一的界限李雅普诺夫函数如式(5)所示:
通过构建如式(6)所示神经网络,实现对多智能体系统未知函数项Fi,q(Xi,q)在线估计
其中,表示第i个智能体中神经网络理想权值,表示第i个智能体中神经网络激励函数,δi,q为神经网络逼近误差且满足||δi,q||≤δi,qM,δi,qM>0为正常数,L表示神经网络中神经元个数,Xi,q表示神经网络的输入变量;
5.如权利要求4所述的一种输出受限非线性系统分布式自适应最优协同控制方法,其特征在于:步骤4实现方法为,
定义协同代价函数如式(13)所示:
通过将所定义的协同代价函数分解为线性和非线性项,如下所示:
利用贝尔曼最优原理,推导得到zi,1-子系统的分布式最优反馈虚拟控制律如式(15)所示
6.如权利要求5所述的一种输出受限非线性系统分布式自适应最优协同控制方法,其特征在于:步骤5实现方法为,
设计评价网络权值自适应更新律如下:
同理,zi,k-子系统中评价网络权值自适应更新律设计如下:
式中,表示对时间求一阶导数,ηi,k>0表示各子系统评价网络学习率, F1i,k和F2i,k表示设计参数,ei,k表示哈密顿函数残余误差,即, γi,k表示各子系统中代价函数预设参数,||·||表示对变量求2-范数;
通过上述评价网络权值自适应更新律(22)的设计,能够在线执行分布式自适应最优反馈实际控制律(21),保证子系统的闭环稳定性,提升协同控制系统的最优性和鲁棒性,节约控制成本。
考虑zi,q,q=2,...,ni-1-子系统,定义协同代价函数如式(13)所示
通过将所定义的协同代价函数分解为线性和非线性项,如公式(24)所示:
定义zi,q,q=2,...,ni-1-子系统的哈密顿函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791189.0A CN113485110A (zh) | 2021-07-13 | 2021-07-13 | 一种输出受限非线性系统分布式自适应最优协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791189.0A CN113485110A (zh) | 2021-07-13 | 2021-07-13 | 一种输出受限非线性系统分布式自适应最优协同控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113485110A true CN113485110A (zh) | 2021-10-08 |
Family
ID=77938489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791189.0A Pending CN113485110A (zh) | 2021-07-13 | 2021-07-13 | 一种输出受限非线性系统分布式自适应最优协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113485110A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609915A (zh) * | 2022-04-02 | 2022-06-10 | 东北电力大学 | 一种未知控制方向的时变多智能体协同控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108803349A (zh) * | 2018-08-13 | 2018-11-13 | 中国地质大学(武汉) | 非线性多智能体系统的最优一致性控制方法及系统 |
CN108828949A (zh) * | 2018-07-20 | 2018-11-16 | 南京航空航天大学 | 一种基于自适应动态规划的分布式最优协同容错控制方法 |
-
2021
- 2021-07-13 CN CN202110791189.0A patent/CN113485110A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108828949A (zh) * | 2018-07-20 | 2018-11-16 | 南京航空航天大学 | 一种基于自适应动态规划的分布式最优协同容错控制方法 |
CN108803349A (zh) * | 2018-08-13 | 2018-11-13 | 中国地质大学(武汉) | 非线性多智能体系统的最优一致性控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
JINGLIANG SUN: "Distnbuted Optimal Backstepping Composite Control for Multi-agent System with Output Constraints via Adaptive Dynamic Programming", 《2021 36TH YOUTH ACADEMIC ANNUAL CONFERENCE OF CHINESE ASSOCIATION OF AUTOMATION (YAC)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609915A (zh) * | 2022-04-02 | 2022-06-10 | 东北电力大学 | 一种未知控制方向的时变多智能体协同控制方法 |
CN114609915B (zh) * | 2022-04-02 | 2023-01-31 | 东北电力大学 | 一种未知控制方向的时变多智能体协同控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Finite-time adaptive fuzzy output feedback dynamic surface control for MIMO nonstrict feedback systems | |
Yang et al. | Adaptive neural prescribed performance tracking control for near space vehicles with input nonlinearity | |
Wu et al. | Adaptive terminal sliding mode control for hypersonic flight vehicles with strictly lower convex function based nonlinear disturbance observer | |
CN104950677A (zh) | 基于反演滑模控制的机械臂系统饱和补偿控制方法 | |
Yang et al. | Adaptive H∞ tracking control for a class of uncertain nonlinear systems using radial-basis-function neural networks | |
Shen et al. | Dynamic surface control for tracking of unmanned surface vessel with prescribed performance and asymmetric time-varying full state constraints | |
CN113359445A (zh) | 一种多智能体磁滞系统分布式输出反馈渐近一致控制方法 | |
Pan et al. | Online data‐driven composite adaptive backstepping control with exact differentiators | |
Liu et al. | Adaptive distributed finite-time formation control for multi-UAVs under input saturation without collisions | |
Li et al. | Observer-based finite-time fuzzy adaptive control for MIMO non-strict feedback nonlinear systems with errors constraint | |
CN113485110A (zh) | 一种输出受限非线性系统分布式自适应最优协同控制方法 | |
Hsu et al. | Indirect adaptive self-organizing RBF neural controller design with a dynamical training approach | |
Wang et al. | Finite-time performance guaranteed event-triggered adaptive control for nonlinear systems with unknown control direction | |
Li et al. | Adaptive optimal trajectory tracking control of AUVs based on reinforcement learning | |
CN117452975A (zh) | 一种四旋翼无人机集群的保性能协同编队控制设计方法 | |
CN111176117B (zh) | 一种无人直升机的模糊自适应弹性控制方法 | |
Boo et al. | Integral Sliding Mode Control-Based Robust Bidirectional Platoon Control of Vehicles With the Unknown Acceleration and Mismatched Disturbance | |
Yi et al. | Fixed-time connectivity-preserving consensus of periodically disturbed nonlinear multi-agent systems with limited communication ranges | |
Liu et al. | Robust adaptive self-Structuring neural network bounded target tracking control of underactuated surface vessels | |
CN109176529B (zh) | 一种空间机器人协调运动的自适应模糊控制方法 | |
Feng et al. | Event‐triggered finite‐time control for a constrained robotic manipulator with flexible joints | |
CN113459083B (zh) | 一种事件触发下的机械臂自适应固定时间控制方法及系统 | |
Zhang et al. | Fraction dynamic-surface-based adaptive neural finite-time control for stochastic nonlinear systems subject to unknown control directions, time-varying input delay and state delay | |
Ma et al. | Robust consensus control of nonlinear multi‐agent systems based on convergence rate estimation | |
Ma et al. | High-order disturbance observer-based safe tracking control for a class of uncertain MIMO nonlinear systems with time-varying 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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211008 |
|
WD01 | Invention patent application deemed withdrawn after publication |