CN114527661B - 一种用于集群智能系统的协同编队方法 - Google Patents

一种用于集群智能系统的协同编队方法 Download PDF

Info

Publication number
CN114527661B
CN114527661B CN202210169836.9A CN202210169836A CN114527661B CN 114527661 B CN114527661 B CN 114527661B CN 202210169836 A CN202210169836 A CN 202210169836A CN 114527661 B CN114527661 B CN 114527661B
Authority
CN
China
Prior art keywords
agent
tbg
formation
formula
fixed time
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
CN202210169836.9A
Other languages
English (en)
Other versions
CN114527661A (zh
Inventor
刘永芳
马生昌
赵宇
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.)
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Shenzhen Institute of Northwestern Polytechnical University
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 Shenzhen Institute of Northwestern Polytechnical University filed Critical Shenzhen Institute of Northwestern Polytechnical University
Priority to CN202210169836.9A priority Critical patent/CN114527661B/zh
Publication of CN114527661A publication Critical patent/CN114527661A/zh
Application granted granted Critical
Publication of CN114527661B publication Critical patent/CN114527661B/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
    • 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)
  • 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

本发明公开了一种用于集群智能系统的协同编队方法，先根据预设协同编队形成时间和一类时间函数TBG构造TBG增益，然后基于所述TBG增益、所述集群智能系统中的各智能体之间的通信关系和目标编队构型确定出基于TBG的固定时间协同编队公式，接着根据所述固定时间协同编队公式、符号函数和自适应技术确定出完全分布式鲁棒固定时间协同编队公式，最后基于所述完全分布式鲁棒固定时间协同编队公式对所述集群智能系统进行编队，解决了传统编队方法中群智系统鲁棒性较差，可靠性难以保证等问题，实现了更加快速准确地对群智系统进行编队。

Description

一种用于集群智能系统的协同编队方法
技术领域
本发明属于集群智能系统技术领域，具体涉及一种用于集群智能系统的协同编队方法。
背景技术
近几十年来，由可移动的智能体组成的集群智能系统的分布式控制一直是一个很多人关注的热点问题，集群智能系统的协同控制得到了广泛的研究。集群智能系统的引入不仅降低了整个系统建模的难度，而且大大提高了系统的鲁棒性、灵活性和稳定性，通过智能体之间的信息交互，集群智能系统可以完成单个智能体无法完成的大规模复杂特定任务，如遥感探测、搜索救援、环境监测等。
在集群智能系统的协同控制中，编队控制一直是研究中的热门领域，可以通过选择适当的一致性到达的信息状态使智能体从初始的位置移动向所需的终端位置，从而形成实际需要的编队构型，此外，收敛速度也是协同控制算法的一个重要指标。相比于需要无限稳定时间的控制算法，固定时间协同控制算法则在实际应用中更受欢迎，也更符合实际任务的需要。对于固定时间协同控制算法中普遍存在的不易得到的拓扑结构的全局信息，如何得到完全分布式的控制算法同样值得研究。
发明内容
本发明的目的是为了解决现有技术中对集群智能系统进行编队时鲁棒性较差、可靠性难以保证的技术问题，为了更加快速准确地对集群智能系统进行编队，提出了一种用于集群智能系统的协同编队方法。
本发明的技术方案为：一种用于集群智能系统的协同编队方法，所述集群智能系统具体为多个可移动的一阶动力学的智能体组成的系统，所述方法包括以下步骤：
S1、根据预设协同编队形成时间和一类时间函数TBG构造TBG增益；
S2、基于所述TBG增益、所述集群智能系统中的各智能体之间的通信关系和目标编队构型确定出基于TBG的固定时间协同编队公式；
S3、根据所述固定时间协同编队公式、符号函数和自适应技术确定出完全分布式鲁棒固定时间协同编队公式；
S4、基于所述完全分布式鲁棒固定时间协同编队公式对所述集群智能系统进行编队。
进一步地，所述目标编队构型是基于实际任务设置出的，所述各智能体之间的通信关系具体为每一个智能体只与其相邻智能体互相通信。
进一步地，所述TBG需满足如下条件：
Figure BDA0003517165460000021
式中，t为时间，tf为基于实际任务需要选择的编队形成的固定时间，通过tf的选择确定出TBG函数ξ(t)，ξ(0)为ξ(t)的初值，
Figure BDA0003517165460000022
和
Figure BDA0003517165460000023
分别为TBG函数在t＝0和t＝tf时刻的右导数。
进一步地，所述TBG增益具体如下式所示：
Figure BDA0003517165460000024
式中，0<＜＜1，η(t)为TBG增益，δ为极小值以保证在固定时间tf以后TBG增益分母不为零。
进一步地，所述步骤S2中的基于TBG的固定时间协同编队公式具体如下：
Figure BDA0003517165460000025
式中，ui(t)为智能体i的控制输入，η(t)为TBG增益，g为控制增益，N为集群智能系统中智能体的个数，aij为集群智能系统中第i个智能体与第j个智能体之间的通信权重，xi(t)和xj(t)分别为智能体i和智能体j的状态，di和dj分别为智能体i和智能体j期望的编队构型。
进一步地，所述完全分布式鲁棒固定时间协同编队公式具体如下：
Figure BDA0003517165460000031
式中，ui(t)为智能体i的控制输入，η(t)为TBG增益，g为控制增益，N为集群智能系统中智能体的个数，aij为集群智能系统中第i个智能体与第j个智能体之间的通信权重，xi(t)和xj(t)分别为智能体i和智能体j的状态，di和dj分别为智能体i和智能体j期望的编队构型，
Figure BDA0003517165460000032
和
Figure BDA0003517165460000033
分别为自适应参数
Figure BDA0003517165460000034
和
Figure BDA0003517165460000035
的变化率。
与现有技术相比，本发明具备以下有益效果：
本发明先根据预设协同编队形成时间和一类时间函数TBG构造TBG增益，然后基于所述TBG增益、所述集群智能系统中的各智能体之间的通信关系和目标编队构型确定出基于TBG的固定时间协同编队公式，接着根据所述固定时间协同编队公式、符号函数和自适应技术确定出完全分布式鲁棒固定时间协同编队公式，最后基于所述完全分布式鲁棒固定时间协同编队公式对所述集群智能系统进行编队，解决了传统编队方法中群智系统鲁棒性较差，可靠性难以保证等问题，实现了更加快速准确地对群智系统进行编队。
附图说明
图1所示为本发明实施例提供的一种用于群智系统的协同编队方法的流程示意图；
图2所示为本发明实施例中需要形成的目标编队构型；
图3所示为本发明实施例中集群智能系统中各智能体形成编队的运动轨迹；
图4所示为本发明实施例中自适应参数
Figure BDA0003517165460000036
的变化情况；
图5所示为本发明实施例中自适应参数
Figure BDA0003517165460000037
的变化情况。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请提出了一种用于集群智能系统的协同编队方法，如图1所示为本申请实施例提出的一种用于集群智能系统的协同编队方法的流程示意图，所述集群智能系统具体为多个可移动的一阶动力学的智能体组成的系统，所述方法包括以下步骤：
步骤S1、根据预设协同编队形成时间和一类时间函数TBG构造TBG增益。
在本申请实施例中，所述TBG需满足如下条件：
Figure BDA0003517165460000041
式中，t为时间，tf为基于实际任务需要选择的编队形成的固定时间，通过tf的选择确定出TBG函数ξ(t)，ξ(0)为ξ(t)的初值，
Figure BDA0003517165460000042
和
Figure BDA0003517165460000043
分别为TBG函数在t＝0和t＝tf时刻的右导数。
需要说明的是，本申请方案在对智能体进行编队时，需要达到一个控制目标，也就是编队实现需要满足的条件，该控制目标具体如下式所示：
Figure BDA0003517165460000044
式中，di是对应于集群智能系统中第i个智能体的期望编队信息，tf是实现编队构型的固定时间，k1和k2是可以调节到足够小的正常数。
在本申请实施例中，所述TBG增益具体如下式所示：
Figure BDA0003517165460000045
式中，0<＜＜1，η(t)为TBG增益，δ为极小值以保证在固定时间tf以后TBG增益分母不为零。
在具体应用场景中，先给出一个TBG函数的示例：
Figure BDA0003517165460000051
式中，ξ(t)为TBG函数，t为时间，tf为固定时间5s。
构造相应的TBG增益如下：
Figure BDA0003517165460000052
式中，0<＜＜1，η(t)为TBG增益，δ为极小值以保证在固定时间tf以后TBG增益分母不为零。
步骤S2、基于所述TBG增益、所述集群智能系统中的各智能体之间的通信关系和目标编队构型确定出基于TBG的固定时间协同编队公式。
在本申请实施例中，所述目标编队构型是基于实际任务设置出的，所述各智能体之间的通信关系具体为每一个智能体只与其相邻智能体互相通信。
在本申请实施例中，所述步骤S2中的基于TBG的协同编队公式具体如下：
Figure BDA0003517165460000053
式中，ui(t)为智能体i的控制输入，η(t)为TBG增益，g为控制增益，N为集群智能系统中智能体的个数，aij为集群智能系统中第i个智能体与第j个智能体之间的通信权重，xi(t)和xj(t)分别为智能体i和智能体j的状态，di和dj分别为智能体i和智能体j期望的编队构型。
在具体应用场景中，
Figure BDA0003517165460000054
表示通信拓扑拉普拉斯矩阵的次最小特征值。aij表示群智系统中第i个智能体与第j个智能体之间的通信权重，如果两个多智能体之间存在通信连接，则aij>0，否则，aij＝0；xi(t)-di表示该智能体当前时刻的位置与目标位置之间的距离。
步骤S3、根据所述固定时间协同编队公式、符号函数和自适应技术确定出完全分布式鲁棒固定时间协同编队公式。
在本申请实施例中，实际工作中，当群智系统规模较大时，通信拓扑的拉普拉斯矩阵的次最小特征值难以得到，应用性不高，因此，本申请的所述固定时间协同编队公式具体如下：
Figure BDA0003517165460000061
式中，ui(t)为智能体i的控制输入，η(t)为TBG增益，g为控制增益，N为集群智能系统中智能体的个数，aij为集群智能系统中第i个智能体与第j个智能体之间的通信权重，xi(t)和xj(t)分别为智能体i和智能体j的状态，di和dj分别为智能体i和智能体j期望的编队构型，
Figure BDA0003517165460000062
和
Figure BDA0003517165460000063
分别为自适应参数
Figure BDA0003517165460000064
和
Figure BDA0003517165460000065
的变化率。
步骤S4、基于所述固定时间协同编队公式对所述群智系统进行编队。
具体的，为验证本申请提出的用于集群智能系统的协同编队方法，在具体应用场景中，进行本申请的可行性分析。
将固定时间协同编队公式代入动力学模型中，动力学模型如下：
Figure BDA0003517165460000066
式中，xi(t)∈Rn，ui(t)∈Rn以及fi(t)∈Rn分别表示群智系统中第i个智能体的位置信息，控制输入和有界外部非线性输入，有界非线性输入fi(t)的上界用fmax表示。
令(xi(t)-di)＝ζi(t)并写为矩阵形式，其表示为该智能体当前时刻位置与目标位置之间的距离，得到群智系统闭环动力学方程为：
Figure BDA0003517165460000067
式中，L为拉普拉斯矩阵，
Figure BDA0003517165460000068
以及
Figure BDA0003517165460000069
是对应自适应参数组成的对角矩阵。设自适应参数
Figure BDA00035171654600000610
以及
Figure BDA00035171654600000611
在固定时间tf时分别达到终值ci和θi，自适应参数估计误差分别构造为
Figure BDA00035171654600000612
和
Figure BDA00035171654600000613
设C＝diag{ci}，Θ＝diag{θi}，
Figure BDA0003517165460000071
和
Figure BDA0003517165460000072
则可以得到
Figure BDA0003517165460000073
和
Figure BDA0003517165460000074
构造李雅普诺夫函数如下：
Figure BDA0003517165460000075
其中，ζT(t)为编队误差组成的向量，将上式沿着群智系统闭环动力学方程对时间求导，可以得到：
Figure BDA0003517165460000076
通过更新控制器，使
Figure BDA0003517165460000077
以及θi>fmax，则上式转化为：
Figure BDA0003517165460000078
通过求解上式微分方程，可以推出在固定时间tf处，李亚普诺夫函数
Figure BDA0003517165460000079
因此，编队误差满足：
Figure BDA00035171654600000710
其中amin是群智系统通信拓扑拉普拉斯矩阵中最小非零值，V(0)为V(t)的初始值。此外，当t>tf时，
Figure BDA00035171654600000711
因此可以推出编队误差满足：
Figure BDA0003517165460000081
Figure BDA0003517165460000082
因此，可以实现固定时间协同编队的控制目标。
下面提供了一个具体实例，以验证本实施上述方法的有效性。
(1)群智系统及编队构型设置：
设六个智能体组成的群智系统在二维空间中执行固定时间协同编队任务，期望在固定时间形成的编队构型如图2所示。此外每个智能体的初始位置，外部有界非线性输入，以及期望的编队构型如下表1：
表1
智能体编号 智能体1 智能体2 智能体3 智能体4 智能体5 智能体6
初始位置 [2,-1] [-3,0] [1,2] [1,1] [-2,1] [-3,4]
非线性输入 0.5sin(t) 0.5sin(t) 0.5sin(t) 0.5cos(t) 0.5cos(t) 0.5cos(t)
编队构型 [10,0] [5,-8.66] [-5,-8.66] [-10,0] [-5,8.66] [5,8.66]
令固定时间tf＝5s。令群智系统通信拓扑边的权重为1以及δ＝0.001。
由图3可以看出，六个智能体组成的集群智能系统在固定时间tf＝5s内实现了协同编队，并在tf之后保持编队构型。图4和图5给出了自适应参数
Figure BDA0003517165460000083
以及
Figure BDA0003517165460000084
的变化情况，可以看出自适应参数
Figure BDA0003517165460000085
和
Figure BDA0003517165460000086
均在固定时间tf＝5s达到了期望终值。验证了本发明提出的集群智能系统完全分布式鲁棒固定时间协同编队技术的有效性。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种用于集群智能系统的协同编队方法，其特征在于，所述集群智能系统具体为多个可移动的一阶动力学的智能体组成的系统，所述方法包括以下步骤：
S1、根据预设协同编队形成时间和一类时间函数TBG构造TBG增益；
S2、基于所述TBG增益、所述集群智能系统中的各智能体之间的通信关系和目标编队构型确定出基于TBG的固定时间协同编队公式；
S3、根据所述固定时间协同编队公式、符号函数和自适应技术确定出完全分布式鲁棒固定时间协同编队公式；
S4、基于所述完全分布式鲁棒固定时间协同编队公式对所述集群智能系统进行编队；
所述TBG需满足如下条件：
Figure FDA0003792744500000011
式中，t为时间，tf为基于实际任务需要选择的编队形成的固定时间，通过tf的选择确定出TBG函数ξ(t)，ξ(0)为ξ(t)的初值，
Figure FDA0003792744500000012
和
Figure FDA0003792744500000013
分别为TBG函数在t＝0和t＝tf时刻的右导数；
所述TBG增益具体如下式所示：
Figure FDA0003792744500000014
式中，0＜δ＜＜1，η(t)为TBG增益，δ为极小值以保证在固定时间tf以后TBG增益分母不为零；
所述步骤S2中的基于TBG的固定时间协同编队公式具体如下：
Figure FDA0003792744500000015
式中，ui(t)为智能体i的控制输入，η(t)为TBG增益，g为控制增益，N为集群智能系统中智能体的个数，aij为集群智能系统中第i个智能体与第j个智能体之间的通信权重，xi(t)和xj(t)分别为智能体i和智能体j的状态，di和dj分别为智能体i和智能体j期望的编队构型；
所述完全分布式鲁棒固定时间协同编队公式具体如下：
Figure FDA0003792744500000021
式中，ui(t)为智能体i的控制输入，η(t)为TBG增益，g为控制增益，N为集群智能系统中智能体的个数，aij为集群智能系统中第i个智能体与第j个智能体之间的通信权重，xi(t)和xj(t)分别为智能体i和智能体j的状态，di和dj分别为智能体i和智能体j期望的编队构型，
Figure FDA0003792744500000022
和
Figure FDA0003792744500000023
分别为自适应参数
Figure FDA0003792744500000025
和
Figure FDA0003792744500000024
的变化率。
2.如权利要求1所述的用于集群智能系统的协同编队方法，其特征在于，所述目标编队构型是基于实际任务设置出的，所述各智能体之间的通信关系具体为每一个智能体只与其相邻智能体互相通信。
CN202210169836.9A 2022-02-23 2022-02-23 一种用于集群智能系统的协同编队方法 Active CN114527661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210169836.9A CN114527661B (zh) 2022-02-23 2022-02-23 一种用于集群智能系统的协同编队方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210169836.9A CN114527661B (zh) 2022-02-23 2022-02-23 一种用于集群智能系统的协同编队方法

Publications (2)

Publication Number Publication Date
CN114527661A CN114527661A (zh) 2022-05-24
CN114527661B true CN114527661B (zh) 2022-09-20

Family

ID=81624513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210169836.9A Active CN114527661B (zh) 2022-02-23 2022-02-23 一种用于集群智能系统的协同编队方法

Country Status (1)

Country Link
CN (1) CN114527661B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993845B (zh) * 2023-03-23 2023-05-30 西北工业大学深圳研究院 一种集群智能系统协同运动规划与编队控制方法
CN115993842B (zh) * 2023-03-23 2023-05-30 西北工业大学深圳研究院 一种用于群体智能系统的编队协同控制方法
CN116047986B (zh) * 2023-03-31 2023-06-09 山东科技大学 一种低通信耦合强度下船舶一致性控制方法
CN117093006B (zh) * 2023-10-19 2024-01-30 西北工业大学深圳研究院 一种多智能体集群系统自适应固定时间仿射编队控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0394582A2 (en) * 1989-04-26 1990-10-31 The Secretary of State for Defence in Her Britannic Majesty's Government of the United Kingdom of Great Britain and Magnetostrictive actuator using adaptive control.
CN103279032A (zh) * 2013-05-03 2013-09-04 北京航空航天大学 一种异质多智能体系统的鲁棒趋同控制方法
CN106774331A (zh) * 2016-12-30 2017-05-31 广东华中科技大学工业技术研究院 一种分布式控制无人艇集群分簇编队方法
CN107329492A (zh) * 2017-08-18 2017-11-07 上海顺砾智能科技有限公司 一种无人机集群的编队控制方法
CN112859916A (zh) * 2021-01-15 2021-05-28 中国人民解放军国防科技大学 一种基于速度调整策略的多无人机抵达时间协同控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110426951A (zh) * 2019-07-17 2019-11-08 西北工业大学深圳研究院 一种应用于集群智能系统的鲁棒分布式平均跟踪控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0394582A2 (en) * 1989-04-26 1990-10-31 The Secretary of State for Defence in Her Britannic Majesty's Government of the United Kingdom of Great Britain and Magnetostrictive actuator using adaptive control.
CN103279032A (zh) * 2013-05-03 2013-09-04 北京航空航天大学 一种异质多智能体系统的鲁棒趋同控制方法
CN106774331A (zh) * 2016-12-30 2017-05-31 广东华中科技大学工业技术研究院 一种分布式控制无人艇集群分簇编队方法
CN107329492A (zh) * 2017-08-18 2017-11-07 上海顺砾智能科技有限公司 一种无人机集群的编队控制方法
CN112859916A (zh) * 2021-01-15 2021-05-28 中国人民解放军国防科技大学 一种基于速度调整策略的多无人机抵达时间协同控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Pre-specified-time coordination algorithm for convex optimization problems over weight-unbalanced networks;Zhixuan Su等;《2021 36th Youth Academic Annual Conference of Chinese Association of Automation (YAC)》;20210726;第156-164页 *
多智能体系统指定时间双向编队控制;周媛等;《无人系统技术》;20210531;第4卷(第3期);第18-25页 *

Also Published As

Publication number Publication date
CN114527661A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN114527661B (zh) 一种用于集群智能系统的协同编队方法
CN108803349B (zh) 非线性多智能体系统的最优一致性控制方法及系统
CN108646758B (zh) 一种多移动机器人预设性能编队控制器结构及设计方法
CN107992090A (zh) 一种应用于网络化集群智能体系统的自适应编队方法
CN113110039B (zh) 一种多智能体系统的有限时间分布式聚合优化方法
CN105634828A (zh) 线性微分包含多智能体系统的分布式平均跟踪的控制方法
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
CN110780668A (zh) 一种多无人艇的分布式编队合围跟踪控制方法及系统
CN112650299B (zh) 一种考虑时变编队的分组一致性无人机编队控制方法
CN112947086B (zh) 一种无人机和无人车组成的异构多智能体系统编队控制中执行器故障的自适应补偿方法
CN109459930A (zh) 一种基于pd结构和邻居滞后控制信号的协同控制方法
Yuan et al. Adaptive neural consensus tracking control for nonlinear multiagent systems using integral barrier Lyapunov functionals
CN113867150A (zh) 一种具有饱和输入的多智能体的事件驱动控制方法
Chen et al. Multi-mobile robot leader-follower formation distributed control under switching topology
CN114879743A (zh) 一种考虑干扰的无人集群分布式时变优化控制方法及系统
CN114721273B (zh) 一种固定时间收敛零化神经网络的多智能体编队控制方法
CN115993842A (zh) 一种用于群体智能系统的编队协同控制方法
CN114637301B (zh) 基于最优仿射队形变换的多机器人动态避障装置及方法
CN107332714B (zh) 一种节点异质多输入多输出复杂网络系统的控制方法
CN114185273A (zh) 一种饱和受限下分布式前置时间一致性控制器的设计方法
Wang et al. Improved Particle Swarm Optimization Algorithm Based on Gaussian-Grid Search Method.
CN113848701A (zh) 不确定性有向网络的分布式平均跟踪方法
CN113341729A (zh) 一种多智能体系统固定时间一致性控制方法
CN113741185B (zh) 一种单边Lipschitz非线性多智能体系统保性能领导跟随一致性方法
CN117093006B (zh) 一种多智能体集群系统自适应固定时间仿射编队控制方法

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