CN115840426A - 一种基于事件的多智能体系统主动抗扰一致性控制方法 - Google Patents

一种基于事件的多智能体系统主动抗扰一致性控制方法 Download PDF

Info

Publication number
CN115840426A
CN115840426A CN202211421699.XA CN202211421699A CN115840426A CN 115840426 A CN115840426 A CN 115840426A CN 202211421699 A CN202211421699 A CN 202211421699A CN 115840426 A CN115840426 A CN 115840426A
Authority
CN
China
Prior art keywords
agent
disturbance
order
follower
consistency
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.)
Granted
Application number
CN202211421699.XA
Other languages
English (en)
Other versions
CN115840426B (zh
Inventor
安春兰
苏厚胜
陈世明
张坤鹏
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.)
East China Jiaotong University
Original Assignee
East China Jiaotong 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 East China Jiaotong University filed Critical East China Jiaotong University
Priority to CN202211421699.XA priority Critical patent/CN115840426B/zh
Publication of CN115840426A publication Critical patent/CN115840426A/zh
Application granted granted Critical
Publication of CN115840426B publication Critical patent/CN115840426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Feedback Control In General (AREA)

Abstract

一种基于事件的多智能体系统主动抗扰一致性控制方法,包括:1)构建每个扰动的分数阶有限时间高阶滑模观测器,估计匹配和非匹配扰动以及扰动的分数阶导数,并给出扰动观测器实现有限时间稳定的条件;2)利用扰动估计值定义每个智能体的一致性跟踪误差,并基于分数阶积分链系统的稳定性理论建立分布式积分滑模面,实现分数阶多智能体系统的指数稳定;3)根据扰动估计值和所设计的滑模面建立基于事件的主动抗扰一致性控制协议来分布补偿非匹配扰动对系统输出的影响,从而实现指数输出一致。本发明实现了闭环系统的稳定性,降低了控制器的更新频率,提高系统对扰动抑制能力,保留了其标称性能,避免了现有的反步法因系统阶数增加造成的复杂性。

Description

一种基于事件的多智能体系统主动抗扰一致性控制方法
技术领域
本发明属于多智能体系统协同控制技术领域,具体地说,涉及一种基于事件触发的带非匹配扰动的高阶分数阶多智能体系统主动抗扰指数输出一致性控制方法。
背景技术
多智能体系统的协调控制作为网络化系统控制的一个典型行为,是指由多个结构和功能相对简单的单个智能体,通过一定的网络拓扑结构进行局部信息交互,智能体之间采用合作或竞争的方式达到某种有序的群体行为。一致性是协调控制中的基本行为,其思想是每个智能体通过邻居信息使所有智能体的状态达到一致。迄今为止,大部分关于多智能体系统一致性的研究主要集中在整数阶动力学。然而,在实际系统中,许多现象不能用经典的整数阶微积分动力学框架来描述,例如在分子流体和多孔介质等环境中,介质的同步运动,应力应变关系表现为非整数阶(即分数阶)动力学。分数阶微积分作为经典的整数阶微积分的延伸和推广,具有非局部性、记忆性等特性,可以更加准确地描述复杂系统的动态行为,为实际物理系统提供一种更加准确的模型描述方法。因此针对分数阶多智能体系统一致性问题的研究具有重要意义。
实际中,多智能体系统或多或少的受到来自内部和外部的干扰(包括匹配扰动和非匹配扰动),环境的不确定性通常会对系统性能带来显著的负面影响,并且由于非匹配干扰(由未建模动力学、外部风力和参数变化产生的扰动,而不是通过输入通道产生)是通过不同的通道进入多智能体系统,这些干扰不能被反馈控制器直接抑制。针对这一问题,现有的反步法通过被动方法来防止系统受到这些干扰的影响,即通过一致跟踪误差的反馈控制来抑制干扰。首先,此方法快速处理(强)扰动的能力不够;其次,它采取了一种鲁棒的方法来抑制干扰,以牺牲标称控制性能为代价,并且此方法的计算复杂度会随着系统阶数的增加而增加。因此,有必要发展简单有效的分数阶多智能体系统的主动抗扰控制方法。另一方面,由于能量的约束,仅仅保证系统的一致性等稳态性能己经很难满足实际工程需求,为了节约资源、降低成本,如何减少能量消耗也是必须考虑的问题。为此,研究基于事件的分数阶多智能体系统的主动抗扰一致性控制方法具有重要的现实意义。
发明内容
本发明的目的是提出了一种基于事件触发的带非匹配扰动的高阶分数阶多智能体系统主动抗扰指数输出一致性控制方法,以解决非匹配扰动的存在使系统输出不能达到一致的问题;连续或采样控制造成的能量过度消耗问题;以及现有的基于反步法处理非匹配扰动的方法,带来的因系统阶数增加而增加的复杂性等问题。
本发明是通过以下技术方案实现的。
本发明所述的一种基于事件的多智能体系统主动抗扰一致性控制方法,其特征在于所述的多智能体系统由一个编号为0的领导者和N个编号为1~N的跟随者组成,智能体之间的通信网络为有向连通图G,第i个跟随者的动力学为:
Figure 963238DEST_PATH_IMAGE001
(1)
式中,α∈(0,1)是系统阶数,x ij u i y i 分别是跟随者的状态、控制输入和可测量的输出,d ij 为非匹配扰动,d in为匹配扰动,
Figure 552482DEST_PATH_IMAGE002
表示x ij 的分数阶导数,i=1,…,N,j=1,…,n
领导者的动力学为:
Figure 535482DEST_PATH_IMAGE003
(2)
式中,x 0j u 0 y 0分别为领导者的状态、控制输入和输出,j=1,…,n;假定控制输入u 0 是有界的,即存在已知的正常数
Figure 632488DEST_PATH_IMAGE004
,使得
Figure 650123DEST_PATH_IMAGE005
Figure 941427DEST_PATH_IMAGE006
可以被所有跟随者获知;步骤如下:
步骤1:有限时间高阶滑模观测器设计:
Figure 411723DEST_PATH_IMAGE007
(3)
式中,z ik
Figure 813885DEST_PATH_IMAGE008
分别为x ik
Figure 951605DEST_PATH_IMAGE009
的估计值,即
Figure 912346DEST_PATH_IMAGE010
Figure 135517DEST_PATH_IMAGE011
Figure 75791DEST_PATH_IMAGE012
Figure 802439DEST_PATH_IMAGE013
分别是x ik
Figure 701125DEST_PATH_IMAGE014
的估计值,m ik =x i(k+1)
Figure 411592DEST_PATH_IMAGE015
是观测器的系数,为正常数,,k=1,…,nr i =1,…,n-k+1, M ik 是观测增益,M ik >0;sgn(·)为符号函数,
Figure 155557DEST_PATH_IMAGE016
r i =1,…,n-k+1为中间变量,没有实际物理意义,|·|为·的模。
步骤2:高阶滑模观测器稳定的条件:
Figure 772264DEST_PATH_IMAGE017
(4)
式中,
Figure 576272DEST_PATH_IMAGE018
为观测误差,即
Figure 774035DEST_PATH_IMAGE019
Figure 321691DEST_PATH_IMAGE020
r i =1,…,n-k+1,k =1,…,n
步骤3:当观测器获得扰动及其分数阶导数信息时,第i个智能体的一致性跟踪误差为:
Figure 22931DEST_PATH_IMAGE022
(5)
式中,e ik 为第i个跟随者智能体的第k个变量的一致性跟踪误差,k=1,…,n,a ij 为智能体i和智能体j之间的权重,a ij =1表示智能体i能收到智能体j的信息,否则a ij =0b i 为领导者与跟随者之间的权重,当第i个跟随者与领导者连通时,b i =1,否则b i =0,i,j=1,...,N。
设计积分滑模面:
Figure 263419DEST_PATH_IMAGE023
(6)
式中,s i (t)为第i个跟随者智能体的滑模面,i=1,…,N
Figure 682899DEST_PATH_IMAGE024
(·)表示·的分数阶积分,β il 为正常数,满足
Figure 532781DEST_PATH_IMAGE025
l=2,…,nβ i(n+1)=1,β il ∈(1-ε,1),ε∈(0,1),sig(·)α=|·|αsgn(·),Γ(·)为伽马函数;c il是多项式λ n +c in λ n-1+…+c i2 λ+c i1的系数,c il>0使其针对分数阶系统是赫尔维茨多项式;ξ为数控实现的步长;
设计基于事件的主动抗扰一致性控制协议:
Figure 88527DEST_PATH_IMAGE026
(7)
式中,
Figure 499917DEST_PATH_IMAGE027
为事件触发的时间序列,一致性控制协议在
Figure 406693DEST_PATH_IMAGE028
时刻才会被更新,k=1,2,…,
Figure 296152DEST_PATH_IMAGE029
为反馈增益系数。
设计事件触发函数:
Figure 237563DEST_PATH_IMAGE030
(8)
式中,χ i 为正实数,需要后续被定义,进而来决定第i个智能体的事件触发时间序列
Figure 554275DEST_PATH_IMAGE031
为测量误差:
Figure 446882DEST_PATH_IMAGE032
步骤4:实现领导-跟随一致性的条件:
Figure 140032DEST_PATH_IMAGE033
(9)
式中,
Figure 670370DEST_PATH_IMAGE034
=L+BL为图G的拉普拉斯矩阵,B为领导者与跟随者之间的权重矩阵,B=diag{b 1 ,...,b N },ζ j 为大于0的常数,j=1,...,Nt∈[0,T 1+T 2),T 1 T 2 分别是扰动观测器和滑模面的收敛时间,V为所有智能体构成的集合,
Figure 423563DEST_PATH_IMAGE035
Figure 39352DEST_PATH_IMAGE036
分别为
Figure 270613DEST_PATH_IMAGE034
的最小和最大特征值,
Figure 921037DEST_PATH_IMAGE037
min
Figure 78087DEST_PATH_IMAGE038
i } i=1,...,N 的最小值,即
Figure 446751DEST_PATH_IMAGE037
min=min iv {
Figure 481703DEST_PATH_IMAGE037
i },
Figure 252213DEST_PATH_IMAGE039
本发明公开了一种基于事件的多智能体系统主动抗扰一致性控制方法,包括:1)构建有限时间高阶滑模观测器,使每个智能体能够在有限时间内得到扰动以及扰动的分数阶导数信息;2)给出高阶滑模观测器实现有限时间稳定的条件;3)建立分布式积分终端滑模面,导出基于事件触发的主动抗扰控制律,使跟随者的输出能跟踪上领导者的输出轨迹;4)给出实现一致性的条件。
首先,本发明将整数阶多智能体系统的一致性控制协议扩展到高阶分数阶多智能体系统,为实际物理系统提供了一种更加准确的模型描述方法,并且高阶系统为一阶、二阶系统的推广,其包含了一阶二阶多智能体系统,应用更加广泛。其次,在控制协议中增加了扰动补偿项,非匹配扰动被分布地拒绝,实现了系统的主动抗扰控制,提高了系统的扰动抑制能力。最后,控制器设计中引入了事件触发策略,这有助于减少控制器的更新频率,降低能量消耗,节约成本;并且所提出的领导-跟随主动抗扰一致性控制协议保留了标称性能,更具有普适性,且计算过程简单,计算复杂度不会因系统阶数增加而增加。因此,本发明在多智能体系统的抗扰动协同控制方面具有广阔的应用前景。
与现有技术相比,本发明的创新性体现在以下三个方面。
a) 提出了一种可以实现在有限时间内观测每个智能体扰动信息的高阶滑模观测器,解决了高阶分数阶多智能体系统中匹配和非匹配扰动及其分数阶导数的观测问题。
b) 提出了基于事件触发的积分终端滑模主动抗扰一致性控制协议,该协议可以分布地补偿扰动,提高了系统对扰动的抑制能力,并且只有当事件触发条件满足时,控制律才会被更新,减少了控制器的更新频率,降低了能量消耗。
c) 所提的控制策略可以保留系统的标称性能,当扰动不存在时,系统仍然可以实现领导-跟随一致性,并且该策略避免了现有的反步法因系统阶数增加造成的复杂性。
附图说明
图1 为基于事件的主动抗扰领导-跟随一致性控制方案设计步骤。
图2为本发明系统拓扑结构。
图3为扰动观测器的估计误差。其中,图(a)-(c)分别为每个智能体中d i1d i2、和d i3的估计误差。
图4为每个跟随者智能体的控制输入轨迹。
图5为每个跟随者智能体控制输入的事件触发机制。
图6为有扰动情况下系统的输出轨迹。
图7为无扰动情况下系统的输出轨迹。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
请参阅图1至图5,多智能体系统由一个编号为0的领导者和N个编号为1~N的跟随者组成,智能体之间的通信网络为有向连通图G,第i个跟随者的动力学为:
Figure 81629DEST_PATH_IMAGE040
(10)
式中,α∈(0,1)是系统阶数,x ij u i y i 分别是跟随者的状态、控制输入和可测量的输出,d ij 为非匹配扰动,d in为匹配扰动,
Figure 937589DEST_PATH_IMAGE002
表示x ij 的分数阶导数,j=1,…,n;
领导者的动力学为:
Figure 776232DEST_PATH_IMAGE041
(11)
式中x 0j u 0 和y 0分别为为领导者的状态、控制输入和输出,j=1,…,n;假定控制输入u 0 是有界的,即存在已知的正常数
Figure 401249DEST_PATH_IMAGE006
,使得
Figure 894242DEST_PATH_IMAGE005
Figure 971919DEST_PATH_IMAGE006
可以被所有跟随者获知。
本发明的目的是提供一种基于事件触发的高阶分数阶多智能体系统主动抗扰领导-跟随一致性控制方法,以使得在非匹配扰动存在的情况下,跟随者的输出可以跟踪上领导者的输出轨迹,同时降低能量消耗,保留其标称性能。
结合图1,所述基于事件的主动抗扰领导-跟随一致性控制方案包括如下步骤。
步骤一:有限时间高阶滑模观测器设计:
Figure 614253DEST_PATH_IMAGE042
(12)
式中,z ik
Figure 93776DEST_PATH_IMAGE008
分别为x ik
Figure 530573DEST_PATH_IMAGE009
的估计值,即
Figure 95547DEST_PATH_IMAGE010
Figure 275993DEST_PATH_IMAGE011
Figure 610022DEST_PATH_IMAGE012
Figure 483300DEST_PATH_IMAGE013
分别是x ik
Figure 768526DEST_PATH_IMAGE043
的估计值,m ik =x i(k+1)
Figure 752662DEST_PATH_IMAGE015
是观测器的系数,为正常数,,k=1,…,nr i =1,…,n-k+1, M ik 是观测增益,M ik >0;sgn(·)为符号函数,
Figure 206777DEST_PATH_IMAGE016
r i =1,…,n-k+1为中间变量,没有实际物理意义,|·|为·的模。
步骤二:高阶滑模观测器稳定的条件:
Figure 985377DEST_PATH_IMAGE044
(13)
式中,
Figure 524943DEST_PATH_IMAGE018
为观测误差,即
Figure 47191DEST_PATH_IMAGE019
Figure 621392DEST_PATH_IMAGE045
r i =1,…,n-k+1,k =1,...,n
步骤三:当观测器获得扰动及其分数阶导数信息时,第i个智能体的一致性跟踪误差为:
Figure 538270DEST_PATH_IMAGE022
(14)
式中,e ik 为第i个跟随者智能体的第k个变量的一致性跟踪误差,k=1,…,n,a ij 为智能体i和智能体j之间的权重,a ij =1表示智能体i能收到智能体j的信息,否则a ij =0b i 为领导者与跟随者之间的权重,当第i个跟随者与领导者连通时,b i =1,否则b i =0,i,j=1,…,N
设计积分滑模面:
Figure 299553DEST_PATH_IMAGE046
(15)
式中,s i (t)为第i个跟随者智能体的滑模面,i=1,…,N
Figure 625492DEST_PATH_IMAGE024
(·)表示·的分数阶积分,β il 为正常数,满足
Figure 54199DEST_PATH_IMAGE025
l=2,…,nβ i(n+1)=1,β il ∈(1-ε,1),ε∈(0,1),sig(·)α=|·|αsgn(·),Γ(·)为伽马函数;c il是多项式λ n +c in λ n-1+…+c i2 λ+c i1的系数,c il>0使其针对分数阶系统是赫尔维茨多项式;ξ为数控实现的步长。
设计基于事件的主动抗扰一致性控制协议:
Figure 174602DEST_PATH_IMAGE047
(16)
式中,
Figure 688760DEST_PATH_IMAGE027
为事件触发的时间序列,一致性控制协议在
Figure 287232DEST_PATH_IMAGE028
时刻才会被更新,k=1,2,...,
Figure 304866DEST_PATH_IMAGE029
为反馈增益系数。
设计事件触发函数:
Figure 360285DEST_PATH_IMAGE048
(17)
式中,
Figure 96160DEST_PATH_IMAGE049
为正实数,需要后续被定义,进而来决定第i个智能体的事件触发时间序列
Figure 763901DEST_PATH_IMAGE031
为测量误差:
Figure 636042DEST_PATH_IMAGE032
步骤四:实现领导-跟随一致性的条件:
Figure 98248DEST_PATH_IMAGE050
(18)
式中,
Figure 586998DEST_PATH_IMAGE034
=L+BL为图G的拉普拉斯矩阵,B为领导者与跟随者之间的权重矩阵,B=diag{b 1 ,...,b N },ζ j 为大于0的常数,j=1,...,Nt∈[0,T 1+T 2),T 1 T 2 分别是扰动观测器和滑模面的收敛时间,V为所有智能体构成的集合,
Figure 792851DEST_PATH_IMAGE035
Figure 785078DEST_PATH_IMAGE036
分别为
Figure 188158DEST_PATH_IMAGE034
的最小和最大特征值,
Figure 633046DEST_PATH_IMAGE037
min
Figure 642591DEST_PATH_IMAGE038
i } i=1,...,N 的最小值,即
Figure 754903DEST_PATH_IMAGE037
min=min iv {
Figure 558911DEST_PATH_IMAGE037
i },
Figure 756674DEST_PATH_IMAGE051
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
实施例:基于事件触发的三阶分数阶多智能体系统主动抗扰一致性控制
以一个领导者和四个跟随者构成的三阶分数阶多智能体系统为例,其通信拓扑结构如图1所示,展示所提出的领导-跟随主动抗扰一致性方案的有效性。其中跟随者的动力学为:
Figure 304330DEST_PATH_IMAGE052
(19)
式中,y i 是跟随者的输出,x i1 x i2 x i3 是跟随者的状态,u i 是跟随者的控制输入,d i1 d i2 d i3 是外部扰动,i=1,...,4
领导者的动力学为:
Figure 271149DEST_PATH_IMAGE053
(20)
式中,y 0是领导者的输出,x01、x02和x03是领导者的状态,u 0是预定义的输入信号。
首先,给定式(19)中跟随者的初值为:
x 11(0)=10,x 12(0)=-10,x 13(0)=-10;
x 21(0)=-10,x 22(0)=20,x 23(0)=-20;
x 31(0)=20,x 32(0)=10,x 33(0)=30;
x 41(0)=-20,x 42(0)=10,x 43(0)=10。
假定扰动为:
d 11=0.2sin(2(t-20))+1.5,d 12=0.3 (t-20)2-2.5,d 13=0.5sin(3t);
d 21=0.5sin(t-20)+2,d 22=0.4cos(1.5(t-1),d 23=-cos(t);
d 31=sin(t+4)+2,d 32=-sin(3(t-5)),d 33=0.5sin(2.5t);
d 41=1+0.2sin(1.5(t-20)),d 42=sin(5(t-5))+2,d 43=-2。
并将式(20)中领导者的控制输入指定为u 0(t)=sin(t),初值为:x 01(0)=15,x 02(0)=-15,x 03(0)=18。
然后,根据步骤2选取扰动观测器的参数为:
跟随者1:
Figure 511638DEST_PATH_IMAGE054
跟随者2:
Figure 695232DEST_PATH_IMAGE055
跟随者3;
Figure 46579DEST_PATH_IMAGE056
跟随者4:
Figure 867904DEST_PATH_IMAGE057
根据步骤3选取滑模面的参数为:
跟随者1:c 11=3,c 12=2,c 13=4,β 11=0.5,β 12=0.2113,β 13=0.317。
跟随者2:c 21=2,c 22=3,c 23=2,β 21=1/6,β 22=0.0543,β 23=0.0996。
跟随者3:c 31=3,c 32=2,c 33=2,β 31=4/7,β 32=0.2584,β 33=0.3692。
跟随者4:c 41=4,c 42=3,c 43=2,β 41=3/10,β 42=0.4925,β 43=0.8373。
根据步骤4选取事件触发函数的参数为:ξ=0.01,χ 1=25,χ 2=13,χ 3=20,χ 4=25。
通过图2的结果可以看出扰动观测器的估计误差会在有限时间内收敛到0(即:
Figure 279294DEST_PATH_IMAGE058
i=1,...,4),也就是说所设计的扰动观测器可以精确估计出式(16)中跟随者智能体的每一个扰动。该方法为接下来的一致性控制协议设计提供重要的技术支撑。
从图3可以看出,控制输入不会收敛到0,因为控制器中包含了扰动的主动补偿项,来分布补偿扰动对系统输出的影响。
从图4可以看出每个智能体的控制输入是不连续的,只有当事件触发条件满足时,控制输入才会更新,事件触发条件不满足时,控制器不会更新,保持上一步的值,为此可以减少控制器的更新频率,节约能量,尤其对需要电池供电的控制器来说,可以延长其工作时间。并且此控制方法不存在芝诺行为,也就是说控制器不会在有限时间内进行无限次触发,符合设计的初衷。
从图5可以看出,当非匹配扰动存在时,因在一致性控制协议中增加了扰动补偿项,扰动被分布的补偿,因此系统输出可以达到一致。
从图6可以看出,本实施例保留了系统的标称性能。当扰动不存在时,定义跟随者状态估计的初始值等于跟随者的初始状态,即:
Figure 186070DEST_PATH_IMAGE060
系统输出仍然可以实现一致性,保留了其标称性能。此外,本发明提供的方法不需要过多的模型和计算,其复杂性也得到降低。

Claims (1)

1.一种基于事件的多智能体系统主动抗扰一致性控制方法,其特征在于所述的多智能体系统由一个编号为0的领导者和N个编号为1~N的跟随者组成,智能体之间的通信网络为有向连通图G,第i个跟随者的动力学为:
Figure 822109DEST_PATH_IMAGE001
(1)
式中,α∈(0,1)是系统阶数,x ij u i y i 分别是跟随者的状态、控制输入和可测量的输出,d ij 为非匹配扰动,d in为匹配扰动,
Figure 801567DEST_PATH_IMAGE002
表示x ij 的分数阶导数,i=1,…,N,j=1,…,n
领导者的动力学为:
Figure 50145DEST_PATH_IMAGE003
(2)
式中x 0j u 0 y 0分别为领导者的状态、控制输入和输出,j=1,…,n;假定控制输入u 0 是有界的,即存在已知的正常数
Figure 491360DEST_PATH_IMAGE004
,使得
Figure 899208DEST_PATH_IMAGE005
Figure 456091DEST_PATH_IMAGE004
可以被所有跟随者获知;步骤如下:
步骤1:有限时间高阶滑模观测器设计:
Figure 67332DEST_PATH_IMAGE006
(3)
式中,z ik
Figure 62970DEST_PATH_IMAGE007
分别为x ik
Figure 200690DEST_PATH_IMAGE008
的估计值,即
Figure 39726DEST_PATH_IMAGE009
Figure 528477DEST_PATH_IMAGE010
Figure 858964DEST_PATH_IMAGE011
Figure 851191DEST_PATH_IMAGE012
分别是x ik
Figure 828505DEST_PATH_IMAGE013
的估计值,m ik =x i(k+1)
Figure 663606DEST_PATH_IMAGE014
是观测器的系数,为正常数,k=1,…,nr i =1,…,n-k+1, M ik 是观测增益,M ik >0;sgn(·)为符号函数,
Figure 673150DEST_PATH_IMAGE015
r i =1,…,n-k+1为中间变量,没有实际物理意义,|·|为·的模;
步骤2:高阶滑模观测器稳定的条件:
Figure 159364DEST_PATH_IMAGE016
(4)
式中,
Figure 291268DEST_PATH_IMAGE017
为观测误差,即
Figure 489031DEST_PATH_IMAGE018
Figure 177633DEST_PATH_IMAGE019
r i =1,…,n-k+1,k =1,…,n
步骤3:当观测器获得扰动及其分数阶导数信息时,第i个智能体的一致性跟踪误差为:
Figure 144452DEST_PATH_IMAGE020
(5)
式中,e ik 为第i个跟随者智能体的第k个变量的一致性跟踪误差,k=1,…,na ij 为智能体i和智能体j之间的权重,a ij =1表示智能体i能收到智能体j的信息,否则a ij =0b i 为领导者与跟随者之间的权重,当第i个跟随者与领导者连通时,b i =1,否则b i =0,i,j=1,...,N;
设计积分滑模面:
Figure 509574DEST_PATH_IMAGE021
(6)
式中,s i (t)为第i个跟随者智能体的滑模面,i=1,…,N
Figure 929054DEST_PATH_IMAGE022
(·)表示·的分数阶积分,β il 为正常数,满足
Figure 651372DEST_PATH_IMAGE023
l=2,…,nβ i(n+1)=1,β il ∈(1-ε,1),ε∈(0,1),sig(·)α=|·|αsgn(·),Γ(·)为伽马函数;c il是多项式λ n +c in λ n-1+…+c i2 λ+c i1的系数,c il>0使其针对分数阶系统是赫尔维茨多项式;ξ为数控实现的步长;
设计基于事件的主动抗扰一致性控制协议:
Figure 472698DEST_PATH_IMAGE024
(7)
式中,
Figure 8721DEST_PATH_IMAGE025
为事件触发的时间序列,一致性控制协议在
Figure 994126DEST_PATH_IMAGE026
时刻才会被更新,k=1,2,…,
Figure 883585DEST_PATH_IMAGE027
为反馈增益系数;
设计事件触发函数:
Figure 949630DEST_PATH_IMAGE028
(8)
式中,χ i 为正实数,需要后续被定义,进而来决定第i个智能体的事件触发时间序列
Figure 531921DEST_PATH_IMAGE029
为测量误差:
Figure 299894DEST_PATH_IMAGE030
步骤4:实现领导-跟随一致性的条件:
Figure 993044DEST_PATH_IMAGE031
(9)
式中,
Figure 913595DEST_PATH_IMAGE032
=L+BL为图G的拉普拉斯矩阵,B为领导者与跟随者之间的权重矩阵,B=diag{b 1 ,…,b N },ζ j 为大于0的常数,j=1,…,Nt∈[0,T 1+T 2),T 1 T 2 分别是扰动观测器和滑模面的收敛时间,V为所有智能体构成的集合,
Figure 666788DEST_PATH_IMAGE033
Figure 423522DEST_PATH_IMAGE034
分别为
Figure 920363DEST_PATH_IMAGE032
的最小和最大特征值,
Figure 695421DEST_PATH_IMAGE035
Figure 353935DEST_PATH_IMAGE037
的最小值,即
Figure 302693DEST_PATH_IMAGE038
Figure 462279DEST_PATH_IMAGE039
CN202211421699.XA 2022-11-15 2022-11-15 一种基于事件的多智能体系统主动抗扰一致性控制方法 Active CN115840426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211421699.XA CN115840426B (zh) 2022-11-15 2022-11-15 一种基于事件的多智能体系统主动抗扰一致性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211421699.XA CN115840426B (zh) 2022-11-15 2022-11-15 一种基于事件的多智能体系统主动抗扰一致性控制方法

Publications (2)

Publication Number Publication Date
CN115840426A true CN115840426A (zh) 2023-03-24
CN115840426B CN115840426B (zh) 2024-05-14

Family

ID=85577141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211421699.XA Active CN115840426B (zh) 2022-11-15 2022-11-15 一种基于事件的多智能体系统主动抗扰一致性控制方法

Country Status (1)

Country Link
CN (1) CN115840426B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520680A (zh) * 2023-06-28 2023-08-01 佛山科学技术学院 一种抗扰pid控制器整定方法
CN116627042A (zh) * 2023-07-20 2023-08-22 南京邮电大学 执行器非对称饱和多自主体系统的分布式协同跟踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088689A (en) * 1995-11-29 2000-07-11 Hynomics Corporation Multiple-agent hybrid control architecture for intelligent real-time control of distributed nonlinear processes
CN112305918A (zh) * 2020-11-11 2021-02-02 南京航空航天大学 超螺旋观测器下的多智能体系统滑模容错一致性控制算法
CN112327633A (zh) * 2020-11-23 2021-02-05 哈尔滨理工大学 具有时滞和干扰的领导跟随多智能体系统一致性的方法
CN112379667A (zh) * 2020-10-10 2021-02-19 内蒙古科技大学 领导跟随二阶多智能体系统有限时间一致性跟踪控制方法
CN112445135A (zh) * 2020-11-23 2021-03-05 天津工业大学 非匹配扰动二阶多智能体系统有限时间一致性控制方法
US20210286375A1 (en) * 2020-03-13 2021-09-16 King Fahd University Of Petroleum And Minerals Systems and methods for multi-agent system control using consensus and saturation constraints

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088689A (en) * 1995-11-29 2000-07-11 Hynomics Corporation Multiple-agent hybrid control architecture for intelligent real-time control of distributed nonlinear processes
US20210286375A1 (en) * 2020-03-13 2021-09-16 King Fahd University Of Petroleum And Minerals Systems and methods for multi-agent system control using consensus and saturation constraints
CN112379667A (zh) * 2020-10-10 2021-02-19 内蒙古科技大学 领导跟随二阶多智能体系统有限时间一致性跟踪控制方法
CN112305918A (zh) * 2020-11-11 2021-02-02 南京航空航天大学 超螺旋观测器下的多智能体系统滑模容错一致性控制算法
CN112327633A (zh) * 2020-11-23 2021-02-05 哈尔滨理工大学 具有时滞和干扰的领导跟随多智能体系统一致性的方法
CN112445135A (zh) * 2020-11-23 2021-03-05 天津工业大学 非匹配扰动二阶多智能体系统有限时间一致性控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘凡;杨洪勇;杨怡泽;李玉玲;刘远山;: "带有不匹配干扰的多智能体系统有限时间积分滑模控制", 自动化学报, no. 04, 21 November 2018 (2018-11-21) *
黄小龙;陈阳舟;: "高阶非线性不确定多智能体系统自适应RBF神经网络协同控制", 北京工业大学学报, no. 09, 10 September 2020 (2020-09-10) *
黄红伟;黄天民;: "事件触发机制下的多智能体领导跟随一致性", 计算机工程与应用, no. 06, 15 March 2017 (2017-03-15) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116520680A (zh) * 2023-06-28 2023-08-01 佛山科学技术学院 一种抗扰pid控制器整定方法
CN116520680B (zh) * 2023-06-28 2023-09-08 佛山科学技术学院 一种抗扰pid控制器整定方法
CN116627042A (zh) * 2023-07-20 2023-08-22 南京邮电大学 执行器非对称饱和多自主体系统的分布式协同跟踪方法
CN116627042B (zh) * 2023-07-20 2023-09-29 南京邮电大学 执行器非对称饱和多自主体系统的分布式协同跟踪方法

Also Published As

Publication number Publication date
CN115840426B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
Li et al. Event-based finite-time control for nonlinear multiagent systems with asymptotic tracking
CN115840426A (zh) 一种基于事件的多智能体系统主动抗扰一致性控制方法
Liang et al. Neural-network-based event-triggered adaptive control of nonaffine nonlinear multiagent systems with dynamic uncertainties
Pang et al. Cloud-based time-varying formation predictive control of multi-agent systems with random communication constraints and quantized signals
Cao et al. Fuzzy-based dynamic event triggering formation control for nonstrict-feedback nonlinear MASs
CN113589694B (zh) 异构多智能体系统的完全分布式抗饱和跟踪控制方法
Ren et al. Prescribed-time consensus tracking of multiagent systems with nonlinear dynamics satisfying time-varying Lipschitz growth rates
Li et al. Distributed output-feedback consensus control of multiagent systems with unknown output measurement sensitivity
CN109491244B (zh) 一种基于滑模观测器的无人机编队系统故障诊断方法
Ke et al. Distributed adaptive fault-tolerant consensus of nonlinear multi-agent systems via state-constraint impulsive protocols with time-delay
Li et al. Global consensus tracking control for high-order nonlinear multiagent systems with prescribed performance
Hu et al. Hybrid event-triggered and impulsive control strategy for multiagent systems with switching topologies
Zhang et al. Distributed bipartite containment control of high-order nonlinear multi-agent systems with time-varying powers
Wang et al. Adaptive consensus tracking control of uncertain nonlinear systems: A first-order example
Miao et al. Adaptive consensus problems of heterogeneous multi-agent systems with saturations
Ren et al. Event-Based Predefined-Time Fuzzy Formation Control for Nonlinear Multi-Agent Systems with Unknown Disturbances
Ke et al. Consensus of multi-agent systems with both input amplitude and input rate constraints
Yao et al. Predefined Accuracy Adaptive Tracking Control for Nonlinear Multiagent Systems With Unmodeled Dynamics
Li et al. Output tracking based distributed state estimation
Yang et al. Predefined-Time Consensus Tracking of Uncertain Leader-following Multiagent Systems With High-Order Dynamics via Event-Triggered Control
Liu et al. Event-triggered Output Consensus Control of the Disturbed Heterogeneous MASs with Sliding-mode Observer
Yang et al. Dynamic event-triggered mechanism-based output consensus of nonlinear multi-agent systems via improved dynamic surface control approach
Lv et al. Adaptive attack-free output-feedback consensus protocol for nonlinear MASs
Li et al. Distributed Consensus Algorithm and Stability for LTI Multi-Agent Systems on Directed Graphs
Lin et al. Partial-Nodes-Based State Estimation for Nonlinear Coupled Complex Networks: An Exponential Event-Triggered Approach

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