论文部分内容阅读
近年来,事件驱动通信作为一种替代连续通信和传统周期通信的新方法在多智能体领域受到了广泛关注和研究。通常,为达到多智能体系统的一致性或协同控制,通信网络中的所有智能体需要和邻居智能体交换动态信息,比如系统状态等。连续通信作为一种理想的通信方法在已有的文献中广泛被使用,也就是说,智能体需要连续地接收邻居节点的系统状态或者其他动态信息。这种通信方式在许多实际应用中难以实现。众所周知,数字通信网络在实际中被广泛采用。数据信息以数据包的形式被发送或者接收。相比较于模拟信号,数字信号有许多优点,比如鲁棒性强、抗干扰能力强、信号稳定性较强等等。然而,在数字通信网络中,传统的周期性通信也许不是最优的通信方式。这可能会引起能源、带宽以及计算资源的浪费。特别是对于无线通信网络,网络中的设备一般都是电池供电的,能源利用率是首先需要考虑的因素。关于事件驱动通信主要是研究如何精确地确定通信事件需要何时发生以及如何精确地确定系统控制器需要何时更新,从而减少不必要的通信和能源消耗。本文主要研究在多智能体系统中基于事件驱动的分布式合作辨识和学习控制。目前,关于分布式合作学习的文献中,大多数的文献使用的是连续通信的方法。由于神经网络的权值信息数据量较大,连续通信的方法在实际中难以实现。事件驱动策略使得神经网络权值以间歇性的方式被发送或者接收。本文的主要工作和贡献如下:1.第三章首先研究合作式系统辨识。针对一群相互耦合的结构相同的非线性系统,提出了一个基于神经网络的分布式合作辨识算法,其中各个智能体之间采用事件驱动通信的方式交换权值信息。在动态控制系统中,不同于已有的关于事件驱动的文献,本文提出的事件驱动条件是基于神经网络权值而不是系统状态,而且能够保证每一个辨识器的神经网络权值在所有轨迹的并集上收敛到他们共同最优权值的一个小领域以内。全局的计算量和通信次数被有效地减少。同时,在联合轨迹上的逼近性能依然可以被保证。为了排除Zeno现象,本文证明了相邻的两次通信之间存在一个最小的时间间隔。2.针对一群不确定的非线性系统,第四章研究了基于事件驱动的分布式合作学习控制,提出了一个基于神经网络权值的事件驱动条件来克服连续通信的缺点。在这个驱动条件之下,每个智能体间歇地把自己的权值信息传输给邻居智能体。这种通信方式放宽了需要连续发送或者接收权值信息的要求。然后,在事件驱动环境下,重新设计了权值的更新律。首先保证了自适应神经网络控制的跟踪性能。其次,所有智能体的径向基神经网络在联合轨迹上以一个很小的误差逼近未知非线性函数。在此基础之上,利用学习到的经验去控制相同或者类似的非线性系统取得了更好的控制性能。同时证明了驱动间隔存在一个严格的正的下界,这表明所有智能体不会呈现Zeno现象。3.在一些多智能体系统中,每个智能体的全状态是无法测量的,只有系统输出是可以被采样获取。基于此,本文在第五章研究了基于输出反馈控制的事件驱动分布式合作学习方法。首先提出了一种事件驱动通信原理来避免连续通信。对于系统中的每个智能体,它的驱动函数仅仅依赖于自身的权值估计值,和邻居节点的权值估计值无关。在控制过程中,每个智能体以离散的方式和邻居节点共享权值信息,这种方式使得分布式合作学习更加实用。本文提出的方法有效的减少了通信负载。同时,在事件驱动环境下,针对输出反馈控制,设计了自适应合作学习律。本文提出的学习率仍然能够保证所有智能体的神经网络权值收敛到他们最优权值的小邻域以内,而且系统状态以一个很小的误差跟踪参考信号。同样,一个严格的正实下界被保证来避免Zeno现象。