论文部分内容阅读
多自主体系统(Multi-agent Systems,简称MAS)是近年来控制领域的前沿课题。多自主系统编队控制在实际生活中的应用,绝大多数为三维空间内的编队控制。虽然对多自主体系统编队控制的研究越发成熟,但是对大规模、多层次的多自主体系统进行三维分层编队以及对个体模型中包含非线性干扰项的多自主体系统的三维编队仍是目前研究面临的两大难点。此外,由于自主体本身普遍带有的时滞,使得时滞问题在设计控制器保证系统稳定性中也具有重大意义。结合上述各个因素及难点,研究了对具有时滞的多自主体系统三维编队协同控制的设计方法。本文结合了分层编队理论以及RBF神经网络(Radial Basis Function Neural Networks,简称RBFNN)理论,对具有时滞的多自主体系统三维编队协同控制问题进行了研究。针对大规模的分层编队目标,对具有时滞的低阶和高阶多自主体系统分别给出了三维空间中分层编队的控制协议,使得多自主体系统能够形成期望的三维分层编队队形。针对具有时滞且含非线性干扰量的多自主体系统,提出了一种改进的RBF神经网络三维编队控制协议,保证了多自主体系统形成三维编队并遵循轨迹函数进行移动。针对一阶时滞多自主体系统,根据Nyquist稳定判据,设计了对应的P控制器。针对二阶和高阶时滞多自主体系统,首先对于多输入多输出的耦合系统,通过矩阵理论方法可解耦成为多个单输入单输出系统。然后基于D-分割法获得能够使每个子系统趋于目标稳定的PD和PID控制器参数范围。最终通过求取子系统稳定范围的交集即可确定多自主体系统的PD和PID控制器参数范围。针对具有时滞的含非线性干扰的多自主体系统,提出了一种改进的RBF神经网络三维编队控制方法。首先,在自主体个体模型中加入了非线性干扰因素,基于神经网络对非线性干扰的良好逼近能力,对神经网络中的高斯核函数进行了改进。然后,利用改进的RBF神经网络对系统的非线性干扰部分及带时滞部分进行拟合。最后,结合编队控制理论和李雅普诺夫稳定性判据实现改进的RBF神经网络三维编队控制器协议设计。基于虚拟机器人软件V-REP对四旋翼系统进行了三维分层编队控制,并利用改进的RBF神经网络实现了四旋翼飞行器的三维编队控制。根据三维分层编队实验结果可得,在稳定域内任意选取控制参数,都可以保证系统的稳定性,从而使得四旋翼系统实现三维分层编队。根据改进的RBF神经网络三维编队实验结果可得,设计的神经网络编队控制协议能够保证多自主体系统形成三维编队,并且能够跟随轨迹函数进行运动。本文对上述具有时滞的多自主体系统三维编队方法进行了仿真和实验,结果表明提出的方法能够对大规模多主体系统形成三维分层编队以及对含非线性干扰的多自主体系统实现三维编队。研究结果对实际应用中的多自主体系统进行编队控制提供了有效实用的途径。