论文部分内容阅读
多智能体系统是多个智能体组成的分布式独立系统,它能够解决单一智能体无法解决的问题,并提高其效率及鲁棒性。而随着网络和通信等技术的飞速发展,网络化控制已经成为国内外的研究热点。由于网络问题的引入,例如有限的网络通信带宽以及其承载能力的限制等因素,会使得网络化控制系统受到一定的影响,因此会相应地存在一些网络化问题,例如丢包、时延等。为了充分利用有限的通信带宽并且有效地减少信息负载,将量化引入到多智能体系统的一致性协议设计中,并结合迭代学习控制算法,研究了带有头节点的多智能体系统的跟踪问题,获得了精确跟踪的结论。基于上述问题,取得的研究成果如下:1.利用鲁棒迭代学习控制的方法研究了带有头节点的多智能体系统的一致性问题,并给出了更新动态系统的可行的分布式量化协议。由于量化的存在,即使线性系统的分布式量化问题也会变为非线性的,因此利用了鲁棒控制协议和Lyapunov分析方法克服了这一难题。与不考虑量化的系统相比,基于量化的鲁棒迭代学习控制协议保证了渐近精确跟踪的性能。由于量化动态系统存在非线性和不确定性,算法很好地体现了量化协议的鲁棒性。此外,为了进一步减少通信资源,在设计控制器时分别考虑了基于事件驱动和无事件驱动的网络化问题。除此之外,通过利用Lyapunov函数建立了量化多智能体系统的渐近收敛准则和鲁棒控制器的设计方法。2.为了更有效地利用数字通信信道,分别研究了线性以及非线性不确定的多智能体系统量化迭代学习控制一致性问题。利用有限量化信息的Σ?量化器,给出了更新动态系统的可行的分布式量化协议以实现多智能体的精确跟踪。由于量化等网络化问题的存在,利用鲁棒补偿的学习控制策略和Lyapunov方法以及非光滑分析理论消除了量化误差和系统的不确定性,并基于任意少的量化比特分析了渐近收敛性,即使每对相邻的智能体之间仅仅是一个比特的量化信息交换也可以实现目标跟踪。另外,为了获得随着迭代趋于无穷时的精确跟踪性能,在控制输入中引入了饱和函数和特殊的分段函数。3.首次提出了关于具有有限量化水平的Σ?量化器和随机丢包的连续时间多智能体系统的量化迭代学习控制方法。为了实现信号之间的数字通信并且有效地利用有限的通信带宽,将具有有限通信数据率(量化比特)的Σ?量化器引入到控制领域以及量化迭代学习控制器的设计中。另外,丢包也首次考虑到量化迭代学习控制中,这使得控制器更接近实际的工程应用。由于量化和丢包的非线性和随机性的引入,利用降学习增益和非光滑分析以及数学期望的方法分析了系统的稳定性和协议算法的收敛性。最终在任意小的量化比特下,即使是1比特的量化信息也可以获得期望意义下的精确跟踪。4.提出了带有头节点的连续时间非线性多智能体系统的量化迭代学习控制方法。通过引入对数量化器,使得通信信道得到了更有效的利用。为了消除任意初值的假设而引起的初始状态误差和避免常用的初始状态学习方法的复杂性,引入了新的控制补偿方法,并且在整个时间区间内获得了精确跟踪。基于非光滑分析和压缩映射原理给出了系统的渐近收敛性条件。5.基于动态Σ?量化器提出了新的多智能体量化一致性协议,利用有限比特数使系统达到渐近一致,并给出系统达到渐近一致的充分条件。与静态的非对称和对称量化器相比,Σ?量化器克服了静态量化器无记忆且不能消除稳态误差以及需要无限比特量化信息的缺点。6.对具有事件驱动的多智能体系统的一致性问题,同时考虑了外部干扰、延时、丢包和具有有限量化水平的Σ?量化器的网络化问题。首先,通过定义一个合适的控制输出,将问题转换为分布式鲁棒H_∞控制;其次,给出一个标准来判断异步事件驱动的多智能体系统的一致性,并且以矩阵不等式的形式给出其充分条件来获得状态反馈控制器的参数。除此之外,还给出了丢包的最大允许数,并且设计的算法很大程度上节约了通信资源。