【摘 要】
:
多能体系统的分布式协同控制中每个智能体都能与相邻的智能体进行通信,使得多智能体系统的整体效率和运行能力都有所提高。由于其广泛的实际应用以及低成本、高自适应、易于维护等优点,引起了众多研究者的关注。已有文献大都考虑一阶、二阶或高阶线性动力学的多智能体系统,然而实际物理系统具有复杂的非线性特性,因此研究高阶非线性多智能体系统的一致问题具有重要意义。随着研究的深入和实际需要,对多智能体的性能也提出了新的
论文部分内容阅读
多能体系统的分布式协同控制中每个智能体都能与相邻的智能体进行通信,使得多智能体系统的整体效率和运行能力都有所提高。由于其广泛的实际应用以及低成本、高自适应、易于维护等优点,引起了众多研究者的关注。已有文献大都考虑一阶、二阶或高阶线性动力学的多智能体系统,然而实际物理系统具有复杂的非线性特性,因此研究高阶非线性多智能体系统的一致问题具有重要意义。随着研究的深入和实际需要,对多智能体的性能也提出了新的要求,需要在实现系统稳定性的同时还能够满足性能约束,因此需要引入性能函数对系统的状态进行受限。基于以上分析,本文研究了状态受限下高阶非线性多智能体系统的输出一致控制问题,主要研究工作为以下两方面:首先,针对含有Prandtl-Ishlinskii磁滞输入和未知外部扰动的高阶非线性多智能体系统,考虑了预定性能控制下的领导跟随输出一致问题。为了实现对输出一致误差的预定性能控制,采用状态转换,将一致误差转换为系统的新误差。在设计降阶观测器的基础上,基于反向递推法和动态面控制技术设计了输出反馈控制器,并且通过自适应方法消除了非线性磁滞输入的影响。经李雅普诺夫稳定性理论证明闭环系统是有界稳定的,可以实现领导跟随一致且一致误差满足预定性能要求。通过MATLAB仿真,验证了控制算法的有效性。其次,针对带有扰动的高阶非线性多智能体系统,考虑了全状态受限下的领导跟随输出一致问题。首先,设计了降阶动态增益观测器,通过采用动态增益的方法,放松了非线性函数的Lipschitz条件。通过在反向递推的每一步采用不对称tan障碍李雅普诺夫函数(TBLF),设计了分布式输出反馈控制器。经李雅普诺夫稳定性理论证得系统的有界稳定性,因此输出一致误差和闭环系统中的所有状态都能满足TBLF中性能函数的性能要求。通过MATL AB仿真,验证了控制算法的有效性。
其他文献
芒果目标产量预测对于了解芒果产量变化趋势、规划发展芒果生产,加强气候灾害的防御和治理能力,推进农业信息化有着重要意义。影响芒果产量的相关气象要素繁多,它们与产量之
随着空间数据和数据库的迅速发展和广泛应用,空间数据挖掘越来越重要。在地理空间中,经常位于一起的空间特征子集称为空间(正)co-location模式。虽然全连接、部分连接以及无
电容层析是过程层析技术中被广泛应用于两相流和多相流的一种检测技术,由于其具有结构简单、无辐射和低成本的特点,目前在石油和天然气运输方面工业前景广阔,研究其发展具有
阿尔茨海默病(Alzheimer’s disease,AD)是老年期认知障碍疾病中最常见的类型,该病常起病隐匿,随着病情进展会对老年人的身体健康产生严重危害,如何通过有效的方式对AD患者进
酸性磷酸酶(ACP)是一种广泛存在于生命体内的水解酶,参与多种生理过程。作为前列腺癌等疾病的血清标志物,ACP活性监测对相关疾病的早期诊断具有重要的临床意义。现有的众多ACP
模型驱动的软件开发方式(Model-Driven Development,MDD)目前被广泛应用于面向服务架构的信息系统中,而模型转换作为MDD中的重要环节和核心技术,它的正确性直接影响了基于MDD
统计数据显示:约四分之三的游客在出游前都会去登录主流旅游网站查看用户评论(评分),以确定更好的旅游目的地,同时制定出游路线。旅游景点推荐的研究已取得一定进展,但仍存在数据稀疏、未考虑用户隐性偏好、未深入挖掘景点图像的潜在语义等问题。提出采用分层抽样统计模型获取用户偏好,改进贝叶斯个性化排序(Bayesian Personalized Ranking,简称BPR)及视觉贝叶斯个性化排序(Visual
在超大规模集成电路(Very Large Scale Integration,以下简称VLSI)物理设计中,布局问题将模块放置在一个给定的区域内,在满足模块间不互相重叠的基础上,优化一些相关指标(如
利用语音障碍进行帕金森病检测是目前帕金森病早期诊断的研究热点之一。近年来基于深度学习的语音障碍检测发展迅速,且检测正确率高。由于深度学习固有的特点,使得通过深度学习网络自动学习的语音特征在医学上可解释性较差。针对这一问题该文提出研究帕金森病语音传统特征梅尔频率倒谱系数和语音深度学习特征间的关系。主要使用偏最小二乘法、多任务Lasso(Least absolute shrinkage and sel
超密异构网络(heterogeneous ultra dense network,H-UDN)是在传统的宏基站覆盖范围内密集地部署一层小基站实现无缝覆盖,通过缩短用户与基站之间的距离来提升用户的速率,拥有着处理海量(1000倍)无线数据流量的能力,被认为是实现5G及未来网络的关键技术。然而,随着小基站数量飞速增加,小基站与宏基站之间的回程负担急剧加重,致使回程传输成为了H-UDN性能提升的瓶颈。无