CN113009822B - 一种基于权重不平衡有向网络的分布式平均跟踪方法 - Google Patents
一种基于权重不平衡有向网络的分布式平均跟踪方法 Download PDFInfo
- Publication number
- CN113009822B CN113009822B CN202110200402.6A CN202110200402A CN113009822B CN 113009822 B CN113009822 B CN 113009822B CN 202110200402 A CN202110200402 A CN 202110200402A CN 113009822 B CN113009822 B CN 113009822B
- Authority
- CN
- China
- Prior art keywords
- agent
- time
- reference signal
- varying reference
- state
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Multi Processors (AREA)
Abstract
本发明提供一种基于权重不平衡有向网络的分布式平均跟踪方法,涉及控制和信息技术领域。首先构造描述多智能体***的网络拓扑结构图,使每个节点代表一个智能体,每条边代表智能体间的信息交互,并获得网络拓扑结构图的权重邻接矩阵;再建立多智能体的离散时间状态方程;根据网络拓扑结构图的权重邻接矩阵、多智能体的离散时间状态方程和时变参考信号设计离散时间分布式平均跟踪算法;然后再设定每个智能体的初始状态值信息和时变参考信号信息;最后根据每个智能体的时变参考信号调节离散时间分布式平均跟踪算法中的可变参数,使每个智能体运行离散时间分布式平均跟踪算法,实现多智能体***中所有智能体能够跟踪上一组时变参考信号的平均值。
Description
技术领域
本发明涉及控制和信息技术领域,尤其涉及一种基于权重不平衡有向网络的分布式平均跟踪方法。
背景技术
多智能体***是由一组自主的、相互作用的实体所构成的***,它们共享一个共同的环境,利用传感器感知,并利用执行器执行动作。多智能体***提供了一种看待问题的分布式视角,可以将控制权限分布在各个智能体上。一般认为智能体具有自主性、通信、计算、适应性等基本特点。在大型***中使用多智能体***技术具有明显的优势。首先,由于具备并行感知和执行的能力,多智能体***具有更快的操作速度和更高的执行效率;其次,当一个或多个智能体发生故障时,***正常退化,从而提高了***的可靠性和鲁棒性;再次,多智能体***可以在必要的时候增加智能体,从而具备可扩展性和灵活性;最后,由多个简单的智能体构成的***其成本远低于单个集中式的复杂***。多智能体***因为具备上述优势,已经在军事、交通、电力等诸多领域得到广泛应用。
近年以来,多智能体***的协同控制逐渐成为控制领域的一个热点,研究内容越来越越丰富,主要涉及的问题包含一致性、领导者协调跟踪、群集控制、覆盖控制、编队控制、分布式优化、分布式预估、分布式平均跟踪等。其中分布式平均跟踪是一组智能体在只与邻居智能体通信的情况下跟踪上一组时变参考信号的平均值,在多核微处理器的任务迁移、分布式优化、编队控制等领域中具有广泛的应用价值。然而现有的分布式平均跟踪研究工作大都是建立在网络拓扑结构要么是无向的;要么是有向的,但权重平衡的假设之上的。这两种情况都是高度理想化的,在实践中很少见到。要么就是算法工作的先决条件是拉普拉斯矩阵的对应于零特征值的左特征向量应该对智能体可用,这在实践中很少能够实现,尤其是对于大型网络而言;还有对每个智能体作用一个分布式预估器来预估上述所说的左特征向量,但是需要的维数是与网络的规模相同,实现起来几乎不具备可操作性。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于权重不平衡有向网络的分布式平均跟踪方法,用于实现多智能体***中所有智能体能够跟踪上一组时变参考信号的平均值。
为解决上述技术问题,本发明所采取的技术方案是:一种基于权重不平衡有向网络的分布式平均跟踪方法,包括以下步骤:
步骤1:构造描述多智能体***的加权有向连通的网络拓扑结构图,其中每个节点代表一个智能体,每条边代表智能体间的信息交互,从而获得网络拓扑结构图的节点集、边集、每个节点的邻居信息及权重邻接矩阵;
构造的加权有向连通的网络拓扑结构图表示为G=(V,E,A),其中,V={1,2,3,4...,n}是节点集,n是节点数,是边集,A=[aij]∈Rn×n是权重邻接矩阵,i=1,2,...,n,j=1,2,...,n,如果(j,i)∈E,则aij∈(0,a),a为智能体间的权重上界,a∈R>0;否则aij=0;节点i的内邻居集合Ni={j∈V:(j,i)∈E};
步骤2:建立多智能体的离散时间状态方程;
对于一个有n个智能体的多智能体***的加权有向连通的网络,第i个智能体的离散时间状态方程如下公式所示:
xi(k+1)=xi(k)+ui(k)
步骤3:根据多智能体***的网络拓扑结构图的权重邻接矩阵、多智能体的离散时间状态方程和时变参考信号设计离散时间分布式平均跟踪算法,如下公式所示:
将上述ui(k)的计算公式带入步骤2中第i个智能体的离散时间状态方程得:
步骤4:设定多智能体***中每个智能体的初始状态值信息和时变参考信号信息,其中,第i个智能体的时变参考信号ri只能由第i个智能体接收,并且智能体的状态与时变参考信号二者的初始值没有必要的联系;
步骤5:根据每个智能体的时变参考信号调节离散时间分布式平均跟踪算法中的可变参数,使每个智能体运行离散时间分布式平均跟踪算法;逐步迭代更新每个智能体的状态,实现多智能体***中所有智能体能够跟踪上一组时变参考信号的平均值。
本发明的一种基于权重不平衡有向网络的分布式平均跟踪方法,可以控制智能体渐进跟踪一组时变参考信号的平均值,其基本思想是:不去直接处理左特征向量问题,而是直接向智能体施加离散时间分布式平均跟踪算法,并且算法中包括符号函数部分,使得每个智能体能够根据自身与邻居的信息差不断修正自身状态,从而保证多智能体***的跟踪误差有界。
该方法设计的难点在于:
第一:描述多智能体***的加权有向连通的网络拓扑结构为有向图且不要求权重平衡,邻接矩阵不对称,处理起来具有较大难度;
第二:多智能体跟踪的是一组时变参考信号的平均值,但是每一个智能体只知道自身的参考信号,对于其他的信号是未知的;
第三:设计的算法是离散时间分布式平均跟踪算法,智能体的控制输入仅可以利用局部信息并且只能利用上一时刻的状态值。
采用上述技术方案所产生的有益效果在于:本发明提供的一种基于权重不平衡有向网络的分布式平均跟踪方法,用于实现所有智能体跟踪上一组时变参考信号的平均值这一目标。然而现有的分布式平均跟踪研究工作大都是建立在网络拓扑结构要么是无向的,要么是权重平衡的假设之上的有向的,这两种情况都是高度理想化的,在实践中很少见到,而本发明方法是在权重不平衡有向图这种与实际网络拓扑结构更相近的情况下做的研究。采用完全分布式控制,仅仅通过邻居之间的局部通信来运行、更新自身状态值;采用离散时间算法,信息储存量小,实现起来较为简单;引入符号函数获得更快的收敛速度;对于智能体的初始值没有必要要求,这使得该方法对于初始值误差具有一定的鲁棒性;对多智能体***的网络拓扑结构的要求简单,更加符合实际网络结构,易于实现;总结了一类具有特定性质的时变参考信号,可以实现在权重不平衡有向网络下的误差有界跟踪。
附图说明
图1为本发明实施例提供的一种基于权重不平衡有向网络的分布式平均跟踪方法的流程图;
图2是本发明实施例提供的由五个智能体组成的多智能体***的网络拓扑结构图;
图3是本发明实施例提供的五个智能体的跟踪误差示意图;
图4是本发明实施例提供的五个智能体对平均参考信号的跟踪示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以某包括五个智能体的多智能体***为例,采用本发明的基于权重不平衡有向网络的分布式平均跟踪方法,实现该多智能体***中所有智能体能够跟踪上一组时变参考信号的平均值。
本实施例中,一种基于权重不平衡有向网络的分布式平均跟踪方法,如图1所示,包括以下步骤:
步骤1:构造描述多智能体***的加权有向连通的网络拓扑结构图,其中每个节点代表一个智能体,每条边代表智能体间的信息交互,从而获得网络拓扑结构图的节点集、边集、每个节点的邻居信息及权重邻接矩阵;
构造的加权有向连通的网络拓扑结构图表示为G=(V,E,A),其中,V={1,2,3,4...,n}是节点集,n是节点数,是边集,A=[aij]∈Rn×n是权重邻接矩阵,i=1,2,...,n,j=1,2,...,n,如果(j,i)∈E,则aij∈(0,a),a为智能体间的权重上界,a∈R>0;否则aij=0;对于有向图,边(j,i)意味着节点i可以从节点j接收信息;节点i的内邻居集合Ni={j∈V:(j,i)∈E};
本实施例中,多智能体***中的五个智能体i=1,2,3,4,5,构造的描述该多智能体***的加权有向连通的网络拓扑结构图如图2所示,根据定义构成的权重邻接矩阵A为:
步骤2:建立多智能体的离散时间状态方程;
对于一个有n个智能体的多智能体***的加权有向连通的网络,第i个智能体的离散时间状态方程如下公式所示:
xi(k+1)=xi(k)+ui(k)
步骤3:根据多智能体***的网络拓扑结构图的权重邻接矩阵、多智能体的离散时间状态方程和时变参考信号设计离散时间分布式平均跟踪算法,如下公式所示:
将上述ui(k)的计算公式带入步骤2中第i个智能体的离散时间状态方程得:
在上述离散时间分布式平均跟踪算法中通过引入μ[ri(k)-xi(k)]来实现所有智能体状态的和跟踪所有智能体时变参考信号的和,即 通过引入来使多智能体***中所有的智能体状态趋于一致,即对于任意i≠j;通过引入相邻采样时刻输入的时变参考信号差值[ri(k)-ri(k-1)]来跟踪智能体的时变参考信号的变化;
步骤4:设定多智能体***中每个智能体的初始状态值信息和时变参考信号信息,其中,第i个智能体的时变参考信号ri只能由第i个智能体接收;并且智能体的状态与时变参考信号二者的初始值没有必要的联系,可以为任意值;
此步骤是设定智能体的初始值和时变参考信号信息,其中,时变参考信号的性质是已知的,如果第i个智能体的时变参考信号ri的值满足有界性即其中,代表时变参考信号任意时刻的绝对值最大值;那么就存在智能体状态上界值使得
本实施例中,为多智能体***中的五个智能体设置如下初始状态值和时变参考信号:
x1(0)=6,x2(0)=4.5,x3(0)=4.25,x4(0)=14,x5(0)=15
r4(t)=5*sin(t)+10*e-t+4
r5(t)=5*sin(t)+10*e-2t+5
其中,t为连续的时间;
步骤5:根据每个智能体的时变参考信号调节离散时间分布式平均跟踪算法中的可变参数,使每个智能体运行离散时间分布式平均跟踪算法;逐步迭代更新每个智能体的的状态,实现多智能体***中所有智能体能够跟踪上一组时变参考信号的平均值。
本实施例中,取λ=0.3,μ=0.1,通过调节离散时间分布式平均跟踪算法中的可变参数使控制效果达到最优,迭代过程中各智能体的状态如图3、图4所示。从两个图中可以看出,在离散时间分布式平均跟踪算法的作用下,随着迭代次数的增加,各智能体的状态最终达到误差有界一致,并且和时变参考信号的平均值误差有界。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于权重不平衡有向网络的分布式平均跟踪方法,其特征在于:包括以下步骤:
步骤1:构造描述多智能体***的加权有向连通的网络拓扑结构图,其中,每个节点代表一个智能体,每条边代表智能体间的信息交互,从而获得网络拓扑结构图的节点集、边集和每个节点的邻居信息及权重邻接矩阵;
步骤2:建立多智能体的离散时间状态方程;
步骤3:根据多智能体***的网络拓扑结构图的权重邻接矩阵、多智能体的离散时间状态方程和时变参考信号设计离散时间分布式平均跟踪算法;
步骤4:设定多智能体***中每个智能体的初始状态值信息和时变参考信号信息,其中,第i个智能体的时变参考信号只能由第i个智能体接收,并且智能体的状态与时变参考信号二者的初始值没有必要的联系;
步骤5:根据每个智能体的时变参考信号调节离散时间分布式平均跟踪算法中的可变参数,使每个智能体运行离散时间分布式平均跟踪算法;逐步迭代更新每个智能体的状态,实现多智能体***中所有智能体能够跟踪上一组时变参考信号的平均值;
所述步骤1构造的加权有向连通的网络拓扑结构图表示为G=(V,E,A),其中,V={1,2,3,4…,n}是节点集,n是节点数,是边集,A=[aij]∈Rn×n是权重邻接矩阵,i=1,2,…,n,j=1,2,…,n,如果(j,i)∈E,则aij∈(0,a),a为智能体间的权重上界,a∈R>0;否则aij=0;节点i的内邻居集合Ni={j∈V:(j,i)∈E};
所述步骤2的具体方法为:
对于一个有n个智能体的多智能体***的加权有向连通的网络,第i个智能体的离散时间状态方程如下公式所示:
xi(k+1)=xi(k)+ui(k)
所述步骤3设计的离散时间分布式平均跟踪算法如下公式所示:
将上述ui(k)的计算公式带入步骤2中第i个智能体的离散时间状态方程得:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200402.6A CN113009822B (zh) | 2021-02-23 | 2021-02-23 | 一种基于权重不平衡有向网络的分布式平均跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200402.6A CN113009822B (zh) | 2021-02-23 | 2021-02-23 | 一种基于权重不平衡有向网络的分布式平均跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009822A CN113009822A (zh) | 2021-06-22 |
CN113009822B true CN113009822B (zh) | 2022-08-30 |
Family
ID=76407153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110200402.6A Active CN113009822B (zh) | 2021-02-23 | 2021-02-23 | 一种基于权重不平衡有向网络的分布式平均跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009822B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108039726A (zh) * | 2017-12-12 | 2018-05-15 | 国网山东省电力公司德州供电公司 | 一种基于多智能体***的能源局域网分布式协同控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2520341A1 (en) * | 2005-09-28 | 2007-03-28 | Ky M. Vu | The quadratic performance, infinite steps, set point model tracking controllers |
CN106502097B (zh) * | 2016-11-18 | 2019-03-05 | 厦门大学 | 一种基于时延滑模控制的分布式平均跟踪方法 |
CN110426951A (zh) * | 2019-07-17 | 2019-11-08 | 西北工业大学深圳研究院 | 一种应用于集群智能***的鲁棒分布式平均跟踪控制方法 |
CN111385155B (zh) * | 2020-03-18 | 2022-06-03 | 东北大学秦皇岛分校 | 一种基于韧性协议的分布式平均跟踪方法 |
CN111414575B (zh) * | 2020-03-18 | 2023-06-27 | 东北大学秦皇岛分校 | 基于符号函数的多智能体***的分布式广义跟踪方法 |
CN112235813A (zh) * | 2020-10-14 | 2021-01-15 | 东北大学秦皇岛分校 | 基于分布式平均跟踪算法的多瓶颈网络主动队列优化方法 |
-
2021
- 2021-02-23 CN CN202110200402.6A patent/CN113009822B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108039726A (zh) * | 2017-12-12 | 2018-05-15 | 国网山东省电力公司德州供电公司 | 一种基于多智能体***的能源局域网分布式协同控制方法 |
Non-Patent Citations (3)
Title |
---|
Agent的多目标优化分布式智能算法;金福江;《华侨大学学报》;20051031;全文 * |
Fixed-Time cooperative tracking control for double integrator multi agent system;qiang chen;《arxiv》;20200903;全文 * |
基于有向图的航天器编队鲁棒自适应姿态协同跟踪控制;张海博;《宇航学报》;20120831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113009822A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wan et al. | A Recursive Approach to Quantized ${H_ {\infty}} $ State Estimation for Genetic Regulatory Networks Under Stochastic Communication Protocols | |
CN112327633A (zh) | 具有时滞和干扰的领导跟随多智能体***一致性的方法 | |
CN111414575A (zh) | 基于符号函数的多智能体***的分布式广义跟踪方法 | |
CN113110039B (zh) | 一种多智能体***的有限时间分布式聚合优化方法 | |
Lee et al. | Synchronization with prescribed transient behavior: Heterogeneous multi-agent systems under funnel coupling | |
CN112583633B (zh) | 一种基于粗糙信息的有向多智能体网络的分布式优化方法 | |
You et al. | Distributed adaptive event‐triggered control for leader‐following consensus of multi‐agent systems | |
CN110278571B (zh) | 一种基于简单预测-校正环节的分布式信号跟踪方法 | |
CN113934173A (zh) | 基于脉冲控制的多智能体***分组一致性控制方法 | |
Hu et al. | Dynamic event‐triggered control for leader‐following consensus of multiagent systems with the estimator | |
CN114371617A (zh) | 基于脉冲控制的具有切换拓扑结构的多智能体***的分组一致性控制方法 | |
Zhai et al. | Distributed secondary voltage control of microgrids with actuators bias faults and directed communication topologies: Event‐triggered approaches | |
CN113110182B (zh) | 领导跟随多智能体***的容错控制器设计方法 | |
CN113009822B (zh) | 一种基于权重不平衡有向网络的分布式平均跟踪方法 | |
CN114861435B (zh) | 有限时间观测器下的多智能体***一致性滑模控制算法 | |
Xu et al. | Distributed output‐feedback cooperative tracking control of non‐linear multi‐agent systems with unknown actuator failures | |
CN114609910B (zh) | 一种具有乘性噪声的线性多智能体***及其一致控制方法 | |
CN111240199A (zh) | 马尔科夫切换拓扑条件下的二分同步性控制方法及*** | |
CN113031644B (zh) | 一种面向通信时滞的飞行器编队控制***事件触发方法、装置及介质 | |
CN113359474B (zh) | 基于梯度反馈的可扩展分布式多智能体一致性控制方法 | |
Liu et al. | Data‐driven consensus control for a class of unknown nonlinear multiagent systems with time delays | |
Liang et al. | Distributed data-driven iterative learning point-to-point consensus tracking control for unknown nonlinear multi-agent systems | |
Ma et al. | Human-in-the-loop formation control for multi-agent systems with asynchronous edge-based event-triggered communications | |
CN113848701B (zh) | 不确定性有向网络的分布式平均跟踪方法 | |
Dimple et al. | Diffusion least mean square algorithm for identification of iir system present in each node of a wireless sensor networks |
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 |