一种多Agent协商中多目标群决策算法

为解决多Agent多目标群决策情形中属性的权重或决策Agent的权重未知时无法进行有效决策的问题,提出了采用迭代思想改进模糊多目标群决策模糊优选算法的途径.在模糊多目标群决策中,将未知模糊权重通过有效地迭代计算得出,从而确定出决策的最优排序结果.实例演算证明该算法可行且决策时间较短.

基于自适应迭代学习的多智能体系统编队控制

针对带未知时变参数的非线性多智能体系统的编队问题,提出一种分布式自适应迭代学习控制策略。首先,通过傅里叶级数对系统的不确定参数进行展开,采用一个收敛级数序列处理傅里叶级数展开产生的截断误差,结合多智能体运行过程中的编队误差推导自适应迭代学习控制律和参数更新律;其次,针对领导者动态对大部分智能体都是未知的情况,设计新的辅助控制来补偿未知动态和避免未知有界干扰;然后,基于李亚普诺夫能量函数证明了在所设计控制律作用下多智能体系统编队误差随着迭代次数的增加在有限时间内趋于0;最后,将该控制策略运用到多无人机编队系统中,并通过搭建半物理实验平台,验证了控制方法的有效性。实验结果表明该控制方法可以确保多智能体快速形成所需编队,并且每个智能体在有限时间内可以精确跟踪期望轨迹。所提方法充分考虑了多智能体系统的参数不确定性以及抗干扰的能力,为实际应用中复杂多智能体系统的精确控制提供了有效的方法。

非线性广义分数阶多智能体系统迭代学习趋同控制

针对一类含有扰动的非线性广义分数阶多智能体系统,研究其在不同通信拓扑协议下闭环Dα型迭代学习一致性趋同跟踪问题。首先,基于分数阶微积分特性及广义的Gronwall不等式,给出非线性广义分数阶多智能体系统在固定通信拓扑下一致性趋同误差收敛的充分条件。然后,将所得到的理论结果推广到通信拓扑随迭代变轴变化的情形,并分析了被控多智能体系统趋同跟踪误差的收敛特性。最后,通过2个数值仿真实例验证了所提闭环Dα型迭代学习趋同控制协议的有效性。

不同位移和速度拓扑的多智能体系统协同精确一致性

面向不同状态通信图的领导者–跟随者非线性多智能体精确一致性问题,提出了一种协同迭代学习协议,推得了该智能体在有限区间上精确一致性的充分条件。进一步将该方法推广至多智能体期望编队控制问题,给出了该智能体系统在有限时间上达到精确编队控制协议和条件,新协议可以减少通信代价。通过仿真验证新的学习协议的有效性。在速度拓扑连通而位移拓扑无需连通条件下,得到该智能体的精确一致性和形成期望的编队队形,放松了通信条件,该结果为无人系统编队等问题提供新的途径。

电力市场模拟中的报价中标概率函数与发电商个体学习模型

为了在基于Multi-Agent结构的电力市场模拟中建立高效、合理的智能个体行为模型,作者引入信念学习的思想,提出市场交易者报价中标概率函数的概念。报价中标概率函数中隐性地包含了大量市场交易相关信息,是市场交易者对电力市场交易的宏观认识,能够为其进行报价决策提供相关信息。基于报价中标概率函数,建立了发电商的学习模型,每个发电商都从交易数据中不断学习和调整各自报价的中标概率信念。算例结果表明:报价中标概率函数能够反映市场供求关系、电网阻塞以及发电商投机倾向对市场价格的影响,同时使发电商个体具有记忆能力,并能减少决策问题约束条件、简化发电商学习与决策模型。所提出的学习思路同样适用于建立购电者个体的学习模型。

输出饱和多智能体系统的迭代学习趋同跟踪控制

针对带有输出饱和的多智能体系统有限时间趋同跟踪控制问题,提出了一种分布式迭代学习控制算法.首先假设多智能体系统具有固定拓扑结构,且仅有部分智能体可获取到期望轨迹信息.基于输出约束条件构造一致性跟踪误差,在此基础上设计了P型迭代学习控制率.然后采用压缩映射方法给出了一个算法收敛的充分条件,并在理论上证明了跟踪误差的收敛性.最后,将理论结果推广至具有随机切换拓扑结构的多智能体系统中.仿真结果验证了所提出算法的有效性.

考虑不确定性和多主体博弈的增量配电网源网荷协同规划方法

在对增量配电网进行规划时,如何根据不同利益主体的市场行为获取最优的决策方案是目前亟需解决的重要问题。针对该问题,该文通过引入虚拟博弈者"大自然",实现了博弈理论和鲁棒优化的深度融合,提出一种考虑不确定性和多主体博弈的增量配电网源网荷协同规划方法。首先,分别构建DG投资运营商、配电网投资运营商和电力用户不同利益主体的规划决策模型;然后根据三者的传递关系分析分布式电源(distributed generation,DG)投资运营商和配电网投资运营商之间的静态博弈行为;同时采用鲁棒优化处理DG出力的不确定性,并引入虚拟博弈者"大自然",研究其与配电网投资运营商之间的动态博弈行为;在此基础上提出动–静态联合博弈规划模型,最后结合迭代搜索算法和极大极小值法对上述模型进行求解。仿真结果验证了文中方法的正确性和有效性。

非参数不确定多智能体系统一致性误差跟踪学习控制

针对一类在有限时间区间上执行重复任务的主-从型非参数不确定多智能体系统,提出一致性误差跟踪学习控制方法,用于解决在任意初始误差情形下的一致性问题.根据Lyapunov综合方法设计控制器,经过足够多次迭代后,藉由从智能体的一致性误差在整个作业区间上完全跟踪对应的期望一致性误差轨迹,实现各从智能体在预设的部分作业区间上对主智能体的零误差轨迹跟踪.采用鲁棒策略与学习策略相结合的手段处理非参数不确定性,利用双曲正切函数设计反馈项补偿随迭代次数变化但有界的不确定性.仿真结果表明了该控制方案的有效性.

航天器发射多任务并行调度模型及算法

航天器发射高频度常态化和航天产品可靠度的增加,客观上要求航天器发射采用并行调度模式以提高发射资源利用率。针对工序迭代可能引发的航天器发射系统死锁,构建了死锁预测和损失评价机制,建立了最小化任务时间和最小化加权滞后时间综合的目标函数,设计了多任务并行调度模型,开发了多类agent协同工作的优化算法,并使用调度实例验证了模型和算法的可行性和有效性。模型和算法在"天宫一号"和"神舟八号"发射任务中得到初步应用,效果较好。

迭代学习在多智能体编队中的控制研究

针对具有控制时延的非线性多智能体系统模型,设计了一种能够实现其稳定编队的迭代学习控制算法.首先,建立单个智能体的动态特性,根据多智能体的拓扑连接结构,将多智能体编队控制问题转化为跟踪问题.其次,针对每个智能体设计形式统一的迭代学习控制器,根据每个智能体不同的动态特性,选取合适的学习增益矩阵.最后,基于λ范数理论证明了算法的收敛性.由于该迭代学习控制算法放宽了对迭代初值的限定,使其达到在任意常值初态条件下的稳定控制,从而满足了各个智能体在初始位置随机分布时的编队控制要求.仿真结果证明了文中所给算法的有效性.

一类受到未知外部干扰的多智能体系统学习协同控制

针对一类受到未知外部干扰的多智能体系统,在迭代学习控制框架下,结合自适应控制,首先设计了具有微分型参数自适应律的时变增益,同时,为了补偿未知外部干扰,设计了辅助控制器;通过构造复合能量函数,基于类Barbalat引理,证明了区间[0,T]上的完全一致性.其次,借助坐标变换,将编队问题转化为一致性问题.最后,通过一个仿真算例验证了所提算法的有效性.

“双低”(低对比剂、低管电压)技术结合多模型迭代重建算法在肾脏双期CT增强扫描中的可行性

目的:探讨“双低”(低对比剂、低管电压)技术结合多模型的迭代重建(ASiR-V)算法在肾脏双期CT增强扫描中的应用价值。方法:前瞻性选取临床因病情需要做肾脏CT增强检查的患者60例为研究对象,随机分成常规剂量组及低剂量组各30例。患者均行肾脏双期CT增强扫描。常规剂量组:管电压120 kVp,对比剂320 mgI/ml碘佛醇,使用传统滤波反投影法(FBP)技术进行图像重建;低剂量组:管电压100 kVp,对比剂270 mgI/ml碘克沙醇,使用多模型迭代重建算法(ASiR-V),分别记录两组患者的CT扫描有效辐射剂量(ED)及碘摄入量,比较两组患者行肾脏CT平扫及动脉期的肾皮质及髓质的CT值、图像噪声(SD),对比噪声比(CNR)及信噪比(SNR)。由两位高年资影像诊断医师进行主观图像评分;并对两组图像质量的客观评价和主观评价进行相关统计学分析。结果:低剂量组的ED及碘摄入量明显低于常规剂量组,差异具有统计学意义(P<0.05)。两组图像质量的客观评价(CT值、SNR、CNR及SD)及主观评分差异均无统计学意义(均P>0.05),两位医师对图像质量主观评分的一致性较好(Kappa=0.765)。结论:“双低”技术结合ASiR-V算法在肾脏双期CT增强扫描中可获得满足临床诊断要求的图像质量,并且可以明显降低患者的有效辐射剂量及碘摄入量,值得临床推广使用。

从FIPD的合作现象看潜在参与人对Nash均衡的影响

针对大量现实博弈与Nash均衡预测相背离的现象,抛开"共同理性"假设,提出了Nash均衡理论的另一个隐性前提"博弈的封闭性假设",进而引入"潜在参与人"的概念,扩展了博弈参与人的范围,从理论上指出开放环境下策略偏离者的支付增益可能导致博弈结果偏离原Nash均衡;然后举例说明,将随机扰动引入标准复制子动态,对一个两阶段重复囚徒博弈偏离预期均衡的原因进行剖析;最后基于CAS理论和多主体系统的建模思想,应用仿真实验进一步分析和验证了以上结论.

基于迭代学习算法的偏微分多智能体系统的包容控制

该文研究一类偏微分多智能体系统的包容控制问题,该类系统是由二阶抛物型或二阶双曲型偏微分方程构建而成.基于网络拓扑结构,依据跟随者系统的输出形式,设计了P型迭代学习律,得到了系统基于迭代学习稳定性意义下的收敛性条件.利用压缩映射原理,证明了两类系统的包容误差在有限时间区间内随迭代次数的增加于L^(2)空间中收敛到零.最后,仿真算例验证了理论分析的正确性.

数据丢包下事件驱动的非线性多智能体迭代学习控制

针对具有随机链路丢包、通信带宽受限以及模型未知的非线性多智能体一致性问题,提出一种事件驱动的分布式无模型迭代学习控制策略.首先建立系统的事件驱动决策机制,给出基于输出信息的通信触发条件,当该条件满足时触发事件,各智能体间进行通信,不满足条件时则不通信,从而能够有效减少智能体间的大量通信和能量耗散.其次,使用伪偏导数将非线性系统沿迭代轴动态线性化,借助邻居在前一步事件触发时的输出信息设计随机链路丢包补偿机制,再结合事件驱动通信机制设计分布式控制协议.在此基础上,使用压缩映射原理分析算法收敛性能,仿真结果表明随着迭代次数的增加,事件触发间隔变大,所有的智能体将完成对期望轨迹的跟踪.

执行器饱和多智能体系统的自适应学习一致性算法

针对一类受到执行器饱和高阶多智能体系统在有限时间区间[0,T]上的精确一致性问题,利用自适应迭代学习控制的方法,设计了具有全饱和差分型自适应更新律的时变增益。通过构造适当的复合能量函数,严格证明了一致性误差向量随着迭代次数趋于无穷而一致趋于零,得到了不依赖于网络通信拓扑矩阵特征值的自适应学习一致性算法。最后,给出一个仿真例子,仿真结果说明了所提算法的有效性。

数据丢失下多智能体系统迭代学习跟踪控制

考虑数据丢失下非线性多智能体系统的一致性跟踪问题。假设多智能体系统使用固定网络通信拓扑结构,由于通信网络自身限制导致多智能体系统中存在数据丢失现象。将数据丢失现象描述为取值0/1的随机伯努利序列,设计分布式一致性跟踪误差,提出该系统在数据丢失下的P型迭代学习控制算法。采用压缩映射的方法给出收敛性条件,并在理论上分析了跟踪误差的收敛性。仿真结果表明,提出的算法可以实现该系统在有限时间区间上对期望轨迹的完全跟踪,验证了算法的有效性。

切换拓扑下测量受限多智能体系统一致性迭代学习控制

针对通信拓扑至少含有一个沿迭代轴的联合生成树且同时沿有限时间轴和无限迭代轴切换的情况,文本研究了存在测量受限的连续线性多智能体系统输出一致性迭代学习控制问题.首先,文章采用迭代学习控制方法设计了一种基于跟随者局部信息的分布式输出一致性协议.然后,给出了系统可解输出一致性问题的两个充分性条件,其中之一可使跟随者实时获取迭代学习增益,避免了全局信息对学习增益设计的影响,且保证了算法的分布式实现.接着,利用λ范数理论和圆盘定理严格证明了所设计算法的收敛性.最后,通过实例仿真验证了所得结论的有效性.

面向多主体用户的茶叶包装迭代设计方法研究

目前设计师在进行包装设计时多以单一用户的需求为主要设计依据,缺乏综合考虑多主体用户需求,因此提出一种基于多主体用户的茶叶包装迭代设计方法。首先通过资料查询及用户调研,提取出企业与消费者共同的需求点,其次运用熵权法确定基于企业需求的重要度,然后利用模糊kano模型确定消费者的必备需求、期望需求以及兴奋需求,最后根据消费者需求分类结果引入重要度调整函数对企业需求重要度进行调整,得出综合考虑企业和消费者的需求重要度,从而找出改进点,指导茶叶包装的迭代设计。以茶叶包装设计为例,验证了该方法的有效性和可操作性。