离散时间多智能体系统间歇事件触发输出一致性

对离散时间多智能体系统间歇事件触发输出一致性进行了研究。首先,结合间歇控制和事件触发机制,针对离散多智能体系统提出一个输出一致性控制协议。然后,构造误差系统,基于Lyapunov稳定性理论得到了依赖于网络的Laplacian矩阵和系统增益的输出一致性条件,实现离散时间多智能体系统间歇事件触发输出一致性。最后,利用具体的仿真例子对结果的有效性进行分析验证。

基于虚拟领导节点改进的孤岛微电网完全分布式二次调频策略

传统分布式二次调频策略在虚拟领导节点频率信息出现故障时会导致微电网系统频率无法恢复,针对该问题提出并设计一种完全分布式二次调频策略。首先分析传统分布式二次调频策略虚拟领导节点故障对二次调频过程产生的影响;然后,结合一致性算法对传统分布式二次调频控制器加以改进,通过将调频补偿量与频率偏差的对消作为“频率引导项”加入各分布式控制器中,使得各分布式发电单元完全对等,以保证虚拟领导节点去除后频率的正常恢复,实现完全分布式控制;最后,通过仿真验证所提方法在保证频率恢复方面的有效性与优越性。

考虑状态受限和一致性的微电网二次控制

为解决交流微电网下垂控制产生的偏差问题,本文采用二次控制对分布式电源输出电压和频率进行调节.将微电网看成分布式多智能体系统,智能体间通过稀疏网络进行通信,运用多智能体一致性协议,本文提出一种基于障碍Lyapunov函数和自适应模糊系统的二次电压和频率控制器.采用障碍Lyapunov函数设计控制器,不但能保持系统的稳定性,还可使输出的电压和频率限制在预设的范围内.采用自适应模糊系统可对系统中的一些参变量的变化进行估计,提高了控制器的鲁棒性.本文给出了严格的稳定性证明.通过对负载变化,以及拓扑结构改变等的仿真测试,验证了所提方案的有效性.

大语言模型支持的多智能体:技术路径、教育应用与未来展望

面对复杂多变的教育环境,多智能体系统以其协作、分布式和自适应的优势成为解决教育难题的新途径。本研究分析了多智能体系统的基本原理和演化历程,聚焦其在教育领域的源点,并从领域、结构和场景三个角度,探讨多智能体系统教育应用的形态演化。在技术层面,本研究探讨了生成式人工智能技术如何赋能多智能体系统,构建了基于大模型的智能体“眼—脑—手”三维能力框架,并提出了多智能体系统智能性提升的内外双循环框架。在教育应用方面,本研究阐述了多智能体系统教育应用的多重角色,包括促进知识管理的百科全书型智能体、促进协作交互的智能学伴型智能体、促进学习规划的教学助手型智能体和促进学科教学的专业教师型智能体等,探讨了多智能体系统在教育应用与跨文化体系适应中的潜力。多智能体系统的教育应用也面临诸多挑战,包括如何确保系统稳定性和安全性、如何避免负面影响、如何实现与传统教育方法优势互补等。针对这些挑战,本研究提出融合教学要素、对接数字基座、变革教育范式、加强安全伦理隐私保护等对策,以期重塑多智能体教育生态,引领其稳健前行。本研究可为促进智能化教育技术的发展提供新思路,为推动教育数字化和教育高质量发展贡献新力量。

多智能体双注意力自适应熵深度强化学习

在执行–评价算法和最大熵强化学习算法中分别存在价值函数过高估计和温度参数脆弱性的问题,从而导致策略网络陷入局部最优.针对此问题,本文提出了一种基于双集中注意力机制与自适应温度参数的多智能体强化学习算法.首先,要构建出两个初始参数不同的具有注意力机制的评价网络,通过这两个评价网络对策略网络做出更加准确的评价,从而避免出现过高估计问题而导致策略网络陷入局部最优.其次,本文提出了自适应温度参数的最大熵强化学习算法,计算出每个智能体的策略熵和基线熵,从而动态调整温度参数以实现自适应调整智能体的探索.最后,在受限的合作导航环境和受限的宝藏收集环境中验证了本文算法的有效性,本文算法的平均总成本与平均总惩罚优于其他算法.

面向任务的重叠联盟结构生成计算复杂性

传统的重叠联盟形成问题大都聚焦智能体,鲜有从任务视角出发.为此,本文首先构建了一种面向任务的重叠联盟结构生成模型,并分析了其解空间和相关决策问题的计算复杂性.此外,基于流网络分别设计了相应的孤立联盟、重叠联盟、重叠联盟结构成功性判别算法和最优重叠联盟结构生成算法.分析结果表明,判别孤立联盟、重叠联盟、重叠联盟结构的成功性的时间复杂度均与智能体数和任务数呈多项式关系,而搜索最优重叠联盟结构的时间复杂度与智能体数和任务数呈指数关系.最后,通过仿真实验验证了上述结果.

基于Multi-Agent的无人机集群体系自主作战系统设计

针对无人集群自主作战体系设计中的关键问题,提出基于Multi-Agent的无人集群自主作战系统设计方法。建立无人集群各节点的Agent模型及其推演规则;对于仿真系统模块化和通用化的需求,设计系统互操作式接口和无人集群自主作战的交互关系;开展无人集群系统仿真推演验证。仿真结果表明,所提设计方案不仅能够有效开展并完成自主作战网络生成-集群演化-效能评估的全过程动态演示验证,而且能够通过重复随机试验进一步评估无人集群的协同作战效能,最后总结了集群协同作战的策略和经验。

基于动态事件触发的微电网分布式协调控制策略

在孤岛交流微电网电压和频率的协调控制中,存在着依赖周期通信、通信负担大等问题.为此,提出了一种基于动态事件触发的分布式协调控制策略,在微电网中运用多智能体系统理论,将频率和电压作为追踪同步目标.通过评估事件触发条件,从根本上摆脱了分布式电源DGs的连续通信和Zeno行为.并引入与系统偏差和反馈有关的动态变量,合理调整触发阈值和反馈增益.此方案提高了通信效率,降低了控制更新频率,保持了良好的控制性能.并且在Matlab/Simulink环境中验证了所设计控制策略的正确性和有效性.

基于事件触发的多智能体固定时间滑模一致性控制

针对具有未知扰动的非线性领导跟随多智能体系统一致性问题,提出一种基于自适应事件触发机制的分布式积分滑模固定时间一致性控制方法。考虑到未知外部扰动会使系统出现抖振,设计基于连续积分滑模面的分布式控制协议;为降低系统中各智能体的事件触发次数及能源损耗,保证向邻居智能体更新并传递采样信息,设计基于状态误差的自适应事件触发机制;采用固定时间稳定性理论证明设计的控制协议和事件触发机制可确保系统能迅速稳定;与有限时间相比,固定时间理论可使系统的稳定时间摆脱初值限制。仿真结果表明,相同条件下所提方法分别和引入连续积分滑模面的静态事件触发控制方法以及引入不连续积分滑模面的自适应事件触发控制方法相比可将触发次数分别平均降低32.01%和20.24%,在系统存在未知扰动的情况下5.2 s内即可达到状态一致,减少收敛时间的同时保证各跟随者的跟踪误差始终保持在±0.05以内。

平衡参数自适应下基于模体的混合阶网络多智能体一致性

充分利用多智能体网络结构中的高阶信息可以有效增强多智能体一致性。现有的基于模体加权的多智能体框架(Motif-aware Weighted Multi-agent System,MWMS)将关注点集中在复杂网络中连接信息的提取,忽略了网络中的碎片信息,导致MWMS在取不同的平衡参数值时收敛效果差异较大。针对上述问题,提出了一种平衡参数自适应下基于模体加权的多智能体系统框架(Alpha-adaptive Motif-aware Weighted Multi-agent System,AMWMS),揭示了多智能体系统在混合阶网络下的平衡参数的调节规律。首先,提出了基于Jaccard相似性的高阶网络碎片化程度量化方法和基于相对距离的低阶网络碎片化程度量化方法,用于对不同网络层碎片信息进行建模;其次,设计了自适应参数生成的混合阶网络(Adaptive Parameter Generation Hybrid-Order Network,APGHNet),APGHNet的平衡参数能够在系统演化过程中自适应变化;最后,给出了平衡参数自适应下基于模体矩阵的多智能体一致性协议。通过仿真实验与MWMS中的一致性协议进行比较,验证了新协议的平衡参数自适应生成方法的有效性,系统最终能够收敛到较少的簇,增强了系统一致性。

具有时变输出约束的非线性多智能体系统自适应最优包含控制

本文对具有时变输出约束和未建模动态的不确定严格反馈非线性多智能体系统,提出了一种最优包含控制方法.利用一种新型积分型障碍Lyapunov函数处理输出约束,利用动态信号处理未建模动态,利用动态面控制方法设计前馈控制器,结合自适应动态规划和积分强化学习方法设计最优反馈控制器,利用神经网络在线逼近相应代价函数,并设计权重更新律.理论分析证明了所有跟随者的输出收敛到领导者生成的凸包中,全部跟随者组成的闭环系统是半全局一致最终有界的,同时,跟随者的输出保持在给定的约束集中,代价函数达到最小.仿真结果验证了所提出方法的有效性.

基于分层邻域选择的切换拓扑多智能体系统一致性协议

在切换拓扑的多智能体系统中,针对高低密度信息减弱一致性的问题,提出了一种基于分层邻域选择算法(Layered Neighbor Selection,LNS),该算法对智能体的邻域进行层次划分,从每层中选取具有代表性的邻居智能体进行通信、状态更新和状态演化,然后设计了层次调整策略和层次融合策略来加快收敛速度,最后设计了分层邻域选择一致性协议,且给出了层数对收敛的影响。现有的一致性协议,收敛效果受限于特定密度范围,受不同密度的影响较大,而本文提出的协议能适应不同密度范围,并在系统稳定的条件下提升收敛速度,且通过李雅普诺夫函数法证明了一致性协议的稳定性。最后通过仿真实验,并与几种一致性协议进行比较,验证了所设计的一致性协议能有效加快系统收敛速度。

基于双视角建模的多智能体协作强化学习方法

在多智能体协作领域,强化学习算法通过共享智能体的局部信息来实现智能体间的协作.但共享协作机制极易引发过度协作问题,导致智能体忽视自身局部观测信息,丧失策略多样性,最终陷入低效协作的困境.为了解决该问题,本文提出基于双视角建模的多智能体协作强化学习方法(Bi-View Modeling Collaborative Multi-Agent Reinforcement Learning,简称BVM-CMARL).该方法从局部和全局两个视角对智能体进行建模,分别用于产生多样性的策略和激励协作.在局部视角最大化局部变分与自身轨迹的互信息,激励智能体的策略多样性;同时在全局视角最大化全局变分与其他智能体动作的互信息,提高智能体协作水平.最后将局部变分训练出的局部Q值与全局变分训练出的全局Q值合并,避免低效协作.将BVM-CMARL算法应用于星际争霸多智能体挑战赛(StarCraft Multi-Agent Challenge,SMAC)中的等级觅食(Level-Based Foraging,LBF)和走廊(Hallway)等环境,与QMIX、QPLEX、RODE、EOI和MAVEN等5种目前优秀的强化学习算法相比,BVM-CMARL算法具有更好的稳定性和性能表现,在SMAC上的平均胜率为82.81%,比次优算法RODE高13.42%.通过设计模型变体,在消融实验中证明了双视角建模对BVM-CMARL的必要性.

通信受限下基于注意力的多智能体协同算法

受限于现实场景中有限的通信资源,现有的多智能体算法在实际应用时面临诸多挑战,如带宽受限、通信噪声等。为了提升多智能体系统在通信受限环境中的协同性能,提出了一种创新的多智能体协同算法。该算法在设计过程中,针对通信对象、通信内容和通信时间三个方面分别进行优化,旨在降低带宽消耗,提升系统协同性能。首先,该算法引入了一种可扩展多维信息编码融合模块,该模块具备卓越的信息提取与融合能力。通过编码多维度信息,该模块能够有效提取智能体感知等信息,以及智能体之间的通信信息,并在融合过程中实现信息的互补,从而提升协同决策的准确性和效率。其次,该算法包含了一种门控通信决策模块,该模块具备自适应的信息通信和决策能力,能够根据通信信息价值决定是否进行通信。实验结果表明,与对比算法相比,提出算法在协同导航和协同巡检等场景下均展现出了更出色的协同性能。此外,该算法还显著减少了智能体间通信信息量,进一步提高了在复杂环境中的适应性。

网络攻击下考虑状态受限的微电网安全运行与控制

攻击、干扰、不确定性通常存在于微电网中危害系统的安全运行.为了解决此问题,设计了一种带攻击补偿的电压控制器,以减小或抵消攻击对系统稳定性的影响.设计攻击观测器对微电网中受到的攻击进行观测;利用多智能体一致性协议,考虑全状态约束问题,采用正切型障碍Lyapunov函数约束所设计的状态量,使系统状态约束在预设范围内,并实现无功功率分配.采用自适应模糊系统对系统中一些参变量的变化进行估计,提高控制器的自适应能力.仿真验证了控制器的有效性.

分布式事件触发下的多智能体系统二分一致性

研究了基于分布式事件触发的多智能体控制系统中的二分一致性问题,设计了一种合作和竞争并存拓扑结构的一致性控制协议,使多智能体系统收敛于二模相同且符号不同的状态.在图论与矩阵论的基础上,将多智能体系统的二分一致性问题转化为闭环误差系统的稳定性问题,通过建立一个合适的Lyapunov函数,验证了闭环误差系统渐进稳定,且针对每个智能体提出了事件触发条件,以减少控制更新频率与通信资源的损耗,同时证明每个智能体相邻触发时间间隔都有严格的正下界,即避免了Zeno现象,最后利用仿真实例验证了所提方法的可行性和有效性.

一种解决带有凸集约束的分布式伪凸优化的连续时间算法

本文提出了一种可以解决带有凸集约束且全局目标函数是非光滑伪凸的分布式优化问题的连续时间算法.本文所提出的分布式优化算法采用罚函数方法建模,通过构造一个合适的惩罚项迫使所有智能体的状态变量进入可行域.通过使用李雅普诺夫(有限时间)稳定性理论等工具,证明了在一定假设下,本文所提出的算法将在有限时间内达成一致状态且进入可行域并永驻其中,并在此之后收敛到原分布式优化问题的最优解集.此外,该算法在运行时各个智能体仅仅需要接收邻居节点的相对状态的符号信息.最后,仿真结果验证了本文所提出的算法的有效性.

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。

DoS攻击下抛物型多智能体系统的输出反馈领导-跟随一致性

为了解决抛物型多智能体系统(MASs)在拒绝服务(DoS)攻击下的一致性问题,提出了一种基于输出反馈方法的MASs领导-跟随一致性控制协议来应对恶意攻击者发起的DoS攻击,从而实现智能体在无向通信拓扑图上的领导-跟随一致性。对DoS攻击的频率和持续时间进行了分析,利用Lyapunov稳定性定理推导了抛物型偏微分系统的稳定条件,证明了触发时间间隔不为零,避免了芝诺行为的发生,并通过仿真算例验证了理论结果的有效性。

多智能体系统固定时间一致性的多永磁同步电机转速协同控制

为了提高多电机转速协同控制精度,该文提出一种多智能体系统固定时间一致性的多永磁同步电机转速协同控制新思想。首先,将多永磁同步电机调速系统视为一个多智能体系统,设计了基于无向通信拓扑图的固定时间一致性协议;同时,设计了固定时间滑模观测器估计扰动并在一致性协议中引入前馈补偿,从而得到期望的q轴电流。然后,在矢量控制调速系统的框架下设计了固定时间互补滑模电流控制器,用于跟踪q轴参考电流。利用李雅普诺夫函数分别证明了控制器和观测器可以在与系统初始状态无关的情况下实现固定时间内收敛。最后,在三台永磁同步电机调速系统实验平台上与传统偏差耦合控制算法进行了对比实验验证,证明了所提控制算法的可行性和鲁棒性。