数据驱动的多智能体网络鲁棒包容控制

针对输入受限的受扰多智能体网络,提出具有领航层、估计层、控制层和跟随者层的新型鲁棒包容控制方案.首先,设计有限时间估值器获得跟随者的期望状态,然后基于包容误差引入非均方折扣代价函数,从而将鲁棒包容控制问题转换成受限最优控制问题.并应用Laypunov拓展原理证明得到的最优控制策略使得网络实现一致最终有界稳定.在系统动态完全未知的情况下,采用提出的积分增强学习算法和执行器–评价器结构,在线得到近似最优控制策略.仿真结果验证了理论方案的有效性和可行性.