基于虚拟领导者的多智能体蜂拥行为研究

蜂拥行为的产生来源于对飞鸟、鱼群、蚂蚁以及蜜蜂行为的研究,这些群体通过每个个体的局部信息交互而产生统一的觅食、迁徙、归巢等行为。多智能体的自组织行为促进了蜂拥行为在工程上的应用,包括大量在环境中移动的传感器、媒介的平行同步传输、军事任务中的侦查、监视和战斗协作。主要研究内容是具有虚拟领导者的多智能体蜂拥控制算法,分别对群体中只有一部分智能体具有引导信息和虚拟领导者具有变化速度的情况作了分析。通过个体之间的局部感知作用和相应的反应行为,使系统整体呈现一定的协调行为。

基于蚁群算法的群集系统协同分群控制方法

研究了多智能体群集系统协同分群控制问题。借鉴蚁群算法,依据虚拟领导者的子群规模需求、个体与虚拟领导者的相对运动方向和个体周围邻居的虚拟领导者选择设计协同分群策略,实现了群体基于局部信息按虚拟领导者的子群规模需求进行协同分群的目的,并且在满足子群规模需求的前提下减少了群体在分群过程中的结构和速度调整,加快了子群的速度协调过程和结构稳定过程。基于李雅普诺夫稳定性定理和拉塞尔不变性原理进行了稳定性分析,并利用仿真实验验证了方法的有效性。

大规模机器人群体的分层编队控制算法

提出一种分层拓扑结构作为机器人群体在动态期望区域内的编队队形,并在此基础上设计一种基于分层拓扑的群体编队及避障控制器,邻域内各层层间机器人之间的通信是双向的.多机器人通过虚拟领导者的引导向动态期望区域内运动,并在邻居个体间的局部交互下形成期望编队控制队形,机器人群体速度达到一致,个体间距离稳定,从而实现编队和避碰.控制器中形状调节力用于调整和保持机器人群体队形,解决编队中因可能出现局部极小值而导致某些机器人死锁的问题.仿真实验表明了该算法是有效性的.

离散时变多智能体系统有限时间一致性迭代学习控制

针对一类离散时变多智能体系统,通过引入虚拟领导者产生期望轨迹的方法,将虚拟领导者和所有智能体组成固定的拓扑结构,在此基础上,提出一种离散时间迭代学习控制算法.该算法对多智能体系统中的每个智能体都设计一个控制器,各控制器都是利用上一次迭代时,该智能体与虚拟领导者之间的跟踪误差和该智能体与相邻智能体之间的跟踪误差,通过拓扑结构中通信权值的组合不断修正上一次的控制律,从而获得理想控制律.同时,基于范数理论严格证明所提出算法的收敛性,并给出算法在λ-范数意义下的收敛条件.该算法能够使离散时变多智能体的输出随着迭代次数的增加在有限时间区间内完全跟踪期望轨迹.理论分析和仿真结果都表明了所提出算法的有效性.

非仿射非线性多智能体系统迭代学习一致跟踪

为了解决非仿射非线性多智能体系统在给定时间区间上一致性完全跟踪问题,基于迭代学习控制方法设计一种分布式一致性跟踪控制算法.首先,由引入的虚拟领导者与所有跟随者组成多智能体系统的通信拓扑,其中虚拟领导者的作用是提供期望轨迹.然后,在只有部分跟随者能够获得领导者信息的条件下,利用每个跟随者及其邻居的跟踪误差构造每个跟随者的迭代学习一致性跟踪控制器.同时采用中值定理将非仿射非线性多智能体系统转化仿射形式,并基于压缩映射方法证明所提算法的收敛性,给出算法的收敛条件.理论分析表明,在智能体的非线性函数未知情况下,利用所提算法可以使非仿射非线性多智能体系统在给定时间区间上随迭代次数增加逐次实现一致性完全跟踪.最后,通过仿真算例进一步验证所提算法的有效性.