融合边事件触发机制的分布式在线约束凸优化

现有分布式在线优化方法的实现通常依赖于通信网络中节点间的实时信息交换,这在实际应用中会带来无法承受的通信带宽等资源的消耗。为了减少通信成本,将边事件触发技术应用于分布式在线约束凸优化,其中每个智能体仅知晓时变的局部目标函数,所有智能体的公共目标是求解优化解序列来最小化网络总目标值(所有局部目标函数的总和)。首先,针对分布式在线梯度下降算法,在固定强连通有向图的假设下,设计了一个边事件触发机制。然后,基于所设计的边事件触发机制,为每个智能体的Regret建立了一个上界,发现该上界与事件触发阈值直接相关。进一步的分析表明,只要边事件触发阈值随着时间趋于无穷大而收敛至零时,Regret是次线性增长的。最后,通过面向时变经济调度和糖尿病分类预测问题的数值仿真实验,验证了所提出算法的有效性。

随机多智能体系统的多率协同控制

针对一类带有非线性动力学的随机多智能体系统研究了基于多率采样机制的一致性控制问题;引入多率采样机制异步地对智能体的状态进行采样,使用缓存器将不同时刻的采样数据进行存储以同步智能体不同分量的状态信息;提出了一种基于边的事件触发传输机制将每个智能体的状态信息定向传输给邻居智能体,从而减少通信资源的使用和控制器的更新频率;根据所设计的边事件触发传输机制设计了相应的控制协议使得随机多智能体系统可以实现均方一致性;因为每条边上的事件都是独立发生的,所以智能体的邻居之间不需要保证信息的时钟同步;根据所研究的系统给出了对应的数值仿真例子;通过将系统在同步采样机制、异步采样机制和多率采样机制下的状态响应轨迹进行比较,说明了所提出的边事件触发机制在多率采样机制下可以使得多智能体系统更好地实现一致性。