论文部分内容阅读
由多个智能体组成的分布式多智能体系统，相比单个个体，更具有自组织性和自适应性。多智能体系统中，智能体之间能够互相通信、合作，解决更复杂的问题。因此，多智能体系统在很多重要的领域得到应用，如水下机器人协同作业、多移动机器人系统等。近年来，多智能体协调控制已成为控制领域的研究热点，其中多智能体系统的一致性问题是进行协同合作的基础，同样受到学者的关注。 现有关于多智能体系统一致性问题的绝大多数成果都是只关注了在时间域上的收敛性。为了精确地实现多智能体的一致性目标，迭代学习控制的方法在多智能体系统一致性方面的应用受到了学者的关注。然而，目前利用迭代学习研究多智能体的一致性仍处在初步研究阶段。本文主要充分利用了分布式多智能体系统和迭代学习控制的特点，研究了具有重复运行性质的多智能体系统的一致性问题，设计了分布式的学习律，使得多智能体系统能够在有限时间区间上达到完全一致。本文的主要工作有 (1)利用迭代学习控制的方法研究含有领导者的多智能体系统的一致性问题。假设领导者的信息是全局可达的，针对线性多智能体系统设计出了分布式迭代学习算法，得到在拓扑为有向图时达到完全一致的充分条件，使得每一个跟随者在有限时间区间[0,T]上能完全地跟踪上领导者。 (2)针对迭代学习控制中的初值问题提出了一种初始状态误差修正算法，并对所提算法进行了理论分析，证明了算法的收敛性，通过Matlab仿真验证了算法的有效性。 (3)提出了一种遗忘因子迭代学习算法，有效地利用初始输入信号，并对算法进行了严格的理论分析，证明了算法的收敛性，并进行了Matlab仿真验证，结果表明所提算法的有效性。