[发明专利]一种基于权重不平衡有向网络的分布式平均跟踪方法

说明书

本发明提供一种基于权重不平衡有向网络的分布式平均跟踪方法，涉及控制和信息技术领域。首先构造描述多智能体系统的网络拓扑结构图，使每个节点代表一个智能体，每条边代表智能体间的信息交互，并获得网络拓扑结构图的权重邻接矩阵；再建立多智能体的离散时间状态方程；根据网络拓扑结构图的权重邻接矩阵、多智能体的离散时间状态方程和时变参考信号设计离散时间分布式平均跟踪算法；然后再设定每个智能体的初始状态值信息和时变参考信号信息；最后根据每个智能体的时变参考信号调节离散时间分布式平均跟踪算法中的可变参数，使每个智能体运行离散时间分布式平均跟踪算法，实现多智能体系统中所有智能体能够跟踪上一组时变参考信号的平均值。

技术领域

本发明涉及控制和信息技术领域，尤其涉及一种基于权重不平衡有向网络的分布式平均跟踪方法。

背景技术

多智能体系统是由一组自主的、相互作用的实体所构成的系统，它们共享一个共同的环境，利用传感器感知，并利用执行器执行动作。多智能体系统提供了一种看待问题的分布式视角，可以将控制权限分布在各个智能体上。一般认为智能体具有自主性、通信、计算、适应性等基本特点。在大型系统中使用多智能体系统技术具有明显的优势。首先，由于具备并行感知和执行的能力，多智能体系统具有更快的操作速度和更高的执行效率；其次，当一个或多个智能体发生故障时，系统正常退化，从而提高了系统的可靠性和鲁棒性；再次，多智能体系统可以在必要的时候增加智能体，从而具备可扩展性和灵活性；最后，由多个简单的智能体构成的系统其成本远低于单个集中式的复杂系统。多智能体系统因为具备上述优势，已经在军事、交通、电力等诸多领域得到广泛应用。

近年以来，多智能体系统的协同控制逐渐成为控制领域的一个热点，研究内容越来越越丰富，主要涉及的问题包含一致性、领导者协调跟踪、群集控制、覆盖控制、编队控制、分布式优化、分布式预估、分布式平均跟踪等。其中分布式平均跟踪是一组智能体在只与邻居智能体通信的情况下跟踪上一组时变参考信号的平均值，在多核微处理器的任务迁移、分布式优化、编队控制等领域中具有广泛的应用价值。然而现有的分布式平均跟踪研究工作大都是建立在网络拓扑结构要么是无向的；要么是有向的，但权重平衡的假设之上的。这两种情况都是高度理想化的，在实践中很少见到。要么就是算法工作的先决条件是拉普拉斯矩阵的对应于零特征值的左特征向量应该对智能体可用，这在实践中很少能够实现，尤其是对于大型网络而言；还有对每个智能体作用一个分布式预估器来预估上述所说的左特征向量，但是需要的维数是与网络的规模相同，实现起来几乎不具备可操作性。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于权重不平衡有向网络的分布式平均跟踪方法，用于实现多智能体系统中所有智能体能够跟踪上一组时变参考信号的平均值。

为解决上述技术问题，本发明所采取的技术方案是：一种基于权重不平衡有向网络的分布式平均跟踪方法，包括以下步骤：

步骤1：构造描述多智能体系统的加权有向连通的网络拓扑结构图，其中每个节点代表一个智能体，每条边代表智能体间的信息交互，从而获得网络拓扑结构图的节点集、边集、每个节点的邻居信息及权重邻接矩阵；

构造的加权有向连通的网络拓扑结构图表示为G＝(V，E，A)，其中，V＝{1，2，3，4...，n}是节点集，n是节点数，是边集，A＝[a_ij]∈R^n×n是权重邻接矩阵，i＝1，2，...，n，j＝1，2，...，n，如果(j，i)∈E，则a_ij∈(0，a)，a为智能体间的权重上界，a∈R＞0；否则a_ij＝0；节点i的内邻居集合N_i＝{j∈V：(j，i)∈E}；

步骤2：建立多智能体的离散时间状态方程；

对于一个有n个智能体的多智能体系统的加权有向连通的网络，第i个智能体的离散时间状态方程如下公式所示：

x_i(k+1)＝x_i(k)+u_i(k)