针对受切换通信拓扑影响的非线性多智能体系统量化一致性问题,本文提出了一种学习型模型预测控制(LMPC)算法.该算法利用神经网络实时逼近并优化LMPC代价函数,在线预测最优控制增益矩阵,有效减小通信缺陷对系统性能的影响.同时,结合迟滞量化器对控制输入进行量化,缓解了网络资源受限对多智能体协同性能的限制.为描述多智能体间的信息交换,引入了部分转移概率未知的Markov切换拓扑结构.通过Lyapunov稳定性理论,给出了系统误差的指数一致性收敛.最后,通过非线性摆系统验证了所提方法的有效性和适用性.
针对受切换通信拓扑影响的非线性多智能体系统量化一致性问题,本文提出了一种学习型模型预测控制(LMPC)算法.该算法利用神经网络实时逼近并优化LMPC代价函数,在线预测最优控制增益矩阵,有效减小通信缺陷对系统性能的影响.同时,结合迟滞量化器对控制输入进行量化,缓解了网络资源受限对多智能体协同性能的限制.为描述多智能体间的信息交换,引入了部分转移概率未知的Markov切换拓扑结构.通过Lyapunov稳定性理论,给出了系统误差的指数一致性收敛.最后,通过非线性摆系统验证了所提方法的有效性和适用性.
|
您还没有登录，请登录后查看详情
|
