基于RBF神经网络的异构多智能体系统协同容错控制方法技术方案

本发明专利技术公开了一种基于RBF神经网络的异构多智能体系统协同容错控制方法：首先，假设所有的智能体都可以获得预定的运动轨迹和速度，通过异构多智能体间的通讯链接，构建异构多智能体系统通讯拓扑并以有向图表示，并计算出拉普拉斯矩阵；然后，具体分析每个智能体的动力学方程，在考虑执行器的乘性故障和加性故障的情况下，形成形式统一的二阶动态方程；基于RBF神经网络自适应理论和通讯网络链接的设计异构多智能体系统的协同容错控制器，基于一致性理论得到异构多智能体系统的全局动态方程，实现系统的协同容错控制。本发明专利技术克服了异构多智能体系统因内部智能体结构的不同导致难以协同容错控制的问题，使系统具有较强的鲁棒性和抗扰动性。抗扰动性。抗扰动性。

【技术实现步骤摘要】
基于RBF神经网络的异构多智能体系统协同容错控制方法


[0001]本专利技术涉及一种基于RBF神经网络的异构多智能体系统协同容错控制方法，属于异构多 智能体系统


技术介绍

[0002]近年来，无人作战系统作为改变未来战争模式的颠覆性技术装备，在世界范围内得到飞 速发展，已经成为国家间军事博弈的重要力量。面向未来作战应用需求，以无人机与无人车 组成的异构无人集群系统具有重要的研究价值。
[0003]由于无人机和无人车的异构特性，编队控制的困难度急剧增加。无人机与无人车之间存 在巨大差异，例如，二者有不同的工作空间、不同的动力学特性、不同的速度限制，这些差 异不仅仅体现在数学模型的差异上，更让控制系统难于统一处理。同时，二者模型的差异又 导致了控制目标量的不一致，进一步增加了编队控制系统的设计难度。受制于这些困难，目 前无人机和无人车协同控制的精度低且可靠性差，现有编队控制方法不能有效地指导工程应 用。同时，无人作战系统实现任务的前提是每个智能体本身能够正常运行，一旦在运行中某 个或多个智能体发生执行器故障，就可能因控制律不能完整的被执行而导致整体任务失败。 由于多智能体之间相互连接，单个智能体的故障很可能影响整个系统，甚至导致整个系统崩 溃，无法完成任务，造成巨大的损失，但是目前这个方向的研究尚少，因此异构智能体系统 的容错控制具有重要的现实意义。

技术实现思路

[0004]为了解决上述
技术介绍
提出的技术问题，本专利技术旨在提供基于RBF神经网络的异构多智 能体系统协同容错控制方法，克服因智能体不同导致难以实现协同容错控制的问题。
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]基于RBF神经网络的异构多智能体系统协同容错控制方法，包括如下步骤：
[0007](1)设定所有的智能体都能够获得预定的运动轨迹和速度，通过异构多智能体间的通讯 链接，构建异构多智能体系统的通讯拓扑并以有向图表示，计算出拉普拉斯矩阵L；
[0008](2)根据每个智能体的动力学方程，针对方程中难以处理的非线性项、模型不确定性和 外界扰动进行处理，在考虑执行器的乘性故障和加性故障的情况下，形成统一二阶动态方程 形式的每个智能体带有故障的模型；
[0009](3)基于RBF神经网络自适应理论和通讯网络链接，设计异构多智能体系统的协同容 错控制器，基于一致性理论得到异构多智能体系统的全局动态方程，实现系统的协同容错控 制。
[0010]进一步，在步骤(1)中，采用G＝{V，E，A}表示异构多智能体系统的通讯拓扑；其中， V＝{v1，v2，
…
，v
N
}表示智能体集合，v
i
表示第i个智能体，i＝1，2，
…
，N，N表示智能体数 量，E＝[e
ij
]表示智能体之间的通讯链接集合，e
ij
＝(v
i
，v
j
)表示v
i
能够获取第j个智能体v
j
的信
息，j＝1，2，
…
，N；A＝[a
ij
]∈R
N
×
N
为权值非负的邻接矩阵，如果(v
i
，v
j
)∈E则 a
ij
＞0，否则a
ij
＝0；定义G的入度矩阵D＝diag(deg
in
(v1)，deg
in
(v2)，
…
，deg
in
(v
N
))， 拉普拉斯矩阵L＝[l
ij
]∈R
N
×
N
，L＝D-A。
[0011]如果从每个智能体都有到其他智能体的一条有向路径，则有向图G为强连通图，下面三 个推论成立：
[0012]i.0为L的一个特征值，其余为N-1个具有正实部特征值。
[0013]ii.存在一个正向量ζ＝[ζ1，ζ2，
…
，ζ
N
]T
，且满足和ζ
T
L＝0。
[0014]iii.令A＝diag{ζ1，ζ2，
…
，ζ
N
}，可得则相当于一个无向连通图的 拉普拉斯矩阵。对于任一正的列向量μ∈R
N
×1，如下不等式成立：
[0015][0016]其中，代表一个N维列向量，为的最小非零特征值。
[0017]进一步，步骤(2)中第i个智能体带有故障的模型表示为如下的二阶动态方程：
[0018][0019]其中，n为向量维度，x
i
(t)∈R
n
、v
i
(t)∈R
n
和分别代表t时刻第i个智能体 的位置、速度和带有未知故障的控制输入向量；ρ
i
(t)＝diag{ρ
i1
(t)，ρ
i2
(t)，
…
，ρ
in
(t)}，b
i
(t)＝[b
i1
(t)，b
i2
(t)，
…
，b
in
(t)]T
，0＜p
ik
(t)≤1和 b
ik
(t)分别表示t时刻第i个智能体的执行器第k个通道未知效率因子和输出偏差， 0＜ρ
i
≤ρ
i
(t)≤1，ρ
i
为ρ
i
(t)的下界，为b
i
(t)的上界；t 时刻第i个智能体模型中的非线性项和小确定性项综合表示为 f
i
(*，t)＝[f1(*，t)，f2(*，t)，
…
，f
n
(*，t)]T；d
i
(t)＝[d
i1
(t)，d
i2
(t)，
…
，d
in
(t)]T
表示t时刻第i 个智能体受到的外界扰动。
[0020]进一步，第i个智能体带有故障的模型包含如下的故障模式：
[0021]1)ρ
i
(t)＝1且b
i
(t)≠0：代表执行器只有加性故障；
[0022]2)0＜ρ
i
(t)＜1且b
i
(t)＝0：代表执行器只有乘性故障；
[0023]3)0＜ρ
i
(t)＜1且b
i
(t)≠0：代表执行器既有乘性故障又有加性故障。
[0024]进一步，步骤(3)中异构多智能体系统的协同容错控制器如下：
[0025][0026][0027]其中，u
i
(t)表示t时刻第i个智能体的控制输入向量，表示t时刻第i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于RBF神经网络的异构多智能体系统协同容错控制方法，其特征在于，包括如下步骤：(1)设定所有的智能体都能够获得预定的运动轨迹和速度，通过异构多智能体间的通讯链接，构建异构多智能体系统的通讯拓扑并以有向图表示，计算出拉普拉斯矩阵；(2)根据每个智能体的动力学方程，在考虑执行器的乘性故障和加性故障的情况下，形成统一二阶动态方程形式的每个智能体带有故障的模型；(3)基于RBF神经网络自适应理论和通讯网络链接，设计异构多智能体系统的协同容错控制器，基于一致性理论得到异构多智能体系统的全局动态方程，实现系统的协同容错控制。2.如权利要求1所述的基于RBF神经网络的异构多智能体系统协同容错控制方法，其特征在于，在步骤(1)中，采用G＝{V,E,A}表示异构多智能体系统的通讯拓扑；其中，V＝{v1,v2,
…
,v
N
}表示智能体集合，v
i
表示第i个智能体，i＝1,2,
…
,N，N表示智能体数量，E＝[e
ij
]表示智能体之间的通讯链接集合，e
ij
＝(v
i
,v
j
)表示v
i
能够获取第j个智能体v
j
的信息，j＝1,2,
…
,N；A＝[a
ij
]为权值非负的邻接矩阵，如果(v
i
,v
j
)∈E则a
ij
＞0，否则a
ij
＝0；G的入度矩阵D＝diag(deg
in
(v1),deg
in
(v2),
…
,deg
in
(v
N
))，拉普拉斯矩阵L＝[l
ij
]＝D-A。3.如权利要求1所述的基于RBF神经网络的异构多智能体系统协同容错控制方法，其特征在于，步骤(2)中第i个智能体带有故障的模型表示为如下的二阶动态方程：其中，n为向量维度，x
i
(t)∈R
n
、v
i
(t)∈R
n
和分别代表t时刻第i个智能体的位置、速度和带有未知故障的控制输入向量；ρ
i
(t)＝diag{ρ
i1
(t)，ρ
i2
(t)，
…
，ρ
in
(t)}，b
i
(t)＝[b
i1
(t)，b
i2
(t)，
…
，b
in
(t)]
T
，0＜ρ
ik
(t)≤1和b
ik
(t)分别表示t时刻第i个智能体的执行器第k个通道未知效率因子和输出偏差，0＜ρ
i
≤ρ
i
(t)≤1，ρ
i
为ρ
i
(t)的下界，为b
i
(t)的上界；t时刻第i个智能体模型中的非线性项和不确定性项综合表示为f
i
(*,t)＝[f1(*,t),f2(*,t),
…
,f
n
(*,t)]
T
；d
i
(t)＝[d
i1
(t)，d
i2
(t)，
…
，d
in
(t)]
T
表示t时刻第i个智能体受到的外界扰动。4.如权利要求3所述的基于RBF神经网络的异构多智能体系统协同容错控制方法，其特征在于，第i个智能体带有故障的模型包含如下的故障模式：1)ρ
i
(t)＝1且b
i
(t)≠0：代表执...

【专利技术属性】
技术研发人员：张柯，任意，姜斌，丁勇，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：