一种高阶多智能体系统状态约束量化控制器的构建方法技术方案

本发明专利技术公开高阶多智能体系统状态约束量化控制器的构建方法，包括以下步骤：构建构建高阶非线性多智能体系统模型，其中，所述高阶非线性多智能体系统含有输入迟滞和全状态约束；根据所述输入迟滞，构建迟滞非线性模型，基于所述迟滞非线性模型，构建相应的逆迟滞模型；基于所述高阶非线性多智能体系统模型，对高阶非线性多智能体系统的全部状态进行约束；将自适应控制方法和反步法相结合，基于所述逆迟滞模型，构建高阶多智能体系统状态约束量化控制器。本发明专利技术在高阶多智能体系统存在参数不确定和外部扰动的基础上，采用自适应一致控制方法，具有更好的跟踪性能，提高了控制器的鲁棒性，保证闭环系统内的所有信号半全局一致最终有界。终有界。终有界。

【技术实现步骤摘要】
一种高阶多智能体系统状态约束量化控制器的构建方法


[0001]本专利技术涉及多智能体系统控制领域，特别是涉及一种高阶多智能体系统状态约束量化控制器的构建方法。

技术介绍

[0002]智能体概念的产生来源于早期人们对人工智能领域的研究，由“智能体”来代替人类完成复杂危险的工作是其被提出的重要原因。很多物理实体如传感器、执行器、机器人、无人机等都可以看作是一个智能体，其中的每个个体都具有一定的自主能力,包括一定程度的自我运动控制、局部范围内的信息传感、处理和通信能力等。但是随着智能体理论的发展，人们发现单个智能体能完成的任务实在有限，便开始寻找能够解决单智能体系统缺点的方法，很快人们便从“群体行为”这一自然界中常见的现象中获得了灵感，典型的例子如编队迁徙的鸟群、结队巡游的鱼群、协同工作的蚁群、聚集而生的细菌群落等，其共同特征是一定数量的自主个体通过相互合作和自组织，在集体层面上呈现出有序的协同运动和行为。多智能体据此应运而生，通过将多个单智能体相结合使其协同工作的方式进而弥补单智能体在某些场景下的能力不足问题。
[0003]实际情况下，多智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高阶多智能体系统状态约束量化控制器的构建方法，其特征在于，包括以下步骤：构建高阶非线性多智能体系统模型，其中，所述高阶非线性多智能体系统含有输入迟滞和全状态约束；根据所述输入迟滞，构建迟滞非线性模型，基于所述迟滞非线性模型，构建相应的逆迟滞模型；基于所述高阶非线性多智能体系统模型，对高阶非线性多智能体系统的全部状态进行约束；将自适应控制方法和反步法相结合，基于所述逆迟滞模型，构建高阶多智能体系统状态约束量化控制器。2.根据权利要求1所述的高阶多智能体系统状态约束量化控制器的构建方法，其特征在于，所述高阶非线性多智能体系统模型表示为：其中，i表示多智能体的个数；x
i
为第i个智能体的状态；为对应状态的导数；y
i
为第i个智能体的输出；u
i
为第i个智能体的迟滞输入，B(
·
)为迟滞特性函数，v
i
为系统的实际输入；I为状态系数矩阵；D
i
为增益矩阵；为未知非线性函数。3.根据权利要求1所述的高阶多智能体系统状态约束量化控制器的构建方法，其特征在于，所述迟滞非线性模型为：u
i
＝B(v
i
)＝Φ
i1
v
i
+Φ
i2
χ
i1
，i＝1，
…
，N，其中，u
i
为第i个智能体的迟滞输入，Φ
i1
与Φ
i2
是具有相同符号的常数；χ
i1
为第i个智能体的迟滞特性辅助变量，v
i
为输入信号。4.根据权利要求1或3所述的高阶多智能体系统状态约束量化控制器的构建方法，其特征在于，所述逆迟滞模型为：其中，v
i
为输入信号，为需要设计的控制信号，χ
i2
为逆迟滞特性辅助变量，Φ
i1
与Φ
i2
是具有相同符号的常数，BI(
·
)为逆迟滞补偿函数。5.根据权利要求1所述的高阶多智能体系统状态约束量化控制器的构建方法，其特征在于，对高阶非线性多智能体系统的全部状态进行约束时，采用BL...

【专利技术属性】
技术研发人员：祝国强，李昊齐，张秀宇，孙灵芳，王建国，李志伟，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：