【技术实现步骤摘要】
具有时变状态约束的多智能体有限时间事件触发控制方法
[0001]本专利技术属于计算机领域,涉及具有时变状态约束的多智能体有限时间事件触发控制方法。
技术介绍
[0002]在实际应用,出于安全性和性能因素的考虑,系统不可避免地会受到外部环境或其内部自身存在的某些限制,因此时常要对自身的状态进行约束,这种状态约束可以分为时不变或者时变的。对时不变状态约束,如在机器人操作系统中,为了保证机器人的稳定性,通常要将各个关节的运动速度设定在一个可靠的常值范围之内;对于时变状态约束,比如在无人驾驶系统中,要求汽车在行驶过程中的位置和速度需要时刻依据实时路况以及车流量等信息对汽车行驶的速度进行限制,因此对位置或速度的约束是要时刻跟随外界环境的变化而变化的。因此研究具有时变状态约束的控制问题具有重要的理论和应用意义。按照目前的研究,解决状态约束的方法主要分为两种,一种是障碍李雅普诺夫函数法(BLF),该方法的主要思想是不对受约束的状态进行非线性映射,而是在选取李雅普诺夫函数时选取为障碍李雅普诺夫函数,该函数的特点是当受约束的状态趋于状态的上下限时,函数的取值会趋于无穷大,通过进一步对李雅普诺夫函数的分析就可以解决状态约束问题。另一种方式被称为非线性映射方法,该方法的思想是将受约束的状态通过某个非线性函数映射后,将受约束的状态转化为不受约束的状态,在整个变化过程中,只要保证变化后的状态施加某种限定条件(如始终保持有界)就能保证变化前后的系统等价,即可以利用映射后不受约束的状态来对系统进行分析以此来解决系统的状态约束问题。同样的,这两种方 ...
【技术保护点】
【技术特征摘要】
1.具有时变状态约束的多智能体有限时间事件触发控制方法,其特征在于:该方法包括以下步骤:S1:建立问题;考虑如下由n个智能体组成的无领导者的非线性多智能体系统,其中每个智能体的模型表示为:其中为状态向量,为控制输入,设跟随者模型中的为未知光滑的非线性函数;局部邻居误差定义为:定义平均状态为跟踪误差定义为:y
i
(t)=x
i
(t)
‑
x0(t)(1
‑
3)为便于描述,将y
i
(t),x
i
(t),x0(t),e
i
(t)分别写为y
i
,x
i
,x0,e
i
,同时令x(t)=[x1,x2,...,x
n
]
T
,e(t)=[e1,e2,...,e
n
]
T
,得:得:其中为克罗内克积,I
n
为n阶单位矩阵;状态x1,x2,...,x
n
且始终满足非对称时变约束,即有:其中n为跟随者的个数,x
i
(t),分别为受限状态的上下限,其值与时间有关,该约束对于任意时间都满足;在t=0时刻要人为的设置一个足够大上界和一个足够小的下界x
i
(0)使得满足;设上下限的导数和均存在;假设系统中的F
i
(x
i
(t))为未知光滑的非线性函数,采用神经网络对未知的函数进行拟合,如下所示:其中Z和O(X)分别为神经网络的输入和输出,φ(
·
)为基函数,W为权重系数;在本发明中,基函数φ(
·
)选取为双曲正切函数,具体形式如下:将未知函数F
i
(x
i
(t))用神经网络替换得F
i
(x
i
(t))=W
iT
φ(V
T
Z)+ε
i
(1
‑
9)
其中W为神经网络理想的权重系数,ε为逼近误差,且满足||ε||≤ε
m
,||W||≤W
m
,ε
m
,W
m
均为未知的正常数,||
·
||为标准欧几里得范数;S2:状态映射;非线性多智能体系统的状态要始终保持在某个非对称时变约束中,采用非线性映射的方式将受事变约束的状态转换为不受约束的状态,具体过程如下:假设x
i
(t)满足以下等式,即选取如下的非线性映射函数:对(3
‑
2)移项再取反函数得:其中i=1,2,...,n,s
i
为经过映射后得到的状态,不难看出,当x
i
(t)趋近于上界时有趋于正无穷,当x
i
(t)趋近于下界x
i
(t)时有趋于负无穷,即有:经过(2
‑
2)的映射之后,先前受时变非对称约束的状态x
i
(t)转化为了不受约束的状态s
i
,另外显然tan(
·
)在区间上为单调递增的函数,只需要保证变化后的状态s
i
在任意时刻下始终是有界的,那么就存在唯一的一个映射前的状态x
i
(t)以及一组上下界与之相对应;即将该状态经过非线性映射函数映射后得到不受约束的状态s
i
,对于这个不受约束的状态只需要保证该状态始终有界,就能时映射前后的系统等价,通过该状态来实现原先状态受约束系统的一致性控制;显然s
i
为与x
i
(t),x
i
(t)有关的函数,因此将(3
‑
5)写成矩阵形式得其中Γ=[Γ1,Γ2,...,Γ
n
]
T
,u=[0,...,0,u]
T
,F(x)=[F1(x
i
),F2(x
i
),...,F
n
(x
i
)]
T
;
S3:设计分布式有限时间事件触发控制器设控制策略在满足以下条件时会进行触发,控制策略为:神经网络的自适应率为:其中p,q均为后续设计的控制增益常数,为理想的神经网络权重系数,表示第i个智能体的第k个采样时刻,且满足上述策略更新的触发条件为:其中d为正常数;对该控制策略以及触发条件的可行性进行证明,实现选取如下的李雅普诺夫函数:其中为自定义的正定矩阵,tr(
·
)为矩阵的迹;对V0(t)沿时间t求导,具有时变非对称约束的状态x(t)可状态非线性映射函数的映射下转换为不受约束的状态s(t);y(t)和x(t)的关系转换为:则为:由于无向图的拉普拉斯矩阵的任意一行或任意一列的元素之和等于0,即有由于无向图的拉普拉斯矩阵的任意一行或任意一列的元素之和等于0,即有为n维的列向量,在(3
‑
5)式两边同乘得再将将代入,并将未知非线性函数F(x)用神经网络替换得:
代入神经网络的自适应率,并结合引理二知:其中将控制增益系数p,q分别设置为将引理三代入上式得:其中由事件触发条件知,在时间时,总有||z
i
(t)||2+||r
i
(t)||2≤d||e
i
(t)||2满足,即有其中将其带入到上式中得:
其中在分布式控制策略(3
‑
1)和神经网络自适应率(3
‑
2),以及事件触发条件(3
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。