×
林娜娜;池荣虎;黄彪

具有切换拓扑的网络异质非线性代理的事件触发学习一致性。 （英语） Zbl 1464.93048号

J.富兰克林研究所。 358，编号7，3803-3821（2021）.
摘要：在这项工作中，提出了一种提升事件触发迭代学习控制（lifted ETILC），旨在解决非线性多智能体系统（MAS）共识中的异构动力学、切换拓扑、有限资源和模型依赖等所有关键问题。首先，我们建立一个线性数据模型，将异构非线性代理的I/O关系描述为线性参数形式，使非仿射结构MAS相对于控制输入仿射。代理的异构动态和不确定性都包含在线性数据模型的参数中，然后通过迭代投影算法进行估计。在此基础上，提出了一种提升的事件触发学习共识，并通过Lyapunov函数导出了事件触发条件。在这项工作中，没有阈值条件，而是使用了事件触发条件，这在保证所提出的提升ETILC的稳定性和迭代收敛性方面起着关键作用。该方法在保证跟踪误差迭代收敛的同时，可以显著减少批量控制动作的数量。提供了严格的分析和模拟，并证实了提升ETILC的有效性。

引用于1文件

MSC公司：

93元65角 离散事件控制/观测系统
93B47码 迭代学习控制
93D50型 共识
93甲16 多代理系统
93B70型 网络控制
93立方厘米 控制理论中的非线性系统

关键词：

事件触发迭代学习控制;共识;网络化非线性代理
PDF格式BibTeX公司 XML格式引用
\textit{N.Lin}等人，J.Franklin Inst.358，No.7，3803--3821（2021；Zbl 1464.93048）
全文： 内政部

参考文献：

[1] 孟，D。；Moore，K.L.，《学习合作：具有交换拓扑的信息代理网络》，Automatica，64，278-293（2016）·Zbl 1327.93022号
[2] Arimoto，S。；川村，S。；宫崎骏，F.，《通过学习改进机器人操作》，J.Robot。系统。，1, 2, 123-140 (1984)
[3] 孙，M。；吴，T。；陈，L。；Zhang，G.，针对任意初始偏移的误差跟踪神经AILC，IEEE Trans。神经网络。学习。系统。，2705-2716年7月29日（2018年）
[4] 李，X。；沈，D。；Xu，J.-X.，执行迭代可变任务的MIMO非线性系统的自适应迭代学习控制，J.Frankl。研究所，356，16，9206-9231（2019）·Zbl 1423.93174号
[5] 曼德拉，S。；Galkowski，K。；罗杰斯，E。；A.劳赫。；Aschemann，H.，性能增强的鲁棒迭代学习控制及其在PMSM位置跟踪中的实验应用，IEEE Trans。控制系统。技术。，27, 4, 1813-1819 (2019)
[6] 黄，D。；王凯。；Wang，Y。；Sun，H。；梁，X。；Meng，T.，基于迭代学习方法的T结微流体中液滴尺寸的精确控制，J.Frankl。研究所，357，9，5302-5316（2020）·Zbl 1441.93081号
[7] Sun，S。；Endo，T。；Matsuno，F.，基于迭代学习控制的非完整移动机器人编队鲁棒分布式算法，IEEE Access，661904-61917（2018）
[8] 黄，D。；陈，Y。；孟，D。；Sun，P.，《高速列车自适应迭代学习控制：多智能体方法》，IEEE Trans。系统。人类网络。系统。，1-11 (2019)
[9] 顾，P。；Tian，S.，奇异多智能体系统的迭代学习共识跟踪控制，IET控制理论应用。，13, 11, 1603-1611 (2019) ·Zbl 1432.93011号
[10] 张杰。；方，Y。；李，C。；Zhu，W.，具有不同通信延迟的多智能体系统的迭代学习控制编队跟踪，数学。问题。工程师，2019，2，1-12（2019）·Zbl 1435.93024号
[11] 兰，Y.-H。；吴，B。；石永新。；Luo，Y.-P.，具有时滞的分布式参数多智能体系统的基于迭代学习的一致性控制，神经计算，357，77-85（2019）
[12] 张，T。；Li，J.，具有有限级∑-Δ量化和随机包丢失的多智能体系统的迭代学习控制，IEEE Trans。电路系统。I规则。爸爸。，64, 8, 2171-2181 (2017)
[13] Jin，X.，使用迭代学习控制的具有视线范围和角度约束的多智能体系统的非重复领导-跟随编队跟踪，IEEE Trans。赛博。，49, 5, 1748-1758 (2019)
[14] Dong，S。；Jian-Xin，X.，带输出约束的异构高阶非线性多智能体系统的分布式学习共识，Automatica，97，64-72（2018）·Zbl 1406.93031号
[15] Yang，L。；Jia，Y.，多智能体系统编队控制的迭代学习方法，系统。控制信函。，61, 1, 148-154 (2012) ·兹比尔1250.93011
[16] 孟，D。；贾毅。；Du，J.，具有初始状态转移、扰动和切换拓扑的多智能体系统的鲁棒一致性跟踪控制，IEEE Trans。神经网络。学习。系统。，26, 4, 809-824 (2015)
[17] 孟，D。；贾毅。；Du，J.，《具有切换拓扑和通信时滞的多智能体系统通过迭代学习寻求共识》，《国际鲁棒非线性控制》，26，12，3772-3790（2016）·Zbl 1351.93009号
[18] 孟，D。；贾毅。；杜，J。；Zhang，J.，《非线性多智能体系统编队控制的迭代学习算法》，Automatica，50，1，291-295（2014）·Zbl 1298.93029号
[19] Li，J.等人。；Li，J.，一类具有分布式初始状态学习的异构多智能体系统的迭代学习控制方法，应用。数学。计算。，265, 1044-1057 (2015) ·Zbl 1410.93012号
[20] 杜，C。；刘，X。；Ren，W。；卢，P。；Liu，H.，通过无连续通信的事件触发策略实现线性多智能体系统的有限时间一致性，IEEE Trans。控制网络。系统。，7, 1, 19-29 (2020) ·Zbl 1516.93222号
[21] Lin，N。；Chi，R。；Huang，B.，事件触发无模型自适应控制，IEEE Trans。系统。人类网络。系统。，1-12 (2019)
[22] 张，Y。；孙，J。；Liang，H。；Li，H.，具有未知干扰的多智能体系统的事件触发自适应跟踪控制，IEEE Trans。赛博。，50, 3, 890-901 (2020)
[23] 赵，G。；华，C。；Guan，X.，带干扰的多智能体系统一致性的混合事件触发方法，IEEE Trans。控制网络。系统。(2020) ·Zbl 07255378号
[24] 徐伟（Xu，W.）。；胡，G。；Ho，D.W.C。；Feng，Z.，多个对手拒绝服务攻击下的分布式安全协同控制，IEEE Trans。赛博。，5033458-3467（2020）
[25] 徐伟（Xu，W.）。；Ho，D.W.C。；钟，J。；Chen，B.，针对具有dos攻击的不可靠网络的领导者遵循共识的事件/自触发控制，IEEE Trans。神经网络。学习。系统。，30, 10, 3137-3149 (2019)
[26] 雷，Y。；王永伟。；杨伟（Yang，W.）。；Liu，Z.-W.，通过事件自触发通信实现控制方向未知的异构多智能体系统的分布式控制，J.Frankl。仪器（2020）·Zbl 1454.93259号
[27] Tang，J。；Sheng，L.，具有事件触发传输策略和数据丢失的网络批处理过程的迭代学习容错控制，系统。科学。《控制工程开放存取杂志》，6，3，44-53（2018）
[28] 陈，J。；华，C。；Guan，X.，具有数据丢失和传感器饱和的非线性网络离散系统的快速数据驱动迭代事件触发控制，J.Frankl。研究所，357，13，8364-8382（2020）·Zbl 1448.93083号
[29] 熊，W。；Yu，X。；帕特尔·R。；Yu，W.，具有事件触发传输策略和量化的离散时间系统的迭代学习控制，Automatica，72，84-91（2016）·兹比尔1344.93070
[30] 张，T。；Li，J.，量化多智能体系统的事件触发迭代学习控制，亚洲J.control，20，3，1088-1101（2018）·Zbl 1398.93226号
[31] 刘，D。；Yang，G.，离散非线性过程的基于事件的无模型自适应控制，IET控制理论应用。，11, 15, 2531-2538 (2017)
[32] 魏，Z。；Yam，L.H。；Cheng，L.，Narmax模型表示及其在多层复合材料损伤检测中的应用，Compos。结构。，68, 1, 109-117 (2005)
[33] Kukreja，S.L。；Galiana，H.L。；Kearney，R.E.，《脚踝动力学的Narmax表示和识别》，IEEE Trans。生物识别。工程师，50，1，70-81（2003）
[34] Chi，R。；Hou，Z。；黄，B。；Jin，S.，基于优化的广义迭代学习控制的统一数据驱动设计框架，计算。化学。工程师，77，10-23（2015）
[35] Lin，N。；Chi，R。；Huang，B.，重复系统基于线性时变数据模型的迭代学习递推最小二乘辨识，IEEE Access，7133304-13333（2019）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。