申请/专利权人：湖南师范大学

申请日：2022-04-22

公开（公告）日：2024-04-12

公开（公告）号：CN114721273B

主分类号：G05B13/04

分类号：G05B13/04

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.07.26#实质审查的生效;2022.07.08#公开

摘要：本发明涉及一种收敛零化神经网络的多智能体编队控制方法，特别是一种利用分布式固定时间收敛零化神经网络实现的多智能体编队队形一致性的控制方法技术领域。将每一个智能体的速度状态视为一个向量，并对每一个速度分量进行控制；当所有的智能体速度的每一个分量趋于一致的时候，方向也一致，多智能体编队此时就同时具有了速度一致性和方向一致性，从而达到了编队队形一致性；有益效果在于，1、使用分布式固定时间收敛零化神经网络来设计多智能体控制协议；2、实现固定时间收敛；3、比以弱估强的Polyakov方法更精准；4、实现任意维度下的多智能体编队队形控制。

主权项：1.一种固定时间收敛零化神经网络的多智能体编队控制方法，其特征在于：将每一个智能体的速度状态视为一个向量，并对每一个速度分量进行控制；当所有的智能体速度的每一个分量趋于一致的时候，方向也一致，多智能体编队此时就同时具有了速度一致性和方向一致性，从而达到了编队队形一致性；具体地，在固定拓扑情形下，单个分量的控制步骤设计如下：第一步：获取每一个智能体的初始状态，包括初始位置p0和初始速度v0，并根据通信拓扑结构计算邻接矩阵A，度矩阵D和拉普拉斯矩阵L信息；第二步：设计误差矩阵e＝Lx，其中矩阵L为拉普拉斯矩阵；x为系统状态向量；根据Olfati-Murray定理，当误差矩阵e趋于0的时候，多智能体状态趋于一致；第三步：根据零化神经网络动力学设计控制协议称其为DFTZNN模型，其中激活函数包括以下两种模型：Sign-Bi-Power：Sign-Exp-Power：其中0m1,n1,a0,signx为符号函数；m为激活函数参数一，n为激活函数参数二，a为激活函数参数三；设使用Sign-Bi-Power激活函数的模型为SBP-DFTZNN模型；设使用Sign-Exp-Power激活函数的模型为SEP-DFTZNN模型；第四步：以反常积分为基础的方法计算期望收敛时间，收敛时间和激活函数及其参数有关，从而达到固定时间收敛的目的，其中收敛时间和参数的关系如下： 其中为沉降时间函数，为欧拉Γ函数，为黎曼ζ函数，其他参数同第三步中所述；第五步：在DFTZNN模型的控制下，通过选取恰当的参数，系统在指定时间内收敛；在切换拓扑情形下，单个分量的控制步骤相比于固定拓扑情形，不同之处在于智能体之间的通信网络在随着时间变化，假设Q＝{g1,g2,...,gn}是所有可能出现的通信拓扑，δt为拓扑切换信号，gn为第n个通信拓扑；即在时间t的时候，通信拓扑的邻接矩阵为Aδt，相应的Laplace矩阵为Lδt；此时应该使用作为控制协议，和固定拓扑情形时相同；系统收敛时间上界取所有拓扑集中，沉降时间最长的拓扑结构。

全文数据：

权利要求：

百度查询： 湖南师范大学 一种固定时间收敛零化神经网络的多智能体编队控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD