(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202210154910.X
(22)申请日 2022.02.21
(71)申请人 东北电力大学
地址 132012 吉林省吉林市船营区长春街
路169号
(72)发明人 祝国强 李昊齐 张秀宇 孙灵芳
王建国 李志伟
(74)专利代理机构 北京东方盛凡知识产权代理
事务所(普通合伙) 11562
专利代理师 李娜
(51)Int.Cl.
G05B 13/04(2006.01)
(54)发明名称一种高阶多智能体系统状态约束量化控制器的构建方法(57)摘要本发明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。权利要求书2页 说明书21页 附图10页CN 114509948 A 2022.05.17
C N 114509948
A
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 )＝Φi1v i +Φi2χi1，
i＝1，…，N，其中，u i 为第i个智能体的迟滞输入，Φi1与Φi2是具有相同符号的常数；χi1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，χi2为逆迟滞特性辅助变量，
Φi1与Φi2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BLF约束函数限制系统模型中的受限状态。
6.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，将自适应控制方法和反步法相结合，基于相应的逆迟滞模型，构建高阶多智能体系统状态约束量化控制器包括：基于所述逆迟滞模型和量化器对所述高阶非线性多智能体系统模型进行改写；
对每个智能体的状态变量进行状态估计；
定义所述高阶非线性多智能体系统的第一个误差面；
定义所述高阶非线性多智能体系统的第二个误差面；
定义所述高阶非线性多智能体系统的第w个误差面；
当w＝k时，计算自适应率和构建所述高阶多智能体系统状态约束量化控制器。
7.根据权利要求6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，对每个所述智能体的状态变量进行状态估计时，采用高增益K滤波器，其中，所述高增益K滤波器为：
其中，φi ，Φi ，均为滤波器估计
函数；E n，q 为坐标参数；
Ψi 为滤波器系数矩阵，H i 为滤波器参数矩阵，为期望控制信号，j 为第j个智能体。
8.根据权利要求6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，所述第一个误差面为：
其中,z i ＝y i ‑y r 为系统的跟踪误差；ηi 表示第i个智能体与参考信号y r 之间的关系；为第i个和第j个智能体的相对输出。
9.根据权利要求6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，所述第w个误差面e i，w 为:
e i，w ＝ωi，m，w ‑αi，w ‑1，
w＝2，…，k，其中，ωi，m，w 为滤波器估计函数；αi，w ‑1为待设计的虚拟控制率。
10.根据权利要求6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，当w＝k时，计算自适应率和
其中，ιi，k 和均为调节函数；j表示与第i个智能体相邻的第j个智能体，记作j∈N i 。
一种高阶多智能体系统状态约束量化控制器的构建方法
技术领域
[0001]本发明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。
背景技术
[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，便开始寻能够解决单智能体系统缺点的方法，很快人们便从“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、结队巡游的鱼、协同工作的蚁、聚集而生的细菌落等，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，多智能体系统会更加复杂，其控制方法现如今大多关注于一、二阶系统，对于模型具有不确定项和外部干扰的高阶多智能体系统研究较少；多智能体系统的研究考虑迟滞非线性和状态受限的情况较少，而在现实环境内经常会遇到这类问题；智能体之间的大量数据交换可能会增加系统的通信负担。
[0004]因此，需要对多智能体系统迟滞非线性和状态受限进行约束量化，并且降低智能体之间的大量数据交换的通信负担。
发明内容
[0005]本发明的目的是提供一种高阶多智能体系统状态约束量化控制器的构建方法，以解决上述现有技术存在的问题，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。
[0006]为实现上述目的，本发明提供了如下方案：本发明提供一种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：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]可选地，所述高阶非线性多智能体系统模型表示为：
[0012]
[0013]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。[0014]可选地，所述迟滞非线性模型为：
[0015]u
i ＝B(v
i
)＝Φ
i1
v
i
+Φ
i2
χ
i1
，i＝1，…，N，
[0016]其中，u
i 为第i个智能体的迟滞输入，Φ
j1
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。[0017]可选地，所述逆迟滞模型为：
[0018]i＝1，…，N，
[0019]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。
[0020]可选地，对高阶非线性多智能体系统的全部状态进行约束时，采用BLF约束函数限制系统模型中的受限状态。
[0021]可选地，将自适应控制方法和反步法相结合，基于相应的逆迟滞模型，构建高阶多智能体系统状态约束量化控制器包括：
[0022]基于所述逆迟滞模型和量化器对所述高阶非线性多智能体系统模型进行改写；[0023]对每个智能体的状态变量进行状态估计；
[0024]定义所述高阶非线性多智能体系统的第一个误差面；
[0025]定义所述高阶非线性多智能体系统的第二个误差面；
[0026]定义所述高阶非线性多智能体系统的第w个误差面；
[0027]当w＝k时，计算自适应率和构建所述高阶多智能体系统状态约束量化控制器。
[0028]可选地，对每个所述智能体的状态变量进行状态估计时，采用高增益K滤波器，其中，所述高增益K滤波器为：
其中，φ
i ，Φ
i
，均为滤波器估计
函数；E
n，q 为坐标参数；Ψ
i
为滤波器系数矩阵，H
i
为滤波器参数矩阵，为期望控制信号，j
为第j个智能体。
[0029]可选地，所述第一个误差面为：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议