网络化高阶多智能体非线性系统的分布式优化算法

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状及发展趋势

1.2.1 反演控制技术

1.2.2 多智能体系统控制技术

1.2.3 分布式优化控制

1.3 预备知识

1.3.1 径向基函数神经网络

1.3.2 图论

1.3.3 定义和引理

1.3.3 凸函数分析

1.3.4 符号标注

第2章 分数阶高阶非线性多智能体分布式优化

2.1 问题描述

2.1.1 系统描述

2.1.2 构造含惩罚项的优化问题

2.2 基于观测器的自适应神经网络反演控制

2.2.1 神经网络观测器设计

2.2.2 自适应神经网络反演控制器设计

2.3 仿真实例

第3章 拓扑变换下多智能体切换系统的分布式优化控制

3.1 问题描述

3.1.1 系统描述

3.1.2 构造含惩罚项的优化问题

3.2 自适应神经网络反演控制器设计

3.2.1 神经网络观测器设计

3.2.2 分布式控制器设计

3.3 仿真实例

第4章 具有状态约束的多智能体系统的分布式优化控制

4.1 模型描述

4.2 基于障碍Lyapunov函数的自适应神经网络控制

4.2.1 构造含惩罚项的优化问题

4.2.2 神经网络观测器设计

4.2.3 控制器设计

4.3 仿真实例

第5章 基于神经网络的固定时间多智能体系统资源分配算法

5.1 模型描述

5.2 神经网络观测器及控制器设计

5.2.1 资源分配问题描述

5.2.2 神经网络观测器设计

5.2.3 控制器设计及稳定性分析

5.2.4 估计器设计及稳定性分析

5.2.5 分布式控制器设计

5.3 仿真实例

第6章 基于扩张观测器的固定时间多智能体系统资源分配算法

6.1 问题描述

6.1.1 模型描述

6.1.2 资源分配问题描述

6.2 固定时间二阶扩张观测器及控制器设计

6.2.1 固定时间二阶扩张观测器设计

6.2.2 固定时间分布式控制器设计

6.2.3 分布式控制器设计

6.3 仿真实例

第7章 基于扩张观测器的固定时间多智能体系统分布式优化算法

7.1 问题描述

7.1.1 模型描述

7.1.2 分布式优化问题描述

7.2 控制器设计

7.2.1 反演控制器设计及稳定性分析

7.2.2 估计器设计及稳定分析

7.2.3 分布式控制协议设计

7.3 仿真实例

参考文献

1.2,3分布式优化控制

在分布式优化问题中，多个智能体通过通信网络与邻居智能体之间进行信息交互，共同合作,并通过最小化它们的局部目标函数之和，即全局目标函数，以寻找全局最优解。这类问题在资源分配、大规模机器学习、无线网络等领域有着广泛的应用。近年来，在分布式优化问题方面已经取得了许多成就，例如:Duchi等借助邻近函数提出了对偶次梯度平均法求解确定及随机情形的分布式问题,并给出了与网络规模和拓扑相关的收敛速度上界;Yuan等设计了一个固定步长的分布式正则原始-对偶次梯度算法求解不等式约束的分布式优化问题;对于连续时间的情形，Yi等基于KKT(Karush-Kuhn-Tucker)条件和拉格朗日乘子法设计了二阶分布式算法去求解局部凸不等式约束仅对每个智能体是已知的分布式优化问题。虽然研究人员在分布式优化问题上取得了一些成果和突破，然而针对高阶多智能体非线性系统上的控制算法仍处于起步阶段。

   ……

本书主要内容包括: 设计基于神经网络的自适应控制算法, 利用神经网络的万能逼近能力对系统内的未建模动态进行估计, 并通过设计神经网络自适应律和自适应控制律, 使得系统输出达到全局最优解的附近。设计一个二阶固定时间内收敛的扩张观测器, 将系统中每一阶状态进行扩展, 利用扩张观测器获得系统内未建模动态以及外部干扰的估计值, 并最终通过固定时间稳定性分析得出构造出的分布式控制协议能够使多智能体系统的输出在固定时间内收敛至全局最优解的附近。仿真实验, 给出多智能体系统的具体模型, 并设计好控制协议中的每个所需参数, 利用MATLAB自带的仿真模块验证算法性能以及理论分析的结果。