Event-Triggering Sampling Based Leader-FollowingConsensus in Second-Order Multi-Agent Systems
Event-Triggering Sampling Based Leader-FollowingConsensus in Second-Order Multi-Agent Systems
摘要
本文研究了一种新颖的分布式事件触发采样方案，在该序列中二阶领导者遵循共识的问题，在该方案中，代理通过有限的通信介质交换信息。 设计了基于事件的分布式采样规则，其中每个代理决定何时测量自己的状态值，并在本地计算的测量误差超过依赖状态的阈值时请求其邻居代理在网络上广播其状态值。对于固定拓扑的情况，建立了充要条件。 对于切换拓扑的情况，在时变有向图是一致连通的假设下，获得了充分的条件。 结果表明，inter-event事件间隔有一个严格的正常数下界，这就排除了在达成共识之前的Zeno-behavior。 数值算例说明了理论结果的正确性。
文中考虑了具有领导者的二阶多智能体系统的一致性问题，智能体基于分布式的事件触发的采样控制的非线性动力学模型，控制器通过固定拓扑（fixed topology）或切换拓扑（switching topologies）的有限通信介质交换信息。 提出了基于事件的采样方案，其中每个智能体决定何时测量自己的状态值，并在本地计算的测量误差信号超过依赖状态的阈值时，请求其邻居智能体通过网络广播其状态值。 特别是，当控制增益设置为零时，在连续时间交互框架内的多智能体系统的二阶共识可以看作是我们结果的特例。 这项工作提出了一种用于二阶线性和非线性多智能体系统的分布式协作控制的新方法。
文中使用的控制输入如下：
ui(t)=∑j∈Niaij(xj(tki)−xi(tki)+vj(tki)−vi(tki))+bi(x0(tki)−xi(tki)+v0(tki)−vi(tki)){{u}_{i}}(t)=\sum\limits_{j\in {{N}_{i}}}{{{a}_{ij}}\left( {{x}_{j}}(t_{k}^{i})-{{x}_{i}}(t_{k}^{i})+{{v}_{j}}(t_{k}^{i})-{{v}_{i}}(t_{k}^{i}) \right)+{{b}_{i}}\left( {{x}_{0}}(t_{k}^{i})-{{x}_{i}}(t_{k}^{i})+{{v}_{0}}(t_{k}^{i})-{{v}_{i}}(t_{k}^{i}) \right)}ui(t)=j∈Ni∑aij(xj(tki)−xi(tki)+vj(tki)−vi(tki))+bi(x0(tki)−xi(tki)+v0(tki)−vi(tki))
其中t∈[tki,tk+1i)t \in [t_k^i,t_{k+1}^i)t∈[tki,tk+1i)，B=diag{b1,b2,⋯,bN}B=diag\{b_1,b_2,\cdots,b_N\}B=diag{b1,b2,⋯,bN}是领导者与智能体共同形成的有向拓扑图的邻接矩阵，A=(aij)A=(a_ij)A=(aij)是智能体群体同形成的有向拓扑图的邻接矩阵。
智能体iii只在其单独的事件时间序列{tki}k=0∞\{t_{k}^{i}\}_{k=0}^{\infty }{tki}k=0∞上被触发。且智能体iii使用最新的测量量xi(tki)x_i(t_k^i)xi(tki)和xj(tki),j∈Nix_j(t_k^i), j\in N_ixj(tki),j∈Ni，并不是直接使用xi(t)x_i(t)xi(t)和xj(t),j∈Nix_j(t), j\in N_ixj(t),j∈Ni。正常来说，每当智能体iii在时间tkit_k^itki更新了其状态信息，便会需要获取其邻居智能体jjj此时的状态信息。但是实际上这是行不通的，因为智能体jjj仅在时间序列{tkj}k=0∞\{t_{k}^{j}\}_{k=0}^{\infty }{tkj}k=0∞时获取自身状态信息并发送给邻居智能体。
Remark 1: 在此使用
ui(t)=β∑j∈Niaij(xj(tki)−xi(tki)){{u}_{i}}(t)=\beta \sum\nolimits_{j\in {{N}_{i}}}{{{a}_{ij}}\left( {{x}_{j}}(t_{k}^{i})-{{x}_{i}}(t_{k}^{i}) \right)}ui(t)=β∑j∈Niaij(xj(tki)−xi(tki)) 作为输入，而不是用
ui(t)=β∑j∈Niaij(xj(tk′(t)i)−xi(tki)){{u}_{i}}(t)=\beta \sum\nolimits_{j\in {{N}_{i}}}{{{a}_{ij}}\left( {{x}_{j}}(t_{{k}'(t)}^{i})-{{x}_{i}}(t_{k}^{i}) \right)}ui(t)=β∑j∈Niaij(xj(tk′(t)i)−xi(tki))
k′(t)≜argminl∈Z0+:t≥tlj{t−tlj}{k}'(t)\triangleq argmi{{n}_{l\in Z_{0}^{+}:t\ge t_{l}^{j}}}\{t-t_{l}^{j}\}k′(t)≜argminl∈Z0+:t≥tlj{t−tlj}作为输入。
这是因为智能体iii对自身状态进行采样或者接收到任意邻居智能体的状态信息时，第一种控制输入可以不用立即更新邻居智能体的状态信息，即便其邻居智能体已经完成了采样过程。第二种则需要时刻更新智能体的信息。
Note：智能体iii更新其控制输入以其自身tkit_k^itki为参考时间，而不是tk′(t)jt_{k'(t)}^jtk′(t)j。同时允许智能体之间采样和更新信息有时延，或者可以跳过多个周期。即智能体iii更新控制输入时可以使用智能体jjj多个周期nTsjnT_s^jnTsj之前的状态数据，以确保系统稳定性。可以由此确定采样周期TsjT_s^jTsj的取值范围。
智能体iii分布式事件触发规则：该规则仅根据其本地信息来分析确定，何时智能体iii必须对自身状态进行采样，同时从请求其邻居发送最新的状态测量值，以便确保群体可以与领导者之间的一致性。 同时，假设在达成一致性之前，系统具有控制输入，如果已经达成一致，则将它们的控制输入量为零。 因此，在智能群体达成一致性之前，对于tn∈[tki,tk+1i),i=1,2,⋯,Nt_n\in [t^i_k,t^i_{k+1}),i=1,2,\cdots,Ntn∈[tki,tk+1i),i=1,2,⋯,N，定义测量误差exi(t)e_{xi}(t)exi(t)，evi(t)e_{vi}(t)evi(t)，exij(t)e_{xij}(t)exij(t)和evij(t)e_{vij}(t)evij(t)，其分别定义为exi(t)=xi(tki)−xi(t)e_{xi}(t)=x_{i}(t^i_k)-x_{i}(t)exi(t)=xi(tki)−xi(t)，evi(t)=vi(tki)−vi(t)e_{vi}(t)=v_{i}(t^i_k)-v_{i}(t)evi(t)=vi(tki)−vi(t)，exij(t)=xj(tki)−xj(t)e_{xij}(t)=x_{j}(t^i_k)-x_{j}(t)exij(t)=xj(tki)−xj(t)，且当j∈Nij\in N_ij∈Ni时exij(t)=0e_{xij}(t)=0exij(t)=0。同理evij(t)=vj(tki)−vj(t)e_{vij}(t)=v_{j}(t^i_k)-v_{j}(t)evij(t)=vj(tki)−vj(t)，当j∈Nij\in N_ij∈Ni时evij(t)=0e_{vij}(t)=0evij(t)=0。
分布式事件触发的采样规则可以定义为：
Ei(t)=(bi+di)∥exi(t)+evi(t)∥+∥Ai∥∥e~xi(t)+e~vi(t)∥+bi∥exi0(t)+evi0(t)∥−βiHi(t)=(bi+di)∥xi(tki)−xi(t)+vi(tki)−vi(t)∥E_i(t)=(b_i+d_i)\left\|e_{xi}(t)+e_{vi}(t)\right\|+\left\|A_i\right\| \left\|\tilde{e}_{xi}(t)+\tilde{e}_{vi}(t)\right\|+b_i \left\|e_{xi0}(t)+e_{vi0}(t)\right\| -\beta_iH_i(t)\\ =(b_i+d_i)\left\|x_i(t^i_k) -x_i(t) + v_i(t^i_k) -v_i(t)\right\|Ei(t)=(bi+di)∥exi(t)+evi(t)∥+∥Ai∥∥e~xi(t)+e~vi(t)∥+bi∥exi0(t)+evi0(t)∥−βiHi(t)=(bi+di)∥∥xi(tki)−xi(t)+vi(tki)−vi(t)∥∥
其中bib_ibi是领导者的伴随矩阵BBB中的元素，当领导者与智能体iii之间建立连接时，bi>0b_i>0bi>0，否则bi=0b_i=0bi=0。DDD为度矩阵。
Event-Triggering Sampling Based Leader-FollowingConsensus in Second-Order Multi-Agent Systems相关推荐
- [中文事件抽取]DCFEE: A Document-level Chinese Financial Event Extraction System based on Automatically Lab
[中文事件抽取]DCFEE: A Document-level Chinese Financial Event Extraction System based on Automatically Lab ...
- 【Paper】2013_Event-triggering Sampling Based Leader-following Consensus in Second-order Multi-agent S
Event-triggering Sampling Based Leader-following Consensus in Second-order Multi-agent Systems 文章目录 ...
- 【论文复现3】算法2——Clustered sampling based on model similarity
[论文代码复现2]Clustered sampling based on sample size_admin11111111的博客-CSDN博客https://blog.csdn.net/admin1 ...
- 2022 ICML | Pocket2Mol: Efficient Molecular Sampling Based on 3D Protein Pockets
论文:https://arxiv.org/abs/2205.07249 代码:https://github.com/pengxingang/Pocket2Mol Pocket2Mol : 基于3D蛋白 ...
- 【每日一读】Efficient Personalized PageRank Computation: A Spanning Forests Sampling Based Approach
目录 简介 论文简介 ABSTRACT 1 INTRODUCTION 2 PRELIMINARIES 3 PAGERANK MATRIX FOREST THEOREM 3.1 New matrix f ...
- 【论文代码复现2】Clustered sampling based on sample size
[论文代码复现]Clustered Sampling: Low-Variance and Improved Representativity for Clients Selection in Fede ...
- Event causality extraction based on connectives analysis
基于连词分析的事件因果抽取 提出restricted hidden native bayes model----提取因果关系 特征:语境特征,句法特征,位置特征,因果连接词的类别特征 能够处理特征之间 ...
- 必看！52篇深度强化学习收录论文汇总 | AAAI 2020
所有参与投票的 CSDN 用户都参加抽奖活动 群内公布奖项,还有更多福利赠送 来源 | 深度强化学习实验室(ID:Deep-RL) 作者 | DeepRL AAAI 2020 共收到的有效论文投稿超过 ...
- AAAI-2020 || 52篇深度强化学习accept论文汇总
深度强化学习实验室报道 来源:AAAI-2020 作者:DeepRL AAAI 2020 共收到的有效论文投稿超过 8800 篇,其中 7737 篇论文进入评审环节,最终收录数量为 1591 篇,收录 ...
最新文章
- php最常见代码,PHP常见算法合集代码实例
- python快捷_汇总学习Python必备的42个快捷键，看完收获满满
- kafka可视化客户端工具（Kafka Tool）的基本使用
- PoE交换机的好处，你真的知道吗？
- [html] 如何给table中的某一列设置固定宽度
- 第二节：框架前期准备篇之AutoFac常见用法总结
- 实现多个下拉框同一批option,选中其一其他框里去除选中的项(不可选择已选过的项)--js
- 关于android开源类库StickyListHeaderAdapter 的写法注意
- 《PHP对象、模式与实践》之对象
- 例1：反转一个三位整数
- vscode 默认初始化_前端vscode 环境初始化
- Filecoin网络目前总质押量约为2294万枚FIL
- python刚出来多少薪资-作为Python程序员，薪资一般是多少？
- SpringMVC+Spring4.0+Hibernate 简单的整合
- 面向对象编程(五)——构造方法
- R语言实现基本统计分析之t检验
- 20191004每日一句
- linux系统管理Linux系统实验,操作系统原理与Linux系统实验
- 3线8线译码器74HC138门电路设计一位二进制全减器电路
- 车载双目摄像头，为什么特斯拉还在迟疑？