摘要：在多智能体系统中,分布式资源分配问题是近年来研究热点之一.分布式资源分配问题旨在通过智能体间信息交互实现资源最优配置.其中智能体局部约束给算法设计带来巨大挑战.首先,针对一阶多智能体系统,提出基于自适应精确罚函数的分布式资源分配算法,其中各智能体利用距离函数实现局部约束求解.此外,自适应设计思想旨在避免算法对全局先验知识获取.其次,利用跟踪技术实现二阶多智能体系统算法设计.并利用凸函数和非光滑分析法给出严谨的收敛性分析.最后,仿真结果验证了本文所设计优化算法对强凸分布式资源分配问题的有效性.

摘要：研究一类带有不等式约束为凸函数的多智能体系统分布式资源分配问题.在资源分配问题中,各智能体拥有仅自身可知的局部成本函数和局部凸不等式约束.分布式资源分配旨在如何利用智能体间的信息交互设计一种分布式优化算法,完成定量资源分配的同时还保证最小化全局成本函数.针对该问题,基于卡罗需-库恩-塔克条件和比例积分控制思想,首先提出一种自适应分布式优化算法,其中凸不等式约束的对偶变量可实现自适应获取;然后,为了降低系统的通信资源消耗,设计一种动态事件触发控制策略以实现离散时间通信的分布式资源分配算法;最后,通过数值仿真验证所设计算法的有效性.

摘要：随着信息物理系统技术的发展,面向多智能体系统的分布式协同优化问题得到广泛研究.主要研究面向多智能体系统的受约束分布式聚合博弈问题,其中局部智能体成本函数受到全局聚合项约束和全局等式耦合约束.首先,面向一阶积分型多智能体系统设计一种基于估计梯度下降的纳什均衡求解算法.其中,利用多智能体系统平均一致性方法设计一种自适应估计策略,以实现全局聚合项约束分布式估计,并据此计算出梯度函数估计值.其次,利用状态反馈策略和输出反馈策略将上述算法推广至状态信息可测和状态信息不可测一般线性异构多智能体系统.最后,利用拉萨尔不变性原理证实上述算法收敛性,并提供多组案例仿真用以验证算法有效性.

摘要：对有界扰动下二阶多智能系统的分布式凸优化问题进行了研究。分布式优化问题旨在通过智能体间信息交互实现全局成本函数一致最优。基于固定时间理论,提出一种在固定时间内收敛到最优解的算法。为防止智能体泄露局部成本函数的梯度信息,当邻居成本函数二阶导差值有界时,通过平均一致性在固定时间内利用跟踪技术实现平均梯度信息获取。设计一种自适应算法以避免上述全局信息的假设。进一步地,引入符号函数项实现算法对智能体外部有界扰动的自适应抑制。最后给出收敛性证明和仿真案例。

摘要：针对一般异构线性多智能体系统的分布式资源分配问题,结合智能体动力学特性设计一类分布式优化算法,旨在实现扰动抑制的同时完成资源的最优分配.面对扰动模型已知干扰信号,本文利用智能体状态信息设计一种自适应分布式优化算法,其中拉格朗日(Lagrange)乘子对偶变量控制参数自动增加,直至拉格朗日乘子对偶变量达到一致.当智能体状态信息不可测时,本文将上述算法修改为基于输出反馈的分布式优化算法.当全局成本函数强凸时,借助拉萨尔(LaSalle)不变性引理证明上述所提算法渐近收敛到全局最优解.面对未知扰动信号,本文利用扩张状态观测器技术设计一种分布式优化算法.当未知扰动信号为常数或其微分趋于零时,利用李雅普诺夫(Lyapunov)理论证明上述算法渐近收敛至全局最优解.最后利用数值仿真验证上述算法有效.

摘要：针对二阶多智能体系统中的分布式资源分配问题,本文设计两种连续时间算法.基于KKT(Karush−Kuhn−Tucker,卡罗需−库恩−塔克)优化条件,第一种控制算法利用节点局部不等式及其梯度信息来约束节点状态.与上述梯度方法不同,第二种控制算法包括一致性梯度下降法和固定时间收敛映射算子,其中固定时间收敛映射算子确保算法的节点状态在固定时间收敛到局部约束集,一致性梯度下降法目的是确保节点迭代到资源分配问题最优解.两种控制算法都对状态无初始值约束,且控制参数都是常数.利用凸优化理论和固定时间李雅普诺夫方法,分别分析了上述控制策略在有向平衡网络条件下的渐近和指数收敛性.最后通过数值仿真验证了所设计算法在一维和高维资源分配问题的有效性.

摘要：通过分析在速度控制运行模式的雕刻机系统输入角速度与输出位置之间的机理关系,将其系统利用一个积分因子和一个稳定传递函数相连接的模型进行模拟.通过引入微分滤波器对采样数据进行处理,将难以辨识的临界不稳定积分模型转换成易于辨识的稳定模型.提出一种能够精确估计带积分因子的递推最小二乘算法,并采用辅助变量法消除因滤波引起的有色噪声的影响.所提出算法可以确保在开环状态下对积分系统进行精确估计.针对多轴雕刻机运动控制系统,提出一种基于中间观测器的容错跟踪控制算法.针对与输入通道匹配的过程故障,设计基于故障估计值的容错控制反馈率以进行有效补偿;对于不匹配故障,通过调节中间观测器增益实现充分抑制.最后,通过与现有算法进行对比实验,验证了所提出算法的可行性和优越性.

摘要：随着国家智能电网的逐步发展,电网系统中势必要进入各种不同特性的分布式清洁电力能源,如风电,太阳能等。传统的集中式控制很难满足智能电网安全、稳定、高效运行的需要。针对智能电网中广泛研究的带约束电力分配问题,基于连续多智能体系统协同控制算法,该文设计一种不受初始态约束的分布式优化分配策略。通过添加辅助变量,该分布式算法实现了参数的常量化。该算法在迭代过程中仅需知道邻居分布式电源的状态,最终求解系统全局最优解。实验结果表明:所设计算法可有效解决电网中的电力分配问题;与已有算法比较发现,所设计算法实现了更快速的收敛至最优分配方案。

摘要：为了实现智能电网的安全稳定经济运行,针对电力系统中广泛研究的经济调度问题,受到一致性模型和鞍点动态法的启发,提出基于一阶连续系统的分布式算法.该算法考虑了迭代过程中节点生产能力和网络总负荷需求的约束,且每个节点只知道自身的代价函数.为了解决上述约束,该算法设计3种对应的拉格朗日乘子.为了实现控制参数的常量化,该算法添加了一个变量,用于平衡局部梯度差值.由于有向网络的权矩阵是非对称的,该算法引入一变量用于平衡各有向边的权增益.通过节点局部梯度与拉格朗日乘子,获取节点输出功率.实验结果表明,该算法针对经济调度问题是可行且有效的.

摘要：分布式凸优化问题的目的是如何以分布式方法最小化局部智能体成本函数和,而现有分布式算法的控制步长选取依赖于系统智能体个数、伴随矩阵等全局性信息,有悖于分布式算法的初衷.针对此问题,提出一种基于非平衡有向网络的完全分布式凸优化算法(FDCOA).基于多智能体一致性理论和梯度跟踪技术,设计了一种非负余量迭代策略,使得FDCOA的控制步长收敛范围仅与智能体局部信息相关,进而实现控制步长的分布式设置.进一步分析了FDCOA在固定强连通和时变强连通网络情形下的收敛性.仿真结果表明本文构建的分布式控制步长选取方法对FDCOA在有向非平衡下的分布式凸优化问题是有效的.