论文部分内容阅读
随着通信网络在实际生活中的广泛应用,基于通信网络的多智能体系统(MAS)成为了一个十分热门的研究领域,由于其在实际生活中发挥越来越重要的作用,相关的理论逐步得以完善。对一致性问题的研究是多智能体系统研究工作中的一类基本问题,而平均一致性是一致性问题中最基本的一类,即每个智能体通过与其相关联的智能体进行信息交换以使每个智能体达到初值状态值的平均值。正是因为多智能体系统中各智能体间的信息互换是通过它们之间的通信网络来进行,所以很有必要考虑此通信网络中的一些现实因素,如拓扑图是有向图还是无向图、带宽限制、切换拓扑以及时间延迟等,而这些均会影响多智能体系统的平均一致性。基于上述观点,本文的主要工作将从以下几个方面依次展开: 1.首先,验证了如果通信网络的拓扑结构是一个固定的且非平衡的强连通图,现有的序列平均一致性算法实现不了系统的平均一致性。当且仅当这个固定的强连通图也是平衡图时,序列平均一致性算法才能实现系统的平均一致性。然后,基于push-sum模型和surplus模型,我们提出了新的序列平均一致性算法,并证明了当多智能体系统通信网络的拓扑结构是一般强连通图时,各智能体可以达到一致且可以实现均方形式下的精确平均一致。最后,通过数值仿真验证了所得结论。 2.其次,解决了当通信网络的拓扑结构不是固定不变而是随着时间改变而变化的情况,只要这些切换的拓扑结构图是联合强连通的,基于push-sum模型的平均一致性算法可以使多智能体系统达到精确的量化平均一致性。这个算法的收敛性是从时变随机矩阵的一个引理得出的,仿真结果很好地验证了理论分析的正确性。 3.再次,研究了通信网络中出现的时间延迟对于平均一致性算法收敛性的影响。当出现的时间延迟是固定常数时,通过对延迟状态引入虚拟节点,我们可以将此时的通信网络转换为未带时间延迟的一般强连通图,此时通信网络的拓扑结构图是从原图增广后得出的,上述基于push-sum模型的平均一致性算法仍然可以实现精确的量化平均一致性。同样的,当出现的时间延迟是随着时间改变的,只要它们都是有界的,可以将此时的情形转换成联合强连通图这种情况,因此上述的算法依然是有效的。数值仿真的结果很好地验证了所得结论。