多智能體一致性迭代學習控制研究.pdf

1、由多個物理上的實體或者是多個抽象點組成的分布式多智能體系統(tǒng)，更具有自組織性和自適應性，系統(tǒng)中的每個智能體能根據(jù)自身和環(huán)境的變化作出反應，并與其它智能體通訊，共同合作去完成一個任務。多智能體系統(tǒng)與單個智能體相比，具有更強的分布性和自主性，能夠通過“最近近鄰規(guī)則”解決更復雜的問題，因此多智能體系統(tǒng)可以應用到很多重要的領域，比如自治水下機器人協(xié)同作業(yè)、多移動機器人系統(tǒng)、分布式傳感器陣列等。因此分布式多智能體系統(tǒng)的一致性問題受到越來越多人的關注

2、。
　　本文在多智能體領域，針對具有重復運行性質的系統(tǒng)，利用迭代學習控制算法去實現(xiàn)多智能體系統(tǒng)有限時間內(nèi)的完全跟蹤。本文創(chuàng)新點在于針對迭代學習控制中的初值問題提出了兩種不同的初始狀態(tài)誤差修正算法，并對提出的這兩種算法給出了理論分析，證明了算法的收斂性，并進行了Matlab仿真實驗，實驗結果也證明了算法的可靠性。最后，在實驗室的剛性機械臂協(xié)作實驗平臺上實現(xiàn)了兩個算法，完成了機械臂的末端點保持隊形的實驗，再一次證明了算法的有效性。具體

3、內(nèi)容如下:
　　(1)針對具有重復運動性質分布式多智能體系統(tǒng)，在每個智能體初始狀態(tài)固定的情況下，提出了一種能進行初始狀態(tài)誤差修正的PD型迭代學習控制算法，該初態(tài)誤差修正只作用一小段時間t∈[0，h]，最后系統(tǒng)中的每個智能體在有限時間t∈[h，T]上完全跟蹤上參考軌跡。通過理論分析給出了算法的收斂條件，仿真實驗也證明了算法的有效性。
　　(2)針對具有重復運動性質分布式多智能體系統(tǒng)，在期望初始狀態(tài)未知的情況下，提出了一種同時對

4、各智能體的輸入和初始狀態(tài)誤差進行迭代修正的分布式學習控制算法。收斂性分析表明，該算法使得每個多智能體初始狀態(tài)逐漸收斂于參考軌跡對應的期望初始狀態(tài)，實現(xiàn)系統(tǒng)中每個智能體對期望軌跡在有限時間內(nèi)的完全跟蹤。放寬了之前多智能體文獻中每次迭代對初態(tài)嚴格一致的要求。理論分析證明了算法的收斂性，仿真實驗也驗證了算法的有效性。
　　(3)針對實驗室的三個剛性機械臂協(xié)作實驗平臺，通過分析選取每個機械臂兩個合適的自由度，建立了運動學模型。并在該運動學