关键词：粒子群优化算法、有限时间收敛、多机器人系统、气味源定位

1。 介绍

本文由我们与环保机构合作，以减少基于协作多机器人系统的危险气源的定位时间，它可以配置为气味源定位的问题。在研究中，这个问题是一个病态和动态的优化问题，其主要特征可以概括为：

最大的气味浓度发生在气味源的位置的附近，存在着多个沿着气味源的臭气浓度最大值。

局部浓度最大值和本地臭气浓度最大值的位置，都是随随时间变化而变化的。

气味浓度接近于羽可以被检测到，除了其气味浓度接近零的羽。

气味源定位问题的特性基础是，PSO算法和其变体，如 PSO [30], CPSO [19], PPSO-IM [25], and LPSO [27]，其具有决策和控制机制属性，可以被用来决定气味源的位置，并控制机器人向位置移动。值得一提的是，上述方法的重点是如何设计一个新的决策算法，以确定气味源可能的位置，通过机器人组检测到的浓度信息和风场信息。其次，协同控制算法，其可以控制机器人到达气味的预测位置，也没有在现有的文献中得到足够的重视。

事实上，协同控制算法是在气味源定位问题是很重要的。从控制工程的角度，由于机器人用于搜索的气味源，一个协同控制器应更好的表现在抗干扰性能和对不确定性的鲁棒性。此外，由于该预测位置气味源是时变的，协同控制器应有更好的跟踪性能。由于气味源定位问题的特征，为适应这种动态搜索环境，协同控制器应使该系统在一个有限的时间间隔是稳定的。此外，动态搜索环境的相关知识只是当前和以前的机器人组信息。因而，机器人需要快速移动到气味源的预测位置，其获得的新信息便可以更新预测的气味源位置[ 40 ]。由于几个优点，包括更高的控制精度，更好的抗干扰性，和鲁棒性的不确定性[ 41]，有限时间控制器的设计已受到研究人员和工程师越来越多的关注。为了满足上述要求，开发一个有限时间的协调控制器具有重要的现实意义，其与决策算法相结合，形成一个FPSO算法，这是目前的研究的目的。

注意，FPSO算法可以看作是一个更广义的PSO算法的形式。它可以用来控制真正的机器人组。它也可以被看作是一个例子，这样的研究人员可以单独研究的决策算法和控制算法中的优化问题的特点。本文的部分版本出现在[ 26 ]。在本文中，首先，我们提出了一种基于连续时间模型的连续时间FPSO算法粒子群优化算法。由于非线性阻尼项的引入，连续时间的FPSO算法收敛在一个有限的时间间隔。此外，我们将介绍一个调整参数，它可以提高连续时间FPSO算法勘探能力。我们将采用李雅普诺夫方法分析连续时间FPSO算法的有限时间收敛性。其次，我们可以推导出一个FPSO算法离散化的采用LMI方法分析相应的收敛性。最后，我们将分别说明基于两病态函数和二十五个基准函数的FPSO算的特点和性能。在数值上模拟的结果上，我们将使用FPSO算法处理气味源定位的问题。论文网

2。 背景

2。1。 粒子群优化算法的相关工作

在过去的十年中，粒子群优化算法作为一种群体智能技术已经得到了广泛的研究。针对不同类型的优化问题，提出了不同类型的粒子群优化算法，并对其进行了实证研究，表明粒子群优化算法是优化问题的有效工具。广泛使用的粒子群优化算法[ 36 ]的版本是

                       (1)

和

                    (2)                            是速度矢量而是控制矢量；指第i个粒子先前的最好位置而是该群的全局最好位置；是惯性因子；和被称为加速系数。粒子群