3．5  复杂动态系统一致性算法的应用
3.5.1  编队控制
编队控制是协调相对简单和廉价的多智能体,使得智能体系统能覆盖较大的可操作领域并执行复杂的任务。近年来,有很多控制策略运用智能体来取得协同行为,从工程的角度来讲这种协同行为很重要,在海洋探测,军队导航,安全救助等应用中有很大的用途[8]。
多智能体系统的编队控制可运用到移动机器人,无人航空器(UAVs),自治水下车辆(AUVs),卫星簇,航空器,航天器等领域。其目的是使整个智能体群体保持一个事先设定的稳定的几何图形。在分布式编队的过程中,每个智能体都知道队形的中心位置,智能体之间通过一致性算法来调整自己的状态,因此一致性算法是编队控制的核心问题。
Fax最先将一致性算法运用到编队控制中,给出了分布式控制器的设计方法,并运用图论工具,将通讯网络拓扑与编队稳定性联系起来,给出了相关的Nyquist判据,对车辆编队问题首次提出用分散化的方法处理车辆之间信息流。
Kobayashi基于梯度下降方法提出分散控制律。该方法使得智能体在二文平面上自由移动,包围目标物体并形成环形编队。由于环形追捕策略要求通讯连接的数量最少,且不需要leader智能体,因此是比较好的方法。Marshall提出了多智能体系统在受限制情形下的环形追捕编队问题。但是运用他们的方法智能体包围自由移动的物体是很困难的。Tae-Hyoung Kim提出了分布式协同控制方法,每个智能体基于其它智能体和目标物体的信息来决定自己的行为。
研究多智能体系统的最优协调控制问题,考虑运用最小的能量在有限的时间内,从给定的初始位置到给定的目的地使得多智能体系统没有偏离树的形状的编队控制优化问题。
3.5.2  蜂拥
蜂拥问题是多智能体系统的重要协同行为之一,Reza考虑了分布式flocking算法的设计和分析的框架；考虑了自由空间和有多个障碍物空间两种情形下的flocking问题[8]。
对于基于局部传感器信息的leader跟踪蜂拥的多智能体系统。在该系统里,智能体运用局部传感器去获取邻居之间的信息,根据这个信息保持距离并避免碰撞。
对于多智能体系统的蜂拥问题,主要考虑了三种情况：i)部分智能体知道leader的信息影响；ii）leader的速度是时变的。iii）Leader速度时变和部分智能体可获取leader的信息,运用其提出的算法智能体网络形成蜂拥行为。
对于位移一致性算法,智能体通过邻居间通讯来估计蜂拥中心位置,通过设计聚合控制器和分离函数使智能体聚合和防止碰撞。Reza运用分布卡尔曼滤波算法研究分布式目标跟踪,证明跟踪性能的提高会导致蜂拥行为的出现。
对于保持网络连通时的蜂拥问题，在多智能体系统的协同行为中,找到鲁棒分布式算法是个挑战性问题。作者在控制器的设计上添加通讯网络的连通性要求来解决这个问题，并指出了多智能体系统的分布协同的新方向。
3.5.3  聚集
所谓聚集就是智能体在某一位置上达成一致。从控制的观点看,一群智能体比单
个智能体对通讯连接的失败有更强的的鲁棒性。对智能体网络来说,在有通讯限制时协同行为是个控制问题。由于网络的拓扑结构依赖智能体所在的位置,且随着时间的变化而变化。因此,在多智能体网络的聚集控制中,为了保证聚集行为的稳定性,通常假设多智能体系统的网络拓扑在运动变化中以以足够高的频率保持连通。由于初始网络的连通性一般不能保证变化过程中网络的连通性。因此,对给定的初始条件,这种假设是很难满足的[8]。
近来出现很多保持网络连通性的研究结果。主要研究一阶积分器网络的聚集问题。用迭代分散化算法来最大化拉普拉斯矩阵的最小非零特征值来提高连通性，并运用对局部连通性的测量控制来确保网络的全局连通性。 TrueTime网络环境下复杂系统一致性的仿真(9):http://www.youerw.com/zidonghua/lunwen_2164.html