基于多智能体技术的出行诱导管理系统研究

将实时道路网络动态交通信息与交通管理专家的知识和经验结合起来,基于多智能体技术设计了以城市现有交通管理中心为基础的出行诱导管理系统.该系统通过黑板模型集成了包含在出行诱导管理过程中的交通问题类型确定、分流交通量预测和分流交通量控制3个智能体.系统使用一个管理智能体通过黑板模型对这3个智能体进行集中控制,使每一个智能体能够与黑板通信,智能体之间在黑板上进行信息分享与协作.研究表明,应用多智能体技术设计的出行诱导管理系统能对出行诱导负效应的产生进行实时跟踪和控制.     

会话通信模式下的二阶系统队形控制算法

研究二阶多智能体系统的队形控制问题。假设平面上一群智能体和一个静止的锚节点，在会话通信模式下仅利用角度信息为每个智能体设计分布式控制器，控制加速度输入使得它们最终形成以固定锚节点为中心的平衡圆周队形，并给出仿真图验证结果。     

基于事件驱动的一般线性多智能体系统的一致性

多智能体系统不仅是复杂系统研究中的一类重要系统,也是分布式人工智能研究的一个重要分支。多智能体系统的协调控制是当前国际控制领域的前沿研究方向,其中,多智能体系统的一致性是最基本问题。采用事件驱动控制方法,研究了一类一般线性多智能体系统的一致性问题。通过设计合理的事件驱动函数与激励条件,确定事件驱动时间序列,利用邻域内其他个体在事件驱动时刻点处的信息,设计相应的控制策略,从而获得多智能体系统达到一致的充分条件。同时本文在研究模型上,采用传统的一般化模型,而研究方法上不再需要Laplacian矩阵具有对称性,就可以获得一类线性多智能体系统达到一致的充分条件,所得结果简化改进了过去的模型。     

多智能体一致性的随机镇定研究

本文给出多智能体随机一致性的数学描述,模拟了环境噪声对多智能体系统一致性的影响,并提出一种运用随机噪声控制多智能体系统的方法。仿真结果表明,添加满足一定条件的随机噪声控制可以令在没有噪声干扰情况下非一致性的多智能体系统达到随机一致性镇定。最后对多智能体的随机一致性镇定进行理论分析,并得到满足控制要求的随机噪声强度的大致下界。所提出的多智能体协调控制方法具有系统能耗小、控制性能更佳的特点。     

大规模多智能体仿真平台设计方法的研究

大规模多智能体系统是分布式人工智能领域的一个研究热点,由于多智能体间复杂的交互过程受到诸多不确定性因素的影响,实现系统的宏观优化是关键难点.前期研究发现,某一参数的小范围变化可能引起整个多智能体系统性能的大范围的波动;并且多智能体控制协作算法的研究多数仅与非智能的控制方法进行简单对比,缺乏通用的仿真平台来抽象系统环境并模拟复杂的多智能体行为.为此设计了一种通用的大规模多智能体协同控制平台,该平台能够模拟多智能体系统必须完成的协同控制任务,并且通过变换多智能体系统的相关参数模型及加载不同的智能体控制策略,可以模拟和评测系统各项协作性能指标,为未来设计和提升算法性能提供研究基础.     

迭代学习在多智能体编队中的控制研究

针对具有控制时延的非线性多智能体系统模型,设计了一种能够实现其稳定编队的迭代学习控制算法.首先,建立单个智能体的动态特性,根据多智能体的拓扑连接结构,将多智能体编队控制问题转化为跟踪问题.其次,针对每个智能体设计形式统一的迭代学习控制器,根据每个智能体不同的动态特性,选取合适的学习增益矩阵.最后,基于λ范数理论证明了算法的收敛性.由于该迭代学习控制算法放宽了对迭代初值的限定,使其达到在任意常值初态条件下的稳定控制,从而满足了各个智能体在初始位置随机分布时的编队控制要求.仿真结果证明了文中所给算法的有效性.     

多智能体系统中的同步问题综述

多智能体系统的同步问题在机器人网络、传感器网络、电力网络、社交网络等诸多领域有着广泛应用。首先,介绍了多智能体系统和多智能体同步问题的相关背景。随后,对多智能体系统模型和多智能体同步的基本概念进行了阐述,着重介绍了多智能体的状态同步和输出同步及其研究现状。从多智能体自身特性和网络拓扑结构的特性出发,列举了自适应控制,事件触发控制等常见的同步控制器。最后,对多智能体同步问题进行了简要总结和展望。     

基于多智能体的多变量DMC研究

结合递阶动态矩阵预测控制和多智能体技术 ,提出了一种多智能体多变量动态矩阵控制算法。在该算法中 ,控制对象的每个输出变量作为一个智能体 (Agent) ,使用CORBA将各个Agent集成为多智能体系统 ,并用π演算对多智能体系统的协调过程进行了描述。最后将该算法应用在制浆生产蒸煮过程 ,得到了较好的控制效果     

面向主动配电网的安全多智能体深度强化学习电压优化控制

针对主动配电网电压优化控制中模型不确定性和通信代价大的问题，提出了一种基于灵敏度矩阵安全的多智能体深度强化学习(SMS-MADRL)算法。该算法利用安全深度强化学习，应对主动配电网的固有不确定性，并采用多智能体结构实现通信代价较小的分布式控制。首先，将电压优化控制问题描述为受约束的马尔可夫博弈(CMG);然后，对无功功率进行适当修改，通过分析节点电压的变化得到灵敏度矩阵，进而与主动配电网环境进行交互，训练出若干可以独立给出最优无功功率指令的智能体。与现有多智能体深度强化学习算法相比，该算法的优点在于给智能体的动作网络增添了基于灵敏度矩阵的安全层，在智能体的训练和执行阶段保证了主动配电网的电压安全性。在IEEE 33节点系统上的仿真结果表明：所提出的算法不仅能够满足电压约束，而且相较于多智能体深度确定性策略梯度(MADDPG)算法，网络损耗减少了4.18%,控制代价减少了70.5%。该研究可为主动配电网的电压优化控制提供理论基础。     

多智能体系统的分布式有限时间跟踪控制

讨论了受到外界干扰的多智能体系统在有向拓扑下的分布式有限时间追踪控制.基于系统智能体间的相对状态信息,利用非奇异的终端滑膜控制方法,构造出有效的分布式有限时间控制协议.在控制协议的作用下,系统中跟踪者智能体的状态将在有限时间内跟踪上领导者的状态.最终达到有限时间一致性跟踪控制,并可估计出具体的收敛时间.通过数值仿真,验证了理论结果的正确性.