[发明专利]多智能体在Markov切换拓扑下的分组一致控制方法

说明书

本发明涉及多智能体系统控制领域，具体涉及一种多智能体在Markov切换拓扑下的分组一致控制方法，包括：确定系统在收敛一致过程中出现的子拓扑，计算子拓扑之间的概率转移矩阵；对智能体进行分组，设置智能体分组预期的收敛值，将拓扑中入度为零的智能体实施牵制；每个智能体向邻居发送自身的状态信息，邻居智能体对接收到的信息进行划分，得到相同组智能体和不同组智能体的状态信息；根据一致性控制协议分别对相同组智能体和不同组智能体的状态信息进行处理，得到该智能体与其邻居智能体的加权状态误差结果；将加权状态误差结果代入动态方程中对智能体状态进行更新，根据转移矩阵进行Markov切换拓扑，使系统达到分组一致。

技术领域

本发明涉及多智能体系统控制领域，具体涉及一种多智能体在Markov切换拓扑下的分组一致控制方法。

背景技术

近年来，专家学者受到自然界生物群集行为的启发将多智能体系统(multi-agentsystems，MASs)一致性应用于复杂系统协同控制中，多智能体系统一致性问题在群里控制、传感器网络、分布式计算、群体决策等领域有着重要的应用前景。多智能体系统分组一致性是指多智能体系统内部的同组智能体收敛一致，不同分组智能体达到不同的收敛值，分组一致性能更好解决复杂任务的并行处理。

在智能体之间传输信息的过程中，干扰、时延、丢包、链路故障等现象是不可避免的，这些故障现象会导致通信拓扑随时间变化。现有的多智能体系统在切换拓扑下实现一致性的方法主要有三类：

(1)一般切换拓扑，只要求联合拓扑结构含有有向生成树。通过智能体的邻居信息计算出平均值并作为控制输入进行状态更新，使系统最终达到平均一致。这种切换方式不考虑系统拓扑之间的转化概率，忽略了子拓扑之间的切换关系；

(2)伯努利切换拓扑，可以看成一个独立重复实验，并且切换到各个拓扑结构的概率都是固定不变，这种情况比较特殊，不符合现实复杂系统的需求；

(3)Markov切换拓扑，其具有无后效性，即未来的状态条件仅依赖于当前状态，与过去的状态无关。多智能体系统受各种环境因素影响系统的拓扑切换具有不确定性，因此，在当前拓扑状态下切换到其他拓扑状态的概率也是不同的。Markov切换方式更符合现实复杂系统的需求。

目前，对于多智能体协同控制的研究大多数基于同质多智能体系统，即系统内部所多有的智能体具有相同的动力学行为。同时对多智能体系统的拓扑要求较高，例如需要含有向生成树、入度平衡、强连通、对称等，这些特殊条件无法普遍适用于现实复杂的系统。在实际应用中，多智能体系统需要不同类型的智能体分工完成复杂工作，比如蜜蜂的分工建巢行为。此外，在同质多智能体系统中，单一的收敛值限制了系统的处理能力，无法实现多任务并行处理，工作效率低下。

对于复杂多智能体系统来说，通过系统内部的耦合作用很难达到一致性，通常需要外部的作用。与控制所有智能体相比较，通过牵制控制部分智能体系统可以达到指定的一致性状态，这种牵制控制方法不仅减少了工作量，而且降低了工作难度和控制成本。

上面提及的大多数研究工作都是基于单一的合作关系或者竞争关系，但现实有限的资源引发智能体间的竞争行为以及共同协作的合作行为，使得智能体间合作-竞争关系普遍存在复杂系统中，同时存在的合作-竞争关系更符合现实需求，例如：铁路系统。因此，一种具有合作-竞争关系的多智能体系统在Markov切换拓扑状态下如何实现牵制分组一致性，是一个亟待解决的问题。

发明内容

为了解决上述问题，本发明提供一种智能体在Markov切换拓扑下的分组一致控制方法。

一种多智能体在Markov切换拓扑下的分组一致控制方法，包括以下步骤：

S1、根据异质多智能体系统中智能体之间的信息交互，确定系统的拓扑结构以及系统在收敛一致的过程中出现的子拓扑，计算子拓扑结构之间状态转换的概率，得到子拓扑之间的概率转移矩阵；