买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东工商学院

摘要：本发明属于多智能体协同控制技术领域，具体涉及基于高阶动态抑制控制器的多智能体协同控制方法，步骤包括对于由N个智能体组成的多智能体系统MAS，构建高阶动态抑制控制器；在高阶动态抑制控制器的基础上，构建动态自适应分层架构，用以满足动态行为下的控制激励条件；基于高阶动态抑制控制器和动态自适应分层架构，实现MAS中多智能体的协同控制。本发明旨在解决多智能体系统MAS中的外部干扰和输出约束问题，通过设计具有高阶任意动态性的加权控制律，确保了多智能体系统的全局稳定性；采用动态自适应分层架构，结合正逆向异步反馈机制，实现了智能体的协同工作和全局优化，且为脑机接口在多智能体环境中的应用提供了新的解决方案。

主权项：1.基于高阶动态抑制控制器的多智能体协同控制方法，其特征在于包括以下步骤：S1、对于由N个智能体组成的多智能体系统MAS，构建高阶动态抑制控制器，步骤为：S11、将每个智能体的动态行为表示为高阶随机非线性系统；S12、设定关于非线性函数的假设和关于外部干扰的假设，用以描述MAS的高阶随机非线性特性；S13、定义MAS的全局状态向量，并建立关于MAS的动态系统；S14、定义MAS的控制目标，并基于控制目标设定高阶动态抑制控制定理；S15、在高阶动态抑制控制定理中引入高阶任意动态性，获得高阶任意动态性加权控制律，完成高阶动态抑制控制器的构建；S2、在高阶动态抑制控制器的基础上，构建动态自适应分层架构，用以满足动态行为下的控制激励条件，构建步骤为：S21、在多智能体协同控制中，引入脑电信号EEG和脑机接口BCI，建立正逆向反馈控制函数；S22、对于包含BCI在内的N个智能体，动态调整智能体所受到多重初始输入的干扰；S23、设立正逆向反馈控制的更新规则，完成动态自适应分层架构的构建；S3、基于高阶动态抑制控制器和动态自适应分层架构，实现MAS中多智能体的协同控制；所述的S11中，对于第i个智能体，其在t时刻的动态行为的高阶随机非线性系统表示为： （1）；式中，是第i个智能体在t时刻的状态向量，是智能体的状态向量集合，即为第j个智能体在t时刻的状态向量；和分别是第i个智能体和第j个智能体的非线性函数；是第i个智能体在t时刻的外部干扰；是第i个智能体在t时刻的控制输入；aij是邻接矩阵的元素，表示第i个智能体和第j个智能体之间的连接权重；t代表时刻；所述的S13中，定义MAS的全局状态向量为： （2）；则关于MAS的动态系统表示为： （3）； （4）； （5）； （6）； （7）；式中，A是邻接矩阵；是在t时刻的外部干扰；是在t时刻的控制输入；所述的S14中，MAS的控制目标为：全局稳定性，使得MAS的收敛到期望轨迹；输出约束，在控制过程中，每个智能体的输出满足预先定义的约束条件，即为，其中是第i个智能体的输出约束集合；协同工作性能，确保所有智能体在满足约束条件的同时，实现协同工作和全局优化；由此，设定高阶动态抑制控制定理，具体为，考虑的动态行为，如果的设计满足式（8），则MAS在有界的条件下是全局渐进稳定的，并且满足输出约束，式（8）为： （8）；式中，是在t时刻的误差向量，是第i个智能体在t时刻的期望向量；ki是正定增益矩阵；是非线性反馈函数；是在t时刻的补偿项，且满足： （9）；式中，是第j个智能体在t时刻的状态；所述的S15中，在高阶动态抑制控制定理中引入高阶任意动态性，获得高阶任意动态性加权控制律，完成高阶动态抑制控制器的构建的过程为：S151、考虑的n阶导数，引入高阶任意动态性后的控制律表示为： （10）；式中，m是常数，是的m阶导数，m≤n；是高阶导数项的加权系数；S152、进一步展开高阶导数项，假设表示为以下形式： （11）；式中，是m阶导数的系数，用于表示每个智能体的权重；即为t的m阶次幂；则表示为： （12）；S153、整合式（10）、式（11）和式（12），获得最终的高阶任意动态性加权控制律，表示为： （13）；所述的S21中，建立正逆向反馈控制函数的过程为：S211、对于预处理后的EEG信号矩阵，存在优化策略，使得在时间区间内，MAS在t时刻的任务识别和执行的误差满足： （14）；式中，t0表示起始时刻；tf表示结束时刻；为在t时刻的任务标签向量；为在t时刻的任务分配矩阵；为期望的任务标签；为期望的任务分配矩阵；其中，预处理方法为，利用带通滤波器去除EEG信号中的噪声和伪影，得到，表示为： （15）；式中，为原始EEG信号矩阵，是滤波器矩阵；S212、利用小波变换，对进行时频域转换，得到时频矩阵，其中CWT表示小波变换；S213、利用主成分分析法PCA进行降维，特征向量，其中是PCA变换矩阵；S214、通过独立成分分析法ICA将混合信号分离，得到独立成分矩阵，其中是ICA变换矩阵；S215、在正向反馈中，通过第k个智能体在t时刻的误差函数实时调整任务标签向量和任务分配矩阵，使误差最小化，即，根据式（14），得到在t时刻的优化反馈控制： （16）；式中，f是正逆向反馈控制函数，设定f1为正向反馈控制函数，f2为逆向反馈控制函数，则存在和，使得正向反馈表示为： （17）；式中，α是学习率，β折扣因子；逆向反馈表示为： （18）；式中，、、分别是t时刻的滤波器矩阵、PCA变换矩阵和ICA变换矩阵；、和分别代表智能体1、智能体2和智能体3在t时刻的具有激励性的误差函数，，和；、和分别是第k个智能体对三类不同的综合智能体的干扰误差函数；其中，将外界环境等效为智能体1，将被控制的智能体等效为智能体2，将BCI等效为智能体3，三类不同的综合智能体即为智能体1、智能体2和智能体3代表的智能体类别；所述的S22中，动态调整智能体所受到多重初始输入的干扰的过程为：S221、对于包含BCI在内的N个智能体，智能体状态表示为： （19）； 中的元素表示各个智能体在t时刻的状态；智能体的动作选择表示为： （20）； 中的元素表示各个智能体在t时刻的动作选择；S222、设定表示第k个智能体的状态和动作值函数，代表中的元素，代表中的元素，在满足高阶动态抑制控制定理的前提下： （21）；式中，表示迭代后的，表示迭代后的；ri是奖励函数；表示为： （22）；S223、第k个智能体所受到多重初始输入的干扰表示为，根据动态调整，表示为： （23）；式中，是调整步长；是关于的梯度；表示第k个智能体在t时刻所受到多重初始输入的干扰；所述的S23中，设立正逆向反馈控制的更新规则的过程为：S231、定义增益矩阵x1和x2，令： （24）；S232、定义在t时刻的控制策略为： （25）；式中，和分别是BCI和外界干扰的控制增益矩阵；S233、结合式（17）和式（18），设定规则： （26）； （27）；由式（26）和式（27）组成的规则即为双向控制理论；S234、对于每个时刻t： （28）；S235、智能体执行并观测和下一时刻的状态，x1和x2调整为： （29）； （30）；至此，完成在高阶动态抑制控制器的基础上构建动态自适应分层架构。

全文数据：

权利要求：

百度查询： 山东工商学院 基于高阶动态抑制控制器的多智能体协同控制方法