多智能體一致性迭代學習控制研究.pdf_第1頁
已閱讀1頁,還剩78頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、由多個物理上的實體或者是多個抽象點組成的分布式多智能體系統(tǒng),更具有自組織性和自適應性,系統(tǒng)中的每個智能體能根據自身和環(huán)境的變化作出反應,并與其它智能體通訊,共同合作去完成一個任務。多智能體系統(tǒng)與單個智能體相比,具有更強的分布性和自主性,能夠通過“最近近鄰規(guī)則”解決更復雜的問題,因此多智能體系統(tǒng)可以應用到很多重要的領域,比如自治水下機器人協(xié)同作業(yè)、多移動機器人系統(tǒng)、分布式傳感器陣列等。因此分布式多智能體系統(tǒng)的一致性問題受到越來越多人的關注

2、。
  本文在多智能體領域,針對具有重復運行性質的系統(tǒng),利用迭代學習控制算法去實現(xiàn)多智能體系統(tǒng)有限時間內的完全跟蹤。本文創(chuàng)新點在于針對迭代學習控制中的初值問題提出了兩種不同的初始狀態(tài)誤差修正算法,并對提出的這兩種算法給出了理論分析,證明了算法的收斂性,并進行了Matlab仿真實驗,實驗結果也證明了算法的可靠性。最后,在實驗室的剛性機械臂協(xié)作實驗平臺上實現(xiàn)了兩個算法,完成了機械臂的末端點保持隊形的實驗,再一次證明了算法的有效性。具體

3、內容如下:
  (1)針對具有重復運動性質分布式多智能體系統(tǒng),在每個智能體初始狀態(tài)固定的情況下,提出了一種能進行初始狀態(tài)誤差修正的PD型迭代學習控制算法,該初態(tài)誤差修正只作用一小段時間t∈[0,h],最后系統(tǒng)中的每個智能體在有限時間t∈[h,T]上完全跟蹤上參考軌跡。通過理論分析給出了算法的收斂條件,仿真實驗也證明了算法的有效性。
  (2)針對具有重復運動性質分布式多智能體系統(tǒng),在期望初始狀態(tài)未知的情況下,提出了一種同時對

4、各智能體的輸入和初始狀態(tài)誤差進行迭代修正的分布式學習控制算法。收斂性分析表明,該算法使得每個多智能體初始狀態(tài)逐漸收斂于參考軌跡對應的期望初始狀態(tài),實現(xiàn)系統(tǒng)中每個智能體對期望軌跡在有限時間內的完全跟蹤。放寬了之前多智能體文獻中每次迭代對初態(tài)嚴格一致的要求。理論分析證明了算法的收斂性,仿真實驗也驗證了算法的有效性。
  (3)針對實驗室的三個剛性機械臂協(xié)作實驗平臺,通過分析選取每個機械臂兩個合適的自由度,建立了運動學模型。并在該運動學

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論