杨 杨,刘奇东,陈笛笛,岳 东,窦春霞

(南京邮电大学自动化学院;人工智能学院,江苏南京 210023)

1 引言

近年来,多智能体系统在各领域广泛应用,如多无人机系统[1]、船舶编队[2]、微电网系统[3]等.此类系统的研究受到控制领域普遍关注.

对于含未知动态的多智能体系统输出一致问题,学者们取得部分研究成果[4-10].该问题主要研究多智能体输出一致情况,对于一类含有未知动态的非线性多智能体系统,广泛采用自适应学习方法逼近不确定动态,如模糊逻辑系统[4-5]和神经网络技术[6-10]等.以这类自适应逼近方法为框架,学者们进一步研究一致问题中的输入扰动[5]、拓扑切换[6-7]、执行器故障[8]等复杂情况.为了减少多智能体系统中神经网络学习参数的数目,Yoo等学者提出了基于最少学习参数的神经动态面输出一致控制方法[9-10].但上述输出一致控制方法[6-10]均未考虑神经网络逼近性能对控制效果的影响.

对于神经网络的逼近性能,较多学者展开了研究.在传统神经网络动态面控制方法设计中使用误差面更新神经网络权值.一般情况下,需要选取较大自适应增益以获得更好的逼近效果,但这将导致信号出现较大抖动,影响系统的控制性能.为了解决这个问题,Peng等学者在文献[11]中构造的预估器状态与实际系统状态构成预估误差,用以更新网络权值.与传统的误差面信号更新方法[8]相比,该方法将系统辨识性能与跟踪效果分离,并增加额外参数调节收敛速……