基于跟踪单个移动目标的移动传感器网络蜂拥控制模型

该文提出了一个新的基于跟踪单个移动目标的移动传感器网络蜂拥控制方法。这个方法通过控制网络中所有移动传感器质心的位置和速度(Single-CoM)或者每个传感器和它邻域质心的位置和速度来跟踪并观察一个移动目标(MultiCoM)。此外,在自由空间内,质心的位置和速度按指数规律地向移动目标聚合。基于这种方法,目标节点将一直位于传感器网络的中心,而这对于传感器认识和辨别目标节点无疑是一个很大的优势。并且在整个目标跟踪过程中保证了移动传感器间无冲突和速度匹配,同时我们也研究了算法的稳定性。     

基于位置信息的混合多智能体蜂拥控制方法

目前,很多蜂拥控制算法都是基于智能体通信半径为一个固定的值且既考虑多智能体之间的相对位置,又考虑它们的相对速度来设计的,然而,实际的情况往往不会有那么理想。文中试图在基于通信半径不同的混合多智能体控制策略的设计过程中减少考虑的控制因素的个数（只考虑位置信息）,提出一种分布式的控制算法。此控制算法能实现多智能体跟随一个速度固定的虚拟领航者,形成聚合、无碰撞的队列。给出了算法的可行性理论分析,并针对20个智能体跟踪一个速度固定的虚拟领导者的情形给出了计算机仿真,用以验证算法的可行性。     

移动无线传感网络节点协同避障的改进方法

传统蜂拥控制模型在协同避障跟踪方面,目前有Reynolds和Tanner的蜂拥模型。笔者曾对其做出了改进,提出了与Steer to Avoid法则相结合的避障模型,该模型在跟踪过程中对凸形障碍有较高的避障效率。由于在Steer to Avoid的方向判断中,目标对节点具有引力,使节点群陷入凹形区域无法绕出。将协同避障模型引入凹形障碍环境中,对模型进一步改进,在Steer to Avoid转向判断时暂时取消目标对节点群的引力,让节点群在进入凹形后自行做出环境的判断并沿着障碍边缘不断搜索路径,最终绕出障碍到达目标。仿真实验结果表明：与传统两个模型相比,该模型在避障的平均速率和时间效率上有显著提高,适用于避开未知的凹形障碍。     

融合局部自适应追踪的多目标牵制蜂拥算法

针对以往的多智能体蜂拥控制算法在考虑单个目标追踪情形时不具普适性,以及现有的多目标蜂拥控制都是基于全局目标信息来进行集中式协调控制,而非基于局部目标信息下的分布式协调控制的问题,提出一种融合局部自适应检测机制的分布式协同牵制蜂拥算法。首先,算法在分离、聚合、速度匹配和引导反馈的基础上,引入局部自适应追踪策略,实现智能体的局部动态跟随运动;其次,受牵制思想启发,根据节点影响力指数评估算法选取m个信息个体分别向m个目标进行多目标追踪,起到模拟外部信息的作用,不同的信息个体会由于局部自适应检测机制间接地引领周围局部个体向不同目标进行追踪;最后,设计一类新的聚集和排斥势能函数,实现相同目标智能体的聚集,以及不同目标智能体的避碰,具有可调参数少和效率高的优势。通过三维仿真实验验证了算法的多目标追踪可行性和有效性。     

多个体系统的二分蜂拥一致性

文章研究了无虚拟领导者的二分蜂拥一致性问题。提出的算法保证了二分蜂拥行为,同时取消了隐函数。通过把运动的集合分成两族,只要在不同族里的个体以近似相同的速率往相反的方向运动,两族就能各自实现一致性。     

基于蜂拥的智能电网动力学模型分析与控制

针对智能电网中信息、物理网络深度融合的运行稳定问题,提出对暂态稳定问题中信息-物理交互关系进行动力学建模的方案。为了描述各智能体与邻近智能体的信息-物理交互关系,将各智能体间信息-物理耦合关系均由各自建立的动力学模型所表达。该方案通过应用发电机间的互联摇摆方程对简化物理电网模型的动态行为进行描述,并由实现暂态稳定控制器来表述智能电网信息、物理网络间的交互行为。通过IEEE9节点模型的仿真与分析证明了智能电网信息-物理网络动力学建模的可能性,并通过对相应节点施加控制及控制效果的对比说明了蜂拥控制的高效性。     

基于社区划分的多智能体网络快速蜂拥控制

针对复杂网络社区特性对多智能体系统协同控制效率的影响,面向具有ER(Erdos-renyi)网络或BA (Barabasi-albert)网络性质的多智能体系统,提出一种基于社区划分的快速蜂拥控制算法.该算法充分考虑社区内个体的相对密集特性,通过在社区间引入虚拟领导者作用,避免系统在演化过程中因通信受限而导致的“分块”现象,可有效提高系统拓扑的代数连通度.仿真结果表明:具有相应性质的多智能体系统蜂拥行为的收敛速度与ER和BA网络的平均度以及BA网络度分布的幂指数正相关;优化社区个数有利于提高蜂拥收敛速度.     

具有时变通信延迟的多智能体系统改进蜂拥控制

针对不确定非线性二阶多智能体系统中存在的时变通信时延和未知干扰问题,提出了一种鲁棒自适应蜂拥控制规律。为了使二阶多智能体系统能够具有更好的抗干扰能力,设计了基于智能体位置状态信息和速度状态信息的鲁棒自适应算子,实现了系统在时变通信时延扰动下的分布控制。通过使用Lyapunov-Krasovskii方法构造能量函数,证明了多智能体系统的网络连通性,智能体的速度收敛于虚拟领导者的速度,并给出了具有时变通信时延的多智能体系统收敛条件。仿真实验结果表明,在不同干扰强度和不同通信时延下系统均能实现快速收敛,形成稳定的拓扑结构,证明所提方法正确有效。     

基于自适应滑模的不确定Euler-Lagrange多智能体系统抗扰动蜂拥控制

针对具有参数不确定性和未知外部扰动的Euler-Lagrange多智能体系统,设计一种基于自适应滑模控制的分布式蜂拥算法.该算法使用自适应滑模控制和自适应控制律分别补偿未知的外部扰动与模型中可线性参数化回归的不确定项,从而在实现蜂拥控制的同时,避免智能体对外部扰动先验知识的要求.理论分析表明,在多智能体达成蜂拥的同时,算法保证滑模的自适应增益有界.此外,所提出的算法同时考虑虚拟领导者追踪与基于目标区域的跟踪问题,并给出碰撞避免的条件.最后,通过算例仿真验证所提出算法的有效性.     

基于改进Olfati-Saber算法的多智能体蜂拥控制研究

针对多智能体蜂拥控制过程中个体间的差异性,在包含多个虚拟领导者的情况下,研究了针对多智能体个体差异性的优化蜂拥控制算法。首先,在Olfati-Saber算法避碰、聚合和速度匹配的基础上引入多智能体之间的质量差异策略,实现多智能体的聚合和速度匹配;其次,在多领导者的影响下,对引领反馈进行优化,研究了智能体个体跟踪多领导者的控制算法。最后,通过实验仿真,验证了基于改进Olfati-Saber算法的多智能体蜂拥控制算法可以实现多智能体蜂拥运动状态,证明了优化算法的可行性和有效性。