一种应用于群体智能系统的最优编队控制方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115993843A(43)申请公布日2023.04.21(21)申请号202310287847.1(22)申请日2023.03.23(71)申请人西北工业大学深圳研究院地址518063广东省深圳市南山区粤海街道高新南九道45号西北工业大学三航科技大厦25楼2501室申请人西北工业大学(72)发明人赵宇张钰泉刘永芳(74)专利代理机构西安正华恒远知识产权代理事务所(普通合伙)61271专利代理师陈选中(51)Int.Cl.G05D1/10(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种应用于群体智能系统的最优编队控制方法(57)摘要本发明公开了一种应用于群体智能系统的最优编队控制方法，涉及群体智能系统技术领域。该方法包括获取所有智能体的初始位置信息和初始状态信息；根据领航者数量和跟随者数量，确定预期目标编队构型；根据智能体的初始状态信息和预期目标编队构型，确定拉普拉斯矩阵；根据智能体的初始位置信息确定领航者的运动轨迹，并更新领航者的实时位置信息；根据所有智能体的初始状态信息、拉普拉斯矩阵以及领航者的实时位置信息，确定最优编队分布式控制律；根据最优编队控制律更新所有跟随者的实时位置信息，完成预期编队任务目标。本发明在减少控制输入的抖振的同时降低了通讯要求，增加了系统的鲁棒性以及可拓展性，更适用大型智能系统的控制。CN115993843ACN115993843A权利要求书1/2页1.一种应用于群体智能系统的最优编队控制方法，其特征在于，包括以下步骤：S1、获取所有智能体的初始状态信息；S2、根据群体智能系统中领航者数量和跟随者数量，确定预期目标编队构型；S3、根据智能体的初始状态信息和预期目标编队构型，确定群体智能系统的拉普拉斯矩阵；S4、根据智能体的初始位置信息确定领航者的运动轨迹，并更新领航者的实时位置信息；S5、根据所有智能体的初始状态信息、群体智能系统的拉普拉斯矩阵以及领航者的实时位置信息，确定最优编队分布式控制律；S6、根据最优编队控制律更新所有跟随者的实时位置信息，完成预期编队任务目标。2.根据权利要求1所述的一种应用于群体智能系统的最优编队控制方法，其特征在于，步骤S1中智能体的初始状态信息具体包括：智能体的初始位置信息和初始运行时间，以及智能体网络通讯拓扑结构。3.根据权利要求1所述的一种应用于群体智能系统的最优编队控制方法，其特征在于，步骤S2中确定的预期目标编队构型具体为：其中，为预期目标编队构型，为第N个跟随者形成预期目标编队构型时的位置，T为矩阵转置符号，N为跟随者的数量，t为系统运行时间。4.根据权利要求1所述的一种应用于群体智能系统的最优编队控制方法，其特征在于，步骤S3中确定的群体智能系统的拉普拉斯矩阵具体为：其中，Lij为群体智能系统的拉普拉斯矩阵，aij为通信拓扑结构中跟随者i和跟随者j组成的链路的权重，为跟随者i与其邻居智能体组成的通信链路，Ni为跟随者i的邻居智能体集合。5.根据权利要求1所述的一种应用于群体智能系统的最优编队控制方法，其特征在于，步骤S5具体包括以下分步骤：S51、根据每一个智能体的局部代价函数约束构建全局代价函数；S52、采用惩罚函数法对构建的全局代价函数进行处理，得到处理后的全局代价函数；S53、根据所有智能体的初始状态信息、群体智能系统中跟随者的拉普拉斯矩阵、领航者的实时位置信息以及处理后的全局代价函数，确定最优编队分布式控制律。6.根据权利要求5所述的一种应用于群体智能系统的最优编队控制方法，其特征在于，所述全局代价函数具体为：其中，为全局代价函数，为第i个跟随者的局部代价函数，N为跟随2CN115993843A权利要求书2/2页者的数量，为第i个跟随者的轨迹参考信号，t为系统运行时间。7.根据权利要求5所述的一种应用于群体智能系统的最优编队控制方法，其特征在于，所述处理后的全局代价函数具体为：其中，为处理后的全局代价函数，为第i个跟随者的局部代价函数，为惩罚因子，为第i个跟随者的局部不等式约束，为第i个跟随者的轨迹参考信号，t为系统运行时间。8.根据权利要求1或5所述的一种应用于群体智能系统的最优编队控制方法，其特征在于，所述最优编队分布式控制律具体为：其中，为最优编队分布式控制律，均为设定常数增益，aij为通信拓扑中跟随者i和跟随者j组成的链路的权重，Ni为跟随者i的邻居智能体集合，为第i个跟随者的实时位置信息，为第i个跟随者形成目标编队构型时的位置，为第j个跟随者的实时位置信息，为第j个跟随者形成目标编队构型时的位置，为辅助变量，为第i个跟随者形成目标编队构型时的位置的导数，为第i个跟随者的控制律寻优方向，为第i个跟随者的轨迹参考信号，t为系统运行时间，为辅助变量的导数，sgn