文摘

本文旨在调查被领导可替换主体系统的形成控制,避碰的问题被认为是。基于本地用图的概念和分布式信息,形成神经模糊控制器设计与在线学习的能力。控制器参数的学习规则可以由梯度下降的方法。为了避免邻近代理之间的碰撞,提出了一种模糊控制器分离,这样可以解决局部最小值的问题。为了突出这种基于模糊逻辑的无碰撞形成控制的优点,静态和动态的领导人讨论了性能比较。仿真结果表明,该模糊形成和分离控制可以提供更好的响应比传统形成共识的形成和电势防撞算法。

1。介绍

最近,分布式可替换主体协调在许多领域引起了人们广泛的关注,只有从邻国本地可用的信息需要每个代理(1- - - - - -6]。有许多可替换主体系统的应用,如自主无人机(7,自主编队飞行8),congestion-controlled通信网络(9),无线传感器网络(10),和自主multivehicle形成(11]。图论已经被用于描述网络拓扑研究的共识。普遍认为解决问题的是要找到一个分布式控制策略,这样美国的代理收敛于一个共同的价值。Average-consensus问题是研究分布式网络和固定切换拓扑(12]。依赖图论、矩阵理论和控制理论,分析共识协议是彻底的讨论。在[13),可替换主体的冲动控制协议提出了线性动态系统与固定拓扑基于本地信息的代理。提出了一种模糊滑模控制器调查形成控制问题定向图(14]。Cai et al。15)可控性改善解决问题两种类型的线性定常动态可替换主体系统通过调整图的配置。头目共识问题的一般情况下固定和切换拓扑进行了讨论(16]。切换拓扑下的二级代理商而言在17),通信延迟的状况是决定达成共识。的共识问题一群高阶动态代理切换拓扑和时变通信延迟了18]。在的工作19),线性共识协议和饱和共识协议提出了异构的共识问题多重代理系统。异构的多重代理系统由一阶和二阶积分器代理。

最近,由语言控制规则的模糊逻辑控制技术来设计控制器基于人类专家的知识和经验。这种技术是一个很好的选择克服困难在精确数学模型的要求对植物和意想不到的复杂动力学和外部干扰。虽然方法几乎成功了,它已被证明很难开发一个通用常规模糊控制系统的分析和设计理论。最近,基于Takagi-Sugeno (t - s)模糊技术,出现在文献中有大量关于稳定性的分析和设计的结果。t - s模糊技术已经应用于许多应用程序的兴趣(20.- - - - - -25]。然而,上述方法的隶属度函数是通过手动调整。最近,神经模糊控制,结合模糊推理来处理不确定信息的能力和能力的人工神经网络学习过程,已经被解决。在[26),一个健壮的模糊神经网络控制计划(模糊神经网络)包括一个参数优化算法设计了一个线性磁悬浮铁路系统实现模范自由控制的目的。神经网络自学习控制策略包括一个模糊神经网络控制器,提出了一种递归神经网络标识符为电子油门阀门(27]。林和沈28)提出了一种自适应模糊神经网络控制方案间接磁场定向矢量控制的永磁直线同步电机伺服系统跟踪周期性参考轨迹。在[29日),提出了一个基于自适应网络模糊推理系统对速度和位置的估计永磁同步发电机。在[30.),提出了一个自适应neurofuzzy控制器与未知非线性动态系统的跟踪控制。复发性模糊神经控制器的鲁棒跟踪机器人机械手与适应性观察人士解决(31日]。一个健壮的自组织神经模糊控制方案提出了一类不确定非线性MIMO系统(32]。在的研究33),一个自适应neurofuzzy推理系统是用来确认手运动命令基于表面肌动电流图信号。在[34),提出了一种新的方法对机器的健康条件预后neurofuzzy系统的集成和贝叶斯算法。此外,采用t - s模糊神经模型的识别和鲁棒自适应控制防抱死制动系统(35]。此外,混合进化算法利用模糊规则提出了调整优化参数(36]。

的网络,避碰的问题也是一个重要和有趣的话题值得讨论。合作提出了控制律的一般非线性动态模型,以保证无碰撞冲突解决(37]。在[38模糊逻辑设计),潜在函数来实现分离的控制输入约束。在的工作39),植绒算法提出了分离产生避免碰撞力与外部障碍。提出了一种修正避免函数对非线性拉格朗日具有有界扰动的系统来实现避碰(40]。在[41),讨论了势场方法对移动机器人解决局部最小值的问题。此外,小王和顾42)提出了一个模糊的潜在力量蜂拥控制分离势函数。然而,只有很少有现有的结果提交给解决局部最小值的问题的系统。

本文旨在调查被领导可替换主体系统的形成控制,避碰的问题也被认为是。使用图论模型代理之间的通信拓扑结构。改善控制性能,小说形成算法,形成模糊控制器,提出了多重代理系统指示图。模糊控制参数包括输入高斯隶属度函数和输出模糊单例,输入和输出隶属度函数的参数可以自适应地调整。该模糊控制器在线学习的能力,形成和自适应规则可以使用梯度下降法。此外,基于模糊的分离控制提出了避碰,和传统的电势分离控制的局部最小值的问题能够解决。基于模糊的分离控制由三角形输入隶属函数和单输出隶属度函数,控制的输出提供了另一个方向移动代理实现无碰撞的任务。数值模拟提供了验证无碰撞形成反应。

本文组织如下。节2用图论,一些基本的概念和网络介绍了single-integrator代理。节3研究的框架,形成一个模糊控制器,控制器参数的更新规则在哪里。节4介绍了传统的电势避碰。此外,小说fuzzy-oriented分离控制。节5,仿真结果提供了性能验证。在一节中给出了一些结论6。

2。预赛

2.1。图论

考虑多重代理系统代理,让是一个有向图(有向图),组成的一个顶点和优势。的顶点和代表了th和分别th代理。在有向图中,一个边缘是一个有序对不同的节点,在这和分别的脑袋和尾巴边(43]。加权有向图的邻接矩阵表示为 在哪里是重量的联系;,如果,,如果。

在本文中,一个被领导的问题处理,多重代理系统包括的地方代理,一个领袖,追随者。在符号,被代理人追随者和项目吗是领袖。假设代理领袖只有传输能力,也就是说,追随者的领袖获得任何信息,。在这种情况下,让追随者代理的拓扑关系表示的子图。然后,相关的邻接矩阵被表示为 因此,领导者与追随者之间的连接关系可以被描述为,在那里,。

2.2。Single-Integrator多重代理系统

摘要single-integrator网络被认为是 在哪里位置矢量和吗控制输入向量的吗th代理,。假定所有代理都有相同的环境感知能力。除了保持形成,每个代理不允许与其他代理在整个移动过程中碰撞。

代理之间的几何关系如图1,在那里是传感半径。的节点邻近的代理人吗th节点如果两个代理之间的欧几里得距离小于等于传感半径,。让代表你的邻居的代理。一旦代理移动传感半径内th代理,避免碰撞机制开始工作。在图1的符号表示避免半径的两个代理之间允许的最小距离。在这种情况下,它是合理的防止碰撞。

3所示。形成神经模糊控制

3.1。神经模糊控制器的结构

在本节中,提出了一种神经模糊控制(NFC)处理头目形成问题,single-integrator模型(3)被认为是。首先,让和分别设在错误函数被定义为 在哪里,关于期望的形成模式协调立场吗和相互重合。它是注意到意味着代理可以发送位置信息th代理,意味着th代理可以接收来自领导者的位置信息。在这项研究中,领袖是沿着预定的轨道上,形成控制器的设计重点是追随者。我们的控制器的输入th追随者代理指定如下 在哪里和都是正的常数,。

NFC的网络结构如图2。给出了模糊规则表1,输入和输出空间不明确地划分为六个模糊集,负大(NB),负介质(NM),负小(NS),积极的小(PS),积极的媒介(PM),大(PB)和积极的。输入和输出隶属度函数图中描述3。对应的if - then模糊规则代理表示为 在哪里和模糊集的前提和结果部分,分别。在图3,th的节点加入层是高斯函数, 在哪里 。在(8)和(9),和分别是均值和标准差,。通过使用重心去模糊化技术,NFC的输出可以计算如下: 在哪里单输出对应的值, 在这和。

3.2。Parameter-Learning算法

在本节中,将采用梯度下降法推导出在线学习算法更新NFC参数。首先,能量函数和定义如下: 在哪里。然后,更新法律层参数在下面描述。

(1)输出层。根据梯度体面的方法(44),和更新了以下规则: 在哪里是一个学习速率,。从(11),它可以获得 在(14),可以新配方为传播误差项 然而,条款和在(16不能分析确定)。为了克服这个问题,以下采用自适应法[45]: 在哪里和都是正的常数。

总之,从(15)和(17),输出层的参数可以自适应更新。

(2)会员层。的参数和更新了以下规则: 在哪里是一个学习速率,,。从(8),(9)和(11),它可以获得 同样的,和更新了以下数量: 在哪里是一个学习速率,,。从(8),(9)和(11),它可以获得 总之,从(18)- (21),输入层的参数可以自适应更新。

4所示。分离控制避碰

4.1。电势分离控制

让之间的分离力th和代理。然后,集成分离力从所有周边代理可以制定 获得一个合适的两个连接代理之间的分离力,顺利势函数被认为是, 这样 在二维情况下,的梯度计算可以得到如下: 在哪里最大允许分离力。整合形成和分离势力,网络控制行动,可以获得一个代理 在哪里是神经模糊形成行动。

4.2。模糊分离控制

在多重代理系统中,代理可以停滞或来回移动,如果合力作用于该代理是平衡的。这种现象被称为局部最小值的问题。在图4代理的情况与两个相邻的代理被认为是,和邻近的代理,和相关的目标是位于。的符号表示为目标的吸引力,然后呢和分离力对应于邻近的代理。然后,综合分离力代理的矢量和和,在那里相关的方向吗到设在。此外,的合力是吗th代理,是角之间的代理商吗和它的目标。以防的方向,相对有吸引力的行动。此外,如果的大小是小于等于的大小,代理将陷入局部最小值。为了解决这个问题,模糊控制方法将分离,想法是描绘在图的关键5,一个额外的角度添加到原来的分离力,。在图5,修改后的分离力,大小保持不变,但方向改变,因为。因此,综合引力的合力和分离力可以表示为 基本上,可以提供一个新的途径绕过邻近代理当地最低情况发生时。注意到一个追随者的目标是临时目的地下运动过程中避免碰撞。对于那些追随者代理,communication-connected领袖,各自的目标可以根据指定的领袖地位和形成模式;然而,替代解决方案所需的其他追随者。另外,从(4)和(5),目标可以从其他追随者,同样视为传播错误 在从动件不是传达给领导,,。

分离的设计模糊控制器将在下面描述。首先,让模糊输入的th代理是 在哪里重心的位置邻近的代理, 在哪里是一组的基数,邻近的代理人的数量吗代理。

给出了模糊规则表2,输入和输出空间不明确地划分为十个模糊集,负(NB),大负小(NS),零(佐薇),积极的小(PS),正面的大(PB),非常接近(VC)、(C),中等(M), (F),很远(VF)。输入和输出隶属度函数在数据描述6和7,分别。对应的if - then模糊规则代理表示为 在哪里和前期部分的模糊集,结果部分的模糊集,,。通过使用重心去模糊化技术,defuzzified模糊输出计算 min-max操作的执行在所有规则映射到相同的输出模糊集:

5。仿真结果

在以下,所有代理都认为是均匀用同样的规格,(m)和(m)。验证的可行性提出neurofuzzy形成分离控制器和模糊控制器,避碰和形成保护。

5.1。避碰和静态目标

一个动态代理是最初放在点(m),位于四个固定的代理,,,分别(m)。给定的目标位置(m),它是理想的动态代理可以达到指定目标没有与代理固定碰撞。数据8和9说明相对应的碰撞响应电势分离控制(PSC)和提出模糊控制(FSC)分离,在每种情况下传统的共识的形成控制算法(46]。在图8可以看出,与PSC代理徘徊在邻近的代理。另一方面,代理可以成功地绕过提出FSC邻近的代理。位置错误的反应,底部两个次要情节的图所示8可以渐近,表明所需的目标实现与FSC求婚。然而,存在一个局部最小值的行为通过使用PSC,和相关的分离力持续振荡。的振荡行为分离力恰逢的反应,如图9(一个)。在图9 (b)的角8.26 (sec)意味着动态代理后成功地绕过了固定的代理,因此,没有分离的力量。

5.2。形成与静态控制和避碰的领袖

的控制,形成五个代理的情况下,一个静态的领袖和四个追随者,被认为是。通信拓扑如图10,圆圈标记1到4表示追随者代理和圆代表了领袖的代理。从(2),可以模仿领导者和追随者之间的信息交流 追随者最初放在点,,,分别(m)和领袖的位置(m),形成模式指定为,,,,(m), NFC最初选择的参数,,,,,,,。三个独特的分布式策略,共识与电势分离控制算法(CA + PSC)共识算法与模糊控制(CA + FSC)分离,分离和neurofuzzy形成控制与模糊控制(NFC + FSC),被认为是。因此,仿真结果如图11,12,13,包括错误的轨迹- - -设在,一双代理之间的相对距离。由于任何两个代理之间的相对距离大于,如图11 (b),12 (b),13 (b)所需的避碰,可以使用这三种控制策略来完成。此外,形成反应如图(11日),12(一个),(13日)。可以看出,使用CA + PSC存在明显的稳态误差。相反,形成模式可以渐近通过NFC + FSC的使用。位置错误,总结在表3伊势,IAE绝对误差的积分,积分平方误差,ITAE积分时间绝对误差和ITAE代表平方误差积分时间。总之,拟议的NFC + FSC的同行可以提供更好的性能比其他两种方法。

5.3。形成与动态控制和避碰的领袖

在下面,以前被领导系统解决,所有的初始设置都是一样的,除了一个固定剂添加在这个职位(m)。这个固定的代理可以看作是一个停滞的障碍。此外,时变的领导者被认为是,速度矢量在哪里(米/秒)。形成反应如图14,15,16CA + PSC的方法,CA + FSC, NFC + FSC被认为是。类似于前面提到的插图,运动轨迹和两个从动件之间的相对距离代理中描述数据14,15,16。可以看出,甚至可以实现避碰CA + PSC和CA + FSC;然而,这两个策略最终未能保存所需的形成模式。另一方面,从图16,无碰撞形成可以通过使用该NFC + FSC控制方案。特别是,它可以看出第三追随者可以成功地绕过固定剂和保持形式指定模式。总结了形成错误不同的控制策略表4。可以得出结论,提出neurofuzzy形成与模糊控制器相结合分离可以提供更好的响应比传统的同行的共识与电势分离控制算法。

备注1。从仿真结果可以看出,无碰撞形成任务可以实现single-integrator代理。特别是,局部最小值的问题可以克服使用提出了模糊分离控制。承诺,该作品可以应用于一些实际应用,如multirobot系统和无人驾驶车辆系统。

6。结论

摘要提出了一种神经模糊控制器形成多重代理系统。控制器参数的学习规则可以从使用梯度体面的方法。此外,提出了一种模糊分离控制来实现避碰,这样可以解决局部最小值的问题。仿真结果提供静态领袖和动态情况下的领袖。的无碰撞被领导的形成可以通过该模糊控制策略形成和分离。性能比较表明,提出的fuzzy-based控制方案具有更好的形成反应的同行相比传统共识算法和电势分离控制。当前的结果主要局限在single-integrator多重代理系统。它应该具有挑战性和有趣的调查避碰问题与非线性动力学高阶药剂。例如,基于模糊控制分离运动代理将在我们未来的工作。

确认

这项工作是支持的部分台湾101 - 2221年国家科学委员会资助下NSC - e - 182 - 041 my2和NSC 100 - 2918 - 182 - 002。作者也想欣赏高速智能通信研究中心,长庚大学,台湾,继续支持研究的多重代理系统。