Modellfreies, lernbasiertes, verteiltes kooperatives Verfolgungskontrollsystem von Mensch-in-der-Schleife Multi-Agenten-Systemen

Zusammenfassung Dieser Artikel untersucht die modellfreie, lernbasierte, verteilte kooperative Verfolgungskontrolle von Mensch-in-der-Schleife Multi-Agenten-Systemen in Anwesenheit eines aktiven Leaders. Die zentrale Rolle des Menschen in der Schleife besteht darin, die Bodenstation zu nutzen, um Steuerbefehle an den nicht-null Steuerungseingang des Leaders zu senden und dann direkt oder indirekt eine Gruppe von Agenten zu steuern, um komplexe Aufgaben zu erfüllen. Gleichzeitig werden drei wesentliche Anforderungen erfüllt: das vollständig unbekannte Systemmodell, das optimal erreichte Kontrollziel sowie die Anforderung an eine nicht initial zulässige Steuerstrategie. Es ist erwähnenswert, dass die relevanten Ergebnisse höchstens eine oder zwei Anforderungen erfüllen, die im Wesentlichen für dieses Problem nicht anwendbar sind. In diesem Artikel wird zunächst ein modellbasierter Lernalgorithmus für Mensch-in-der-Schleife vorgestellt, um die optimale Verfolgungskontrolle zu erreichen, während die Konvergenz des vorgeschlagenen Lernalgorithmus nachgewiesen wird. Anschließend wird ein bias-basierter datengestützter Lernalgorithmus vorgeschlagen, der potenzielle Möglichkeiten bietet, die durch die oben genannten drei Anforderungen verursachten Schwierigkeiten zu überwinden. Schließlich wird die Gültigkeit der theoretischen Ergebnisse anhand eines numerischen Beispiels belegt.