Dezentralisierte robuste adaptive Regelung für das Konsensproblem von Multiagentensystemen unter Verwendung von neuronalen Netzen

Ein robuster adaptiver Regelungsansatz wird vorgeschlagen, um das Konsensproblem von Multiagentensystemen zu lösen. Im Vergleich zu früheren Arbeiten umfasst die Dynamik des Agenten die Unsicherheiten und externen Störungen, was in realen Anwendungen praktischer ist. Aufgrund der Approximationsfähigkeit von neuronalen Netzen wird die unsichere Dynamik durch das adaptive neuronale Netzschema kompensiert. Die Auswirkungen des Approximationsfehlers und externer Störungen werden durch die Verwendung des Robustheitssignals ausgeglichen. Der vorgeschlagene Algorithmus ist dezentralisiert, da der Regler für jeden Agenten nur die Informationen seiner Nachbaragenten nutzt. Durch die theoretische Analyse wird bewiesen, dass der Konsensfehler so klein wie gewünscht reduziert werden kann. Die vorgeschlagene Methode wird dann auf zwei Fälle ausgeweitet: Agenten bilden eine vorgeschriebene Formation, und Agenten haben höhere Ordnung Dynamiken. Schließlich werden Simulationsbeispiele gegeben, um die zufriedenstellende Leistung der vorgeschlagenen Methode zu demonstrieren.