Contrôle de consensus basé sur un réseau de neurones pour des systèmes multi-agents avec des contraintes d'entrée : le cas déclenché par événement

Dans cet article, le problème de contrôle de consensus basé sur un réseau de neurones (NN) est examiné pour une classe de systèmes multi-agents non linéaires en temps discret (MAS) avec un leader soumis à des contraintes d'entrée. Des mesures relatives liées aux erreurs de suivi local sont collectées via des capteurs intelligents. Une fonction de coût non quadratique locale est d'abord introduite pour évaluer la performance de contrôle avec des contraintes d'entrée. Ensuite, compte tenu des mesures relatives, un observateur basé sur un NN sous un mécanisme déclenché par événement est conçu pour reconstruire la dynamique des erreurs de suivi local, où la condition déclenchée par événement adoptée a un seuil dépendant du temps et le poids des NNs est mis à jour via une nouvelle loi d'ajustement adaptatif adaptée au mécanisme déclenché par événement utilisé. De plus, une politique de contrôle idéale est développée pour le problème de contrôle de consensus abordé tout en minimisant la fonction de coût non quadratique locale prescrite. En outre, un schéma NN acteur-critique avec apprentissage en ligne est utilisé pour réaliser la politique de contrôle obtenue, où le NN critique est une structure à trois couches avec une capacité d'approximation puissante. Grâce à une analyse mathématique extensive, la condition de consensus est établie pour le MAS sous-jacent, et la bornition des erreurs estimées est prouvée pour les poids NN acteur et critique. De plus, l'effet du mécanisme déclenché par événement adopté sur le coût local est discuté en détail, et la borne supérieure de l'augmentation correspondante est dérivée en comparaison avec les cas déclenchés par le temps. Enfin, un exemple de simulation est utilisé pour illustrer l'utilité du schéma de conception de contrôleur proposé.