基于事件触发的离散时间多智能体系统的分布式最优追踪控制

本文通过强化学习解决离散时间多智能体系统的事件触发最优追踪控制问题。与传统的基于强化学习的多智能体系统最优协调和控制方法（依赖时间触发控制机制）相比，提出了一种事件触发机制，仅在设计事件被触发时更新控制器，从而减少了计算负担和传输负载。描述了具有事件触发控制器的闭环多智能体系统的稳定性分析。此外，为了实现所提方案，提出了一种actor-critic神经网络学习结构，以近似性能指标并在线学习事件触发最优控制。在训练过程中，设计了事件触发权重调节法，其中与固定更新周期的传统方法相比，actor神经网络的权重参数仅在触发实例期间进行调整。此外，通过Lyapunov方法提供了actor-critic神经网络的收敛性分析。最后，两个仿真实例展示了所获得的事件触发强化学习控制器的有效性和性能。