不同步长的多智能体分布式优化算法设计

发布时间：2020-12-30 15:02

　　随着现代控制技术的不断发展进步,需要处理的信息量也急剧增加,集中式控制很难承受如此大的计算负担,因此多智能体的分布式控制策略应运而生。分布式策略可以解决多个智能体合作的大规模问题,增大系统的容量,提高网络的鲁棒性。现如今,分布式优化算法已经被广泛应用在深度学习、人工智能、资源管理、无人机编队等领域,而随着多智能体技术的发展,隐私性更好、收敛速率更快的分布式算法成为人们的研究热点。针对近期的研究热点,本文主要的研究内容如下:针对网络拓扑为强连通权重平衡有向图的情况,设计了离散时间的分布式优化算法。通过梯度限制策略避免了步长选择的困难性,通过线性变换,将优化问题的最优解转化为系统的稳定点问题。并构造李雅普诺夫函数来验证算法的收敛性,得到算法以线性速率收敛到最优解。并进一步将提出的算法与事件触发协议相结合,在牺牲一部分收敛速率的前提下,减少了智能体之间的通信,降低了通信负担。针对网络拓扑为强连通非平衡有向图的情况,利用智能体的入度信息,设计了一种行随机优化算法。在分布式优化算法中,步长的选择是算法的重要组成部分,与算法的收敛速度密切相关。通过增加额外的动力学方程,允许智能体每个时刻所使用的步... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 多智能体系统的研究背景和意义
    1.2 多智能体系统分布式优化问题研究现状
        1.2.1 基于一致性的分布式优化
        1.2.2 分布式衰减步长算法
        1.2.3 分布式定步长算法
    1.3 预备知识
        1.3.1 图的基本概念
        1.3.2 邻接矩阵
        1.3.3 凸优化理论
    1.4 论文主要研究内容
2 基于平衡有向图的分布式优化
    2.1 问题描述
    2.2 算法的设计与分析
        2.2.1 离散优化算法设计
        2.2.2 事件触发下优化算法设计
    2.3 数值仿真
    2.4 本章小结
3 基于非平衡有向图的分布式约束优化
    3.1 问题描述
    3.2 算法的设计与分析
        3.2.1 基于分段步长的优化算法设计
        3.2.2 算法的收敛性
    3.3 数值仿真
    3.4 本章小结
4 基于独立步长的分布式优化算法
    4.1 问题描述
    4.2 算法的设计与分析
    4.3 数值仿真
    4.4 本章小结
结论与展望
参考文献
附录A 符号与缩写
攻读硕士学位期间发表学术论文情况
致谢


【参考文献】：
期刊论文
[1]Distributed Energy Sharing in Energy Internet Through Distributed Averaging[J]. Yangyang Ming,Jie Yang,Junwei Cao,Ziqiang Zhou,Chunxiao Xing.  Tsinghua Science and Technology. 2018(03)
[2]分布式并行网络拓扑计算关键技术研究[J]. 王健,陈威,汤卫东,王昊,金芬兰.  电力系统保护与控制. 2017(02)
[3]基于一致性算法的主动配电网分布式优化调度[J]. 蒲天骄,刘威,陈乃仕,王晓辉,董雷.  中国电机工程学报. 2017(06)
[4]三维动态环境下多无人机编队分布式保持控制[J]. 邵壮,祝小平,周洲,张波,王彦雄.  控制与决策. 2016(06)
[5]切换网络下时变线性多智能体系统的指数同步[J]. 王兴平,宋艳荣,程兆林.  自动化学报. 2015(08)
[6]分布式优化:算法设计和收敛性分析[J]. 洪奕光,张艳琼.  控制理论与应用. 2014(07)



本文编号：2947844