【Paper】2017_事件触发机制下的多智能体领导跟随一致性

2023-05-16

黄红伟, 黄天民. 事件触发机制下的多智能体领导跟随一致性[J]. 计算机工程与应用, 2017, 53(6): 29-33.

文章目录

  • 2 预备知识及问题描述
    • 2.1 代数图论
    • 2.2 领导跟随一致性
  • 3 主要结果
    • 3.1 集中式事件触发机制下的一致性
        • 对应程序 `main_centralization.m` ,效果如下
        • 对应程序 `main_centralization2.m` ,效果如下
    • 3.2 分散式事件触发机制下的一致性
        • `main_distributed.m` 程序效果如下
        • `main_distributed2.m` 程序效果如下
  • Ref

2 预备知识及问题描述

2.1 代数图论

2.2 领导跟随一致性

领导者的动态方程描述为:

x ˙ 0 ( t ) = u 0 ( t ) (1) \begin{aligned} \dot{x}_0 (t) &= u_0 (t) \end{aligned} \tag{1} x˙0(t)=u0(t)(1)

跟随者 i i i 的动态方程描述为:

x ˙ i ( t ) = u i ( t ) (2) \begin{aligned} \dot{x}_i (t) &= u_i (t) \end{aligned} \tag{2} x˙i(t)=ui(t)(2)

3 主要结果

针对领导跟随多智能体系统(1)~(2),给出如下控制协议

u i ( t ) = u 0 ( t ) − γ ( ∑ j ∈ N i a i j ( x i ( t ) − x j ( t ) ) + a b i ( x i ( t ) − x 0 ( t ) ) ) (3) \begin{aligned} u_i (t) &= u_0 (t) - \gamma \left( \sum_{j \in N_i} a_{ij} (x_i(t) - x_j(t)) + a b_i (x_i(t) - x_0(t)) \right) \end{aligned} \tag{3} ui(t)=u0(t)γ jNiaij(xi(t)xj(t))+abi(xi(t)x0(t)) (3)

3.1 集中式事件触发机制下的一致性

在这里插入图片描述

原文中没有说清楚这一步怎么来的,所以我做了两种方式

第一种是将 e = [ e 1 , e 2 , e 3 , e 4 , e 5 , e 6 ] ′ e = [e_1, e_2, e_3, e_4, e_5, e_6]' e=[e1,e2,e3,e4,e5,e6] 然后带入到式 (8)

对应程序 main_centralization.m ,效果如下

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

Times of agent 1 trigger: 144 
Times of agent 2 trigger: 144 
Times of agent 3 trigger: 144 
Times of agent 4 trigger: 144 
Times of agent 5 trigger: 144 
Times of agent 6 trigger: 144 

第二种是依次将 e 1 , e 2 , e 3 , e 4 , e 5 , e 6 e_1, e_2, e_3, e_4, e_5, e_6 e1,e2,e3,e4,e5,e6 然后带入到式 (8),做或运算判断,即任何一个条件达到都触发

对应程序 main_centralization2.m ,效果如下

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

Times of agent 1 trigger: 152 
Times of agent 2 trigger: 152 
Times of agent 3 trigger: 152 
Times of agent 4 trigger: 152 
Times of agent 5 trigger: 152 
Times of agent 6 trigger: 152 

3.2 分散式事件触发机制下的一致性

main_distributed.m 程序效果如下

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

Times of agent 1 trigger: 300 
Times of agent 2 trigger: 299 
Times of agent 3 trigger: 300 
Times of agent 4 trigger: 299 
Times of agent 5 trigger: 299 
Times of agent 6 trigger: 300 

main_distributed2.m 程序效果如下

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

Times of agent 1 trigger: 111 
Times of agent 2 trigger: 154 
Times of agent 3 trigger: 163 
Times of agent 4 trigger: 292 
Times of agent 5 trigger: 293 
Times of agent 6 trigger: 224 

Ref


需要程序代码可加+V:Zhao-Jichao
在这里插入图片描述

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

【Paper】2017_事件触发机制下的多智能体领导跟随一致性 的相关文章

  • 2017阿里校招内推面试回忆

    首先 我得声明 我经历了内推的四次电话面试 一直到hr面了 但是最后还是被挂了 所以 对大家的帮助可能不是那么大 如果大家对我这个失败者的经历不是很感兴趣的就不用往下看 后来校招的时候 笔试直接就挂了 我猜测是不是跟我之前内推失败的记录有关
  • 过去的 2017 年

    过去的 2017 年分为两个部分 xff0c 前半部分偏忙碌 xff0c 个人时间较少 xff0c 但是收获甚微 xff1b 后半部分进入了一个学习的环境 xff0c 最主要的就是个人可自由支配的时间多了 xff0c 留给了我很多思考的时间
  • 我的2017-搭建个人网站,搭建PHP环境(2)

    上周确定了 xff0c 想要应用的后台语言 xff0c 面临的最大问题就是 xff1a php我不会啊 xff0c 哈哈哈哈 xff0c 所以接下来首先要做的就是了解 学习php的相关知识 接下来的第一步 xff1a 环境搭建 1 下载安装
  • VS 2017 无法打开 kernel32.lib问题解决办法

    首先问题 是这样的 xff1a 我设置属性管理器 xff1a 配置Opencv xff0c 然后 xff0c 不知道怎么弄的 xff0c 出现这个问题 xff1a 出现这个问题 xff1a 我看了一下我的库目录 xff1a 是这样子的 xf
  • Ai challenger 2017 image caption小结

    参加了今年的 ai challenger 的 image caption比赛 xff0c 最终很幸运的获得了第二名 这里小结一下 Pytorch 越来越火了 前五名有三个 pytorch xff0c 两个 tensorflow 关于哪个 l
  • 武汉理工的计算机复试题难,2017武汉理工计算机复试

    该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 2017年4月1日愚人节对没错就是愚人节 计算机学院的官网上放出了拟录取名单 半年的长跑终于有了结果本人本科学的也不是计算机的 xff0c 来自万金油管理学院的信管专业 普通一本 像我这样跨专业
  • [paper]Feature Squeezing: Detecting Adversarial Examples in Deep Neural Networks

    本文提出了两种特征压缩方法 xff1a 减少每个像素的颜色位深度使用空间平滑来减少各个像素之间的差异 特征压缩通过将与原始空间中许多不同特征向量相对应的样本合并为单个样本 xff0c 从而减少了对手可用的搜索空间 通过将DNN模型对原始输入
  • MATLAB 2018b 安装 mexopencv (VS 2017 编译)

    MATLAB 2018b 安装 mexopencv VS 2017 编译 之前电脑上装的是MATLAB 2016b 没办法识别VS 2017 虽然官方说有补丁解决这个问题 但还是下了最新的2018b 2018b 识别VS 2017 是没问题
  • 2017论文阅读:Learning a Rotation Invariant Detector with Rotatable Bounding Box

    文章代码已开源 文章目录 文章贡献1 Rotatable bounding box2 Rotation invariant detection2 1 模型结构总览2 2 模型训练2 3 实现的细节 3 实验 amp 结果 文章贡献 提出了一
  • 记录 docker 安装mssql 2017

    系统环境 xff1a 阿里云 CentOS 7 4G内存 参考 xff1a https docs microsoft com zh cn sql linux quickstart install connect docker view 61
  • 我的2017-搭建个人网站,hello PHP(2)

    学习一门语言 xff0c 例行惯例 xff0c 先来个 hello world 搭建好了php环境 xff0c 然后就可以运行php了 xff0c 首先用一种最简单的方法 xff0c 在wamp安装位置 xff08 相应的文件夹 xff09
  • 2017.04.21 麦克纳姆轮简介

    这个是德国库卡KMP omniMove移动负载平台上使用的轮子 xff0c 这个轮子的名字叫麦克纳姆轮 麦克纳姆轮是基于一个有许多位于机轮周边的轮轴的中心轮的原理上 xff0c 这些成角度的周边轮轴把一部分的机轮转向力转化到一个机轮法向力上
  • 【Paper】Learning to Resize Images for Computer Vision Tasks

    From 别魔改网络了 xff0c Google研究员 xff1a 模型精度不高 xff0c 是因为你的Resize方法不够好 xff01 知乎 zhihu com paper 2103 09950v2 pdf arxiv org code
  • Visual Studio 2017 代码自动对齐

    点 编辑 高级 设置选定内容的格式 或者按Ctrl 43 K 然后再按Ctrl 43 F 就好了 你可以在常用快捷键自定义 窗口中进行查看 1 进入工具 选项 对话框 2 选择 环境 键盘 3 在 显示命令包含 下面的对话框中输入 对齐 关
  • 【图像处理】【图像去模糊】 总结

    本人最近由于做相关去卷积工作 查阅了上百篇文献 发现在这个领域 可能也是 水太深 了 并没有一篇较好的综述 现在做以下总结 只对高斯与散焦模糊的非盲去卷积领域 对于运动模糊并未做总结 但实际上除了点扩散函数的估计有区别 实际上这三类去模糊甚
  • CGAN原理及tensorflow代码

    1 首先说明一下CGAN的意义 GAN的原始模型有很多可以改进的缺点 首当其中就是 模型不可控 从上面对GAN的介绍能够看出 模型以一个随机噪声为输入 显然 我们很难对输出的结构进行控制 例如 使用纯粹的GAN 我们可以训练出一个生成器 输
  • CVPR 2017论文

    近期在看CVPR2017的文章 顺便就把CVPR2017整理一下 分享给大家 更多的 Computer Vision的文章可以访问Computer Vision Foundation open access CVPapers Machine
  • Learning Video Object Segmentation from Static Images

    Abstract 论文灵感来源于 实例分割和目标跟踪 特点 1 我们的模型在每帧的基础上进行 并由前一帧的输出导向下一帧中的关注对象 2 一个高度准确的视频目标分割可以用一个卷积神经网络并用静态的图片来训练 3 使用在线和离线的策略 前者产
  • [paper] MTCNN

    MTCNN 论文全称 Joint Face Detection and Alignment using Multi task Cascaded Convolutional Networks 论文下载链接 https arxiv org ab
  • 2019 SIGGRAPH paper

    20190704 Image Science 1 Hyperparameter Optimization in Black box Image Processing using Differentiable Proxies 基于可微代理的黑

随机推荐