多智能体系统的分布式模型预测控制理论与应用研究

The multi-agent systems have promising application potential in describing the highly-coordinated collective behaviors of natural biological groups as well as in various industrial areas including unmanned aircrafts formation control, multi-robot coordination and multi-sensor networks. Thus the exploration of control theory and techniques for multi-agent network coordination has become a frontier hot spot in automation science all over the world. More significantly, some recent scientific results show that using model predictive control to resolve the collective coordination problems of stability, consensus, obstacles avoidance and target tracking exhibits many desired properties. However, there are several core difficulties to be addressed in the predictive control for the multi-agent systems. The research project aims to propose the distributed model predictive control strategies and the regulation scheme of pattern phase transitions for the multi-agent systems by incorporating the mainstream collective system models to predict the evolution of the whole system. The research content includes the investigation on the evolving mechanism of the system based on empirical data, the study on the modeling of the system that integrates the individual interactions and predictive intelligence, the research on the distributed model predictive control schemes for the multi-agent systems, and the application to the multi-robot platform. The potential results will help fill the gap between the distributed predictive control theory and the real industrial applications of multi-agent systems.

由于多智能体系统在生物群体协同分析、无人机编队控制、群体机器人协同装配和多传感器网络等领域具有极大的应用潜力，近几年针对多智能体网络协同的控制理论与技术探索已经成为国际自动化领域的研究前沿和热点问题。近期研究发现，从模型预测控制的角度解决群集动力学系统中的稳定性、同步、避障和跟踪等协同问题具有很多优良特性，然而多智能体系统的协同预测控制仍有一些核心难题亟待解决。本项目旨在将模型预测控制策略拓展到多智能体系统，结合主流群集动力学模型对群集未来演化趋势进行预测，发展出多智能体系统的分布式预测控制策略及其构型的相变调控方法。研究内容包括：基于群集动力学实证数据对系统动力学演化规律的探索、融合个体交互和预测智能的动力学系统建模方法研究、多智能体系统的分布式预测控制策略的设计及其在群体机器人系统中的应用。项目预期将为实现从多智能体预测控制方法到工程应用的转化提供新理论和新方法的支持。

本项目将预测控制策略拓展到多智能体系统等复杂网络，结合网络动力学模型对复杂网络未来演化趋势进行预测，发展出针对复杂网络系统的分布式预测控制策略。研究结果为：（1）为避免罗列所有类型的供应链网络并对其进行建模，抽取出它们共性的结构和动态特性，选择了一个多节点的网络作为研究的标准框架。从流程控制系统的观点出发对该供应链的组织构造、假设和变量分配等特征进行刻画。首先对单个节点建立了一个切换系统来描述一般的动态特性。模型的建立为后续分布式预测控制策略的提出奠定了基础。（2）针对该典型的具有链状拓扑结构的供应链网络系统，提出了一种独立、迭代式的分布式模型预测控制算法。该算法中每个节点都配备一个智能体并通过局域网完成信息交互，应用模型预测控制方法解决各个节点的订单策略制定、库存管理及减轻牛鞭效应等问题。每个控制器使用子系统自身信息和接收到邻居的迭代优化后的控制输入序列，优化自身的局部目标代价函数获得优化控制输入序列，并传递给邻居供下一轮迭代优化。当任一智能体两轮迭代计算所得输入控制序列之差小于某阈值时，则局部最优化问题迭代停止。如果每个节点迭代优化过程都停止，则整个系统达到纳什均衡状态。然后对该算法导致的闭环系统稳定性进行分析。（3）提出了一种非迭代的、合作式分布式模型预测控制算法。该算法中每个节点的决策遵从其智能体的模型预测控制方法，每个智能体使用局部信息并且与交互的邻居进行合作，优化一个代表整个网络系统的目标代价函数。根据网络的信息流传递特征，局部的最优化问题按照由下游节点向上游节点的方向贯序进行求解。根据递归可行性的方式证明了，只要在初始时刻存在一个可行性解，则在未来任何时刻该算法都是可行的。该算法闭环控制的渐进稳定性分析表明，稳定性问题转化为整定模型预测控制算法的参数，即控制变量的惩罚性权值矩阵。将设计的控制策略应用于某些实际工程系统，显著改善了网络系统的性能指标。