基于组群化网络的多智能体一致性问题研究

Consensus, as the basis of distributed multi-agent cooperative system, is widely used in the Internet, communications, military and other fields. However, the classical consensus strategy based on the relative node (agent) state can not fully meet the performance requirements of modern systems due to the rapid growth of network node numbers and the increasing complexity of network topology. As most networks have sub-center nodes such like base station or route, this project divides the nodes into several groups, providing a hierarchical networks consensus strategy based on group information. The project plans to use algebraic graph theory and stability theory to solve the linear system and two kinds of specific non-linear systems. The project also establishes the convergence rate expression based on group information, and discusses the influence by group partition. In addition, mean square is used to analyze the convergence rate of the large-scale stochastic networks. Finally, a muti-UGV experimental platform is built to validate the modified consensus strategy. The expected results will propose theoretical architecture based on hierarchical networks consensus strategy via group information, such that it can be applied to many more multi-autonomous networks applications.

一致性策略，作为分布式协调控制技术的基础，被广泛应用于互联网，通信，军事等各个领域。然而，随着网络节点数目的快速增长以及网络拓扑的日益复杂，仅基于节点间相对状态差值的经典一致性策略已不能完全满足现有系统的性能需求。针对目前网络大多具有若干个类似于基站/路由等分中心节点的特点，本项目通过将节点分组，利用分中心节点所包含的组群信息，经组内节点信息交互与组间组群通信并行的方式，建立基于组群化网络的一致性控制策略。构造线性系统及具有特定模型的两类非线性系统的一致性策略，利用代数图论与稳定性定理分析系统的收敛条件；建立基于组群化一致性策略的收敛速度表达式，讨论分组策略对收敛速度的影响，并利用均方法分析大规模节点随机网络的收敛情况；最后通过搭建多智能小车实验平台，对所提策略进行验证。本课题预期的研究成果是提出一种基于组群化网络一致性策略的理论架构，并使之适用于更多的多智能体网络应用。

在多智能体一致性问题中，随着网络节点数目的快速增长以及网络拓扑的日益复杂，仅基于节点间相对状态差值的经典一致性策略已不能完全满足现有系统的性能需求。针对目前网络大多具有若干个类似于基站/路由等分中心节点的特点，本项目通过引入组群信息，利用组群信息包含组内所有节点状态的特征，针对一致性问题、容错一致性问题以及一致性应用扩展问题进行研究：1. 通过将智能体分组，为每组智能体赋予线性或某一类非线性组合，同时利用该组群信息与组内邻居节点信息进行状态更新，提出系统在离散时间与连续时间的收敛条件。2.针对一致性问题中具有异常节点的情况，利用强化学习的试错思想和深度神经网络来进行研究，通过构建合适的奖励函数，以分布式的方式训练和学习相邻节点的权重，从而使来自可疑节点的权重最小，并消除相应的影响。3. 将一致性策略扩展至实际应用场景，来解决移动众包中的公平性问题，确保多任务系统中每个用户的奖励与他们的成本成正比；在社交网络中，个体通过一致性概念更新其意见动力学的模型。课题的研究成果充实了多智能体协调控制理论基础，相关结果在分布式机器学习、物联网及无线传感网络系统等领域有着广泛的应用前景。