基于多智能体一致性理论的分布式数据聚类算法

The investigation on the distributed data clustering analysis is of great significance to extract useful information from huge distributed data. The existing distributed algorithms seldom take into consideration the non-ideal network communication and the influence of the structure of the communication topology on the performance of the algorithms. This project will focus on the development of advanced techniques on the distributed data clustering problem and propose a set of effective distributed data clustering algorithms based on multi-agent consensus theory aiming at promoting the application and the development of multi-agent consensus theory and advancing the distributed data mining and analysis technology. More specifically, we will seek to apply the multi-agent consensus theory, which has the characteristic that the whole system can reach an agreement with mere local information exchange, and use the tools from areas such as algebraic graph theory, matrix analysis as well as control theory to design and analyze the distributed data clustering algorithms over non-ideal network communication which arise from considering practical network communication environments involving dynamic switching topology, asynchronous communication, and cyberattacks. Finally, we aim to apply part of our theoretical results to the environment monitoring problems of multi-robots and wireless sensor networks.

分布式数据聚类分析技术的研究对从海量分布式数据中提取有用信息具有十分重要的现实意义。针对当前分布式数据聚类算法较少考虑非理想网络通信环境以及通信拓扑结构对算法性能影响等研究现状，本项目旨在通过对分布式数据聚类问题的深入研究，以期提出一套行之有效的基于多智能体系统一致性理论的分布式聚类算法，在推动多智能体系统一致性理论应用与发展的同时，促进分布式数据挖掘与分析技术的进步。具体的，将针对非理想复杂通信网络环境下存在的动态切换拓扑、异步通信、网络攻击等问题，根据多智能体系统一致性算法可以通过局部信息交流达到整体目标一致的特点，以多智能体系统一致性理论为理论基础，利用图论方法、矩阵分析、控制理论方法等技术手段，设计并分析非理想通信网络环境下的分布式数据聚类算法并将得到的理论结果运用到多机器人及无线传感器网络的环境检测问题中。

分布式数据聚类分析技术的研究对从海量分布式数据中提取有用信息具有十分重要的现实意义，而现有的分布式数据聚类算法较少考虑非理想网络通信环境以及通信拓扑结构等对算法的影响。本项目针对非理想复杂通信网络环境下存在的动态切换拓扑、网络攻击等问题，以多智能体系统一致性理论为理论基础，设计并分析了非理想通信网络环境下的分布式数据聚类算法，并将得到的研究成果应用到了智能电网、多机器人系统等领域中。本项目主要创新性如下：针对拓扑切换弱约束和个体系统强发散带来的挑战，精准刻画动力学可控性和网络动态连通性本质，解决了混杂多智能体系统一致控制与分析问题；设计了拒绝服务攻击能量分配算法，并提出了一种新颖的动态目标调节增益估计算法以及弹性一致控制算法，解决了网络攻击下多智能体系统状态估计与一致控制问题；发展了面向个体动力学异构、执行器故障、外部干扰、内部不确定等情况的多智能体系统鲁棒一致性理论与方法，提升了系统对非理性环境的适应性；提出了基于多智能体系统一致性的新颖分布式数据聚类算法，在异步及宽松网络拓扑下解决了模型阶次未知且形状复杂的非高斯数据聚类问题；提出了不依赖全局信息和精确模型的智能电网实时分布式协同优化调度算法及面向隐私保护的分布式优化方法，解决了智能电网能源调度中个体成本函数非凸、无法精确建模及信息传递安全性、实时性差等挑战；从定位、感知、规划、控制多个模块出发针对性地设计算法，多方面多角度提升了机器人系统的自主导航性能，并提出了一系列新颖的多机器人系统一致控制方法，提高了系统的实时性、稳定性。本项目提出了一套较为完善的基于多智能体系统一致性理论的分布式聚类算法，对推动多智能体系统一致性理论和分布式数据挖掘与分析技术发展起到一定的作用。项目资助发表和录用SCI期刊论文44篇，包括Automatica和IEEE TAC论文11篇，其他IEEE Trans.汇刊论文27篇。