不完全信息下复杂多自主体网络的辨识与性能极限算法研究

Based on the essential characteristics of biological intelligent network such as self-organization of group, local autonomy, emergence and heterogeneity, this project investigate identification algorithms and optimization computation of performance limitations for multi-agent networks with incomplete information and various constraints. From the state information of observed nodes including positions, velocity and directions, and in view of the incomplete information which may result from state variables are partially observable, local awareness with limited intelligence and data loss in the communication process, we can dig out the network topology and key parameters which reflect the evolution laws of dynamical behavior of nodes and networks to establish dynamical evolution models. By revealing the quantitative relationships among various constraints, network topology, system parameters, we will propose the robust identification algorithms of complex multi-agent networks under kinds of restrictions. Combining with Multi-robot cooperation system, the performance index which have universal significance will be refined, such as tracking and consensus performance index. Then tracking and consensus performance limitations values of complex multi-agent networks under incomplete informations and various constraints can be obtained by using optimization computation, and design methods of collaborative optimization algorithms for tracking and consensus can also be given. This project will give guidance in theory and pratical applications for identification algorithm design and optimization computation of performance limitations.

基于生物智能网络的群体自组织性、局部自治性、涌现性和异质性等特点，本项目针对不完全信息及多种约束下的复杂多自主体网络的辨识算法和性能极限优化计算问题进行研究。基于观测节点的状态信息（位置、速度和方向等），针对信息的不完全性（部分节点状态可测、有限智能造成的局部感知和通信过程中的数据丢失等），挖掘出反映节点和网络动态行为演化规律的网络拓扑结构和重要参数，建立节点和网络的动态演化模型；揭示出多种约束（节点能力约束和通信约束等）和网络拓扑结构、系统参数之间的定量关系，提出复杂多自主体网络在多种约束下的鲁棒辨识算法；结合多机器人合作系统，提炼出具有普适意义的性能指标（跟踪、一致性等），通过优化计算得到复杂多自主体网络在不完全节点状态信息和多种约束下的跟踪或一致性性能极限值，以及跟踪和一致性协同优化算法的设计方法。本项目将为复杂多自主体网络的辨识算法设计和性能极限优化计算提供理论和实际应用上的指导。

无人机编队、多机器人合作、分布式传感器网络等实际应用需求对复杂多自主体网络理论的研究提出了严峻的挑战。网络中的各种复杂因素导致的信息不完全性及多种约束该如何刻画，并对多自主体网络的拓扑结构、协同行为会产生怎样的而影响，是亟待解决的问题。. 针对上述问题，在国家自然科学基金面上项目“不完全信息下复杂多自主体网络的辨识与性能极限算法研究（编号：61472122）”的资助下，我们对此进行了深入研究，取得如下主要成果：. 针对带有时滞的复杂时空网络，我们构建了反馈观测器网络及含积分项的自适应规则，实现对网络拓扑结构的辨识；通过构造辅助系统，设计了新的自适应调整规则，可在有限时间内进行拓扑辨识；对非线性耦合的复杂网络，提出了基于部分节点的采样数据来估计复杂网络的全部节点的状态，使得状态估计更有效率。. 针对复杂多自主体网络，通过分布式事件驱动控制方法研究了多样性协同，提出了基于传感代价的智能群体动态分组演化方案，设计了基于采样数据和分组演化的事件驱动条件；提出了与距离成本相关的性能函数，设计了分布式混杂控制算法，实现多自主体网络的保性能协同；研究了多机器人网络化采样系统的目标跟踪分布式控制器-估计器设计，设计了PD-Like控制算法，并给出了算法中估计器的收敛条件。. 针对网络化控制系统，分别研究了多种约束（通信时延、数据丢包和信道噪声等）下的性能极限问题，定量地揭示了网络化控制系统的性能与被控对象的本质特征之间的内在联系，证明了通信过程中的多种约束对系统的性能产生的不利影响，给出了控制器的最优设计方案。. 本项目实施过程中，项目组在复杂多自主体网络的辨识与性能极限算法方面以论文的形式在IEEE Transactions on Systems, Man, and Cybernetics: Systems、Automatica、Information Sciences等国内外权威学术期刊进行发表，共发表期刊论文43篇，其中SCI收录31篇。申请并授权专利10余项，出版学术专著2部，在Proceedings of the Chinese Control Conference(CCC)等国内外学术会议交流研究成果11次，培养硕士研究生3名，联合培养博士研究生4名，培养青年骨干教师3名。2017年入选“湖北省青年英才开发计划”。