论文部分内容阅读
由于大规模网络系统在工程实践、社会科学、自然科学等诸多领域扮演越来越重要的角色，因而多智能体系统的分布式优化与控制受到了广泛关注。本文主要内容是研究多智能体系统的分布式优化问题并设计相应的分布式优化算法。具体内容概述如下: 1.在考虑通信成本和系统采样负担情况下，研究了受干扰连续时间一阶多智能体系统的分布式优化问题。与大多数研究一阶积分器系统不同的是，我们研究的问题中每个个体的动力学是一个受到有界外部干扰的一阶线性系统。此外，设计连续时间分布式优化算法时，很少有人同时考虑通信和采样对系统的影响。为降低系统通信成本和梯度采样负担，本文设计了一个具有时间驱动策略的分布式优化算法。在此算法中，每个个体每隔固定时间与其邻居进行通信并测量其梯度信息。为进一步降低系统的通信成本和梯度采样成本，又设计了一个具有事件驱动策略的分布式优化算法。在此算法中，个体之间的通信时间和个体的梯度测量时间分别由两个不同的事件驱动，并且从理论上证明了这两个事件驱动策略都不会出现Zeno现象（即不会在某一时间段内出现无穷次通信和采样现象）。基于内膜原理，上述两个算法都可以使系统受到有界干扰还能指数收敛到全局代价函数的精确最优解。相比于分布式时间驱动优化算法，分布式事件驱动优化算法能进一步降低系统的通信次数和梯度采样次数。此外，还探讨了局部代价函数梯度可连续测量情况下受干扰系统的分布式优化问题，并设计了一个能指数收敛的分布式事件驱动优化算法。 2.针对许多研究成果都是关于线性系统分布式优化问题的情况，本文研究了非线性系统——Euler-Lagrange系统的分布式优化问题。设计了一个能确保系统输出指数收敛到精确最优解且具有半全局稳定的分布式优化算法，但是此算法不但需要个体之间交换位置信息而且还需要个体之间交换速度信息。为降低通信负担，又对该系统设计了一个无需速度协调且半全局稳定的分布式优化算法，而且该算法依旧能够确保系统输出指数收敛到精确最优解。在上述两个算法的收敛性分析中都充分考虑了Euler-Lagrange系统的动力学特性。因为Euler-Lagrange系统是一个非线性系统，所以相对于大多数研究的线性系统，该系统优化算法的收敛性分析更加困难，从而导致上述两个算法只能做到半全局稳定。此外，基于虚拟观测器思想对Euler-Lagrange系统设计了一个能全局渐近收敛的分布式优化算法，并且从理论上证明了该算法能确保系统输出收敛到精确最优解。 3.研究了具有加权平衡有向通信网络且局部代价函数非光滑的带约束连续时间资源分配问题。大部分人在研究连续时间资源分配问题时不考虑个体可行集的影响或者考虑的可行集比较简单，且通常要求通信网络为无向连通网络和要求局部代价函数可微。但是在工程应用中，加权平衡有向通信网络相对于无向连通网络更容易实现，且可微代价函数是非光滑代价函数的特例。本文研究的问题中，每个个体的可行集约束都是互不相同的广义凸集，并且系统通信网络为加权平衡有向强连通图且个体的局部代价函数都是非光滑的。又，其它多数已有研究要求系统的网络资源被所有个体或其中某一个体知道，本文研究的问题中系统网络资源是所有个体的局部资源之和且所有个体都不知道该网络资源信息。基于微分投影运算和微分包含思想设计了一个完全分布式的非光滑资源分配算法，且该算法能够确保系统决策全局渐近收敛到精确最优解。又，该算法不需要个体与其邻居交换梯度信息，从而有利于隐私保护。最后，还探讨了无局部可行集约束且局部代价函数可微的连续时间资源分配问题，并设计了一个能指数收敛到精确最优解的分布式资源分配算法。