异构多智能体多智能体——估计学习法

论文内容翻译

1. 问题背景

本文研究了一个分布式控制系统，其中包含以下组成部分：

• 一个未知动态的领导者： 
• 多个异构的跟随者，动态如下：                                           
• 其中 i=1,…,N表示不同的智能体。

2. 主要挑战

• 领导者的动态矩阵 对所有跟随者都是未知的。
• 通信网络可能遭受 拒绝服务（DoS）攻击。
• 每个智能体的动态不同（异构性）。
• 可能发生物理执行器故障。

3. 基于学习的解决方案

作者提出了一个三步解决方案：

A. 分布式鲁棒学习算法

为学习未知的领导者矩阵 ，算法步骤为：

1. 在时间间隔上收集数据样本：

   

2. 将其转化为线性方程：

   d(T,hκ)=e(T,hκ)⋅vec(A0​)

   其中：

   • d(T,hκ) 表示状态差分；
   • e(T,hκ)包含积分的状态信息；
   • vec() 为未知矩阵 的向量化形式。

B. 分布式鲁棒估计器

在学习到 后，设计了一个估计器：

其中：

• 表示通信正常， 表示通信受到 DoS 影响；
• χ 是估计器增益；
• 是智能体 i 对领导者状态的估计。

C. 自适应容错控制器

最终控制律为：

并附有以下自适应律：

4. 拒绝服务攻击处理

系统通过以下方式应对 DoS 攻击：

• 估计器中的切换机制 ；
• 在间歇通信下仍然有效的鲁棒学习；
• 对满足频率和时长约束的 DoS 攻击提供稳定性保证： 

5. 异构性处理

系统通过以下方式解决异构性问题：

• 针对每个智能体设计单独的自适应控制器；
• 为每个智能体动态调整的估计器；
• 允许不同智能体模型协同工作的控制框架。

以上内容参考自论文《Learning-Based Distributed Resilient Fault-Tolerant Control Method for Heterogeneous MASs Under Unknown Leader Dynamic》