文章目录
[论文学习笔记]Cepeda-Gomez R , Olgac N . Exhaustive stability analysis in a consensus system with time delay and irregular topologies[C]// Proceedings of the 2011 American Control Conference. IEEE, 2011.
1 论文的贡献,解决的问题
论文所研究的是具有二阶动力学模型、带有时滞与不规则拓扑的多智能体,达成consensus的稳定性问题。实在是想不到翻译consensus的方式,大概的含义是聚集到某一点
提出了两个新的概念,这也是文章主要解决的问题:
- the most exigent eigenvalue: 决定了系统的收敛允许时滞的范围
- the most critical eigenvalue: 决定了系统达到consensus的速度
达成consensus的速度会因为通讯时滞的不同而被影响,延长通讯延时有可能会提高达成consensus的速度。
2 使用图论描述不规则拓扑的多智能体
首先我们假设所有的智能体之间通讯是相互的,即如果用图去描述通讯的拓扑关系,应该生成一个无向图。因此我们不使用入度和出度,而直接用度(degree) 来描述一个节点与其他多少个节点相连。将agent-i的度记为 Δ i \Delta_i Δi,对于n个节点的图,定义度矩阵:
Δ = [ Δ 1 ⋱ Δ n ] \Delta=\left[ \begin{matrix} \Delta_1& & \\ &\ddots & \\ &&\Delta_n\\ \end{matrix} \right] Δ=⎣⎡Δ1⋱Δn⎦⎤
通讯的拓扑关系可以直接由邻接矩阵(Adjacency matrix) 来描述,图 Γ \Gamma Γ的邻接矩阵被定义为:
A Γ ( i , j ) = { 1 ,if i and j are connected 0 ,if i and j are not connected A_\Gamma(i,j)= \left\{ \begin{array}{c} 1 & \text{,if i and j are connected} \\ 0 & \text{,if i and j are not connected} \end{array} \right. AΓ(i,j)={
10,if i and j are connected,if i and j are not connected
对于一个无向图而言,显然邻接矩阵会是一个二元对称矩阵(binary symmetric matrix)。
3 系统的动力学建模
为了便于描述,我们设所有能够与j-th agent(表示第j个智能体)通讯的agents,通讯的信息包括所处的位置,与所处位置的一阶导,这些agents构成一个集合 N j N_j Nj ,集合含有 Δ j \Delta_j Δj个元素。
设想所有的通讯都有相同的延时 τ \tau τ,我们把二阶动力学系统描述成以下的PD控制:
x ¨ j = u j = P ( ∑ k ∈ N j x k ( t − τ ) Δ j − x j ( t ) ) + D ( ∑ k ∈ N j x ˙ k ( t − τ ) Δ j − x ˙ j ( t ) ) (3.1) \ddot x_j=u_j=P(\sum_{k\in N_j}\frac{x_k(t-\tau )}{\Delta_j}-x_j(t))+D(\sum_{k\in N_j}\frac{\dot x_k(t-\tau )}{\Delta_j}-\dot x_j(t)) \tag{3.1} x¨j=uj=P(k∈Nj∑Δjxk(t−τ)−xj(t))+D(k∈Nj∑Δjx˙k(t−τ)−x˙j(t))(3.1)
- 上式仅含有x,是因为为了推导的简化,我们只考虑了一维情况,很显然这可以推广到三维,并不失一般性。
- ∑ k ∈ N j x k ( t − τ ) Δ j \sum_{k\in N_j}\frac{x_k(t-\tau )}{\Delta_j} ∑k∈NjΔjxk(t−τ)尽管它看上去很杂乱,但是含义很明确,可以从某种程度上认为是一种重心,就是对位置求了平均。当然我们获取的信息总是要晚一点点,所以加上了时滞项。
- u就是输入,可以想象到,一旦所有agents聚集到某一个点,那么系统就没有输入了。这就是我们的目标,稳定在一点。
这样的表述显然还是不够的,为了将所有的agents全部漂亮地表达在一个方程里,我们使用矩阵来进行状态空间上的表述。
定义状态向量 x = [ x 1 , x ˙ 1 , ⋯ , x n , x ˙ n ] x=[x_1,\dot x_1, \cdots,x_n,\dot x_n] x=[x1,x˙1,⋯,x