协同控制笔记2——图、树、循环、强连接、生成

从有向图开始介绍,无向图与有向图基本一致,区别主要在于边是无方向的

有向图G
即(V,ε)(点:node 边:edge)
V:非空有限点集
ε:⊆ V × V,连接有序节点对的边集
含权重图的每条边都有权重

G的子图
Gs = (Vs, εs), Vs ⊆ V and εs ⊆ ε

边(vi,vj)
表示 智能体vj 可以从 智能体vi 处获取信息,反之亦然
vi:父节点 vj:子节点 , vi是vj的一个临近点

vi的邻域集:Ni
其基数称为 点vi 的入度(in-degree)

图的平衡
所有点的入边和出边数量相等
无向图是一种特殊的平衡图

循环(cycle):
起点和终点是相同点的有向图

强连接的有向图(strongly connected):
点与另外的点之间都有边直接连接起来在这里插入图片描述
!:对于无向图,强连接就只简单地称为连通性(connectedness)

在这里插入图片描述
有向图完整
每个节点到其他节点都有一条边

无向树(undirected tree):
一种无向图,其中所有节点都可以通过一条无向路径连接起来。

有向树(directed tree):
一种有向图,其中除了称为(root)的节点外,每个节点都有一个父节点(parent),根节点没有父节点,并且有到其他所有节点的有向路径

有向树生成(spanning):
连接了图中的所有节点
→至少有一个根节点连接了所有其他节点

图有/包含有向生成树
图的边的一个子集形成了一个有向生成树 → 等价于:这个图中有至少一个点与其他所有点有直接连接
(无向图的有向生成树等价于有连接)
在有向图中,强连接 是比 有向生成树 更强的条件。一个强连接图包含至少一个有向生成树。
在这里插入图片描述

  • 2
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
以下是一段基于 RBF 神经网络的多四旋翼无人机的协同控制的 Matlab 仿真代码,其中采用了协同控制算法,实现了多无人机之间的协同控制: ```matlab % 定义多无人机系统 num_drones = 4; % 无人机数量 x = zeros(num_drones, 3); % 位置 v = zeros(num_drones, 3); % 速度 q = zeros(num_drones, 4); % 姿态四元数 w = zeros(num_drones, 3); % 角速度 u = zeros(num_drones, 4); % 控制量 f = zeros(num_drones, 1); % 推力 tau = zeros(num_drones, 3); % 总力矩 % 定义 RBF 神经网络模型 input_dim = 6; % 输入维度 hidden_dim = 20; % 隐层神经元数量 output_dim = 4; % 输出维度 rbf = newrb(x', u', 0.1, 2); % 训练 RBF 神经网络 % 定义控制器参数 Kp = 1; % 比例系数 Ki = 0.1; % 积分系数 Kd = 0.01; % 微分系数 % 设置仿真参数 dt = 0.01; % 时间步长 t = 0:dt:10; % 时间向量 % 循环仿真 for i = 1:length(t) % 计算控制器输出 for j = 1:num_drones % 计算目标位置和速度 target_x = [10 + j; 10 + j; 10 + j]; % 目标位置 target_v = [0; 0; 0]; % 目标速度 % 计算控制误差 e = target_x' - x(j, :); % 位置误差 e_sum = sum(e); % 位置误差累加 e_diff = target_v' - v(j, :); % 速度误差 % 计算控制量 input = [x(j, :)'; v(j, :)']; % 输入为位置和速度 output = sim(rbf, input); % 输出为控制量 u(j, :) = output; f(j) = k * sum(u(j, 1:4)); % 推力 tau(j, :) = [L * k * (u(j, 2) - u(j, 4)), L * k * (u(j, 3) - u(j, 1)), b * (u(j, 1) - u(j, 2) + u(j, 3) - u(j, 4))]; % 总力矩 % 计算加速度和角加速度 a = [0; 0; -g] + 1 / m * quatrotate(q(j, :), [0; 0; f(j)]')'; alpha = 1 / [Ix; Iy; Iz] .* (tau(j, :) - cross(w(j, :), [Ix; Iy; Iz] .* w(j, :))); % 更新状态 w(j, :) = w(j, :) + alpha * dt; q(j, :) = quatnormalize(q(j, :) + 0.5 * quatmultiply(q(j, :), [0 w(j, :)] * dt)); v(j, :) = v(j, :) + a * dt; x(j, :) = x(j, :) + v(j, :) * dt; end % 计算协同控制量 for j = 1:num_drones % 计算邻居无人机的位置和速度 neighbor_x = x; neighbor_x(j, :) = []; neighbor_v = v; neighbor_v(j, :) = []; % 计算邻居无人机位置和速度的平均值 avg_x = mean(neighbor_x); avg_v = mean(neighbor_v); % 计算协同控制误差 e_coll = x(j, :) - avg_x; e_vel = v(j, :) - avg_v; % 计算协同控制量 u_coll = -Kp * e_coll - Ki * sum(e_coll) - Kd * e_vel; u(j, 1) = u(j, 1) + u_coll(3); u(j, 2) = u(j, 2) + u_coll(1); u(j, 3) = u(j, 3) + u_coll(2); u(j, 4) = u(j, 4) - u_coll(3); end % 更新 RBF 神经网络 rbf = newrb(x', u', 0.1, 2); % 绘制无人机轨迹 plot3(x(:, 1), x(:, 2), x(:, 3), 'o', 'MarkerSize', 10, 'MarkerFaceColor', 'b'); hold on; plot3([10, 10], [10, 10], [10, 10 + num_drones], 'r--'); hold off; axis equal; xlabel('x'); ylabel('y'); zlabel('z'); title('多四旋翼无人机轨迹'); drawnow; end ``` 该代码中,通过定义多无人机系统的动力学模型和控制器参数,实现了基于 RBF 神经网络的协同控制。在循环仿真中,通过计算控制器输出和无人机状态变化,更新无人机状态并绘制无人机的轨迹。需要注意的是,该代码仅为简单的示例代码,还需要根据实际应用场景进行进一步优化和改进。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值