[分布式控制] （1） 图论基础

[分布式控制] （1） 图论基础

因为笔者学习和研究的需要，将会开启一个系列博客（如果笔者不咕咕咕），主要讲述现在十分火热的分布式协同控制理论，其应用一个是纯理论性质的一致性问题，另一个则是偏向实际的编队问题。
不过从实际上来说，分布式控制应用还是得有一定的时间，各方面的技术，尤其是定位与通信还没有达到分布式控制所要求的高度。因此说白了目前这些理论算法多难以应用到实际应用，但是从学术的角度来说，还是很值得研究的。笔者曾经利用一致性理论做过大疆M210飞机的编队飞行试验，就结果而言，算法是很好的，但是效果很一般，实际实验中的定位误差和通信丢包阻塞才是更为主要的问题，当然，这可能也和笔者的试验设备通信能力有关。
大疆m210无人机编队试验
首先笔者必须介绍图论，这是本领域的最基础知识，后面将利用笔者浅薄的知识，为读者最为通俗易懂地、介绍一些笔者接触学习和使用过的分布式控制与一致性理论问题。
[分布式控制] （2） 经典一阶系统的一致性问题

1 前言

“History repeats itself twice: the first time as tragedy, the next time as farce. ”
——Karl Marx
图论可谓是分布式控制和一致性理论的基础，下面简单介绍。

2 概述

图论是用于表示多智能体之间通信拓扑的工具。假设有$n$个智能体，他们之间的信息交互可以用一个有向图表示： G = { V , E , A } \mathbf{G}=\left\{ \mathbf{V},\mathbf{E},\mathbf{A} \right\} G={V,E,A}。其中 V = { υ i , i = 1 , ⋯   , n } V=\left\{ {{\upsilon }_{i}},i=1,\cdots ,n \right\} V={υi​,i=1,⋯,n}为节点集，代表$n$个智能体；$\mathbf{E}\subseteq \mathbf{V}\times \mathbf{V}$为边集，$A=\left[a_{ij}\right]\in R^{n\times n}$为图的加权邻接矩阵。
在有向图$\mathbf{G}$中，如果从节点${\upsilon }_j$到节点${\upsilon }_i$存在一条有向边，则表示智能体$j$的信息可以传给智能体$i$，同时用$\left({\upsilon }_j,{\upsilon }_i\right)\in \mathbf{E}$表示。加权邻接矩阵的定义为：
$$a_{ij}>0\iff \left({\upsilon }_j,{\upsilon }_i\right)\in \mathbf{E}$$ $$a_{ij}=0\iff \left({\upsilon }_j,{\upsilon }_i\right)\notin \mathbf{E}$$一般地，定义$a_{ii}=0$，即智能体无自反馈。
智能体$i$的邻居智能体为：所有可以传输信息给智能体$i$的其他智能体，即：
N i = { j : ( υ j , υ i ) ∈ E } {{\mathbf{N}}_{i}}=\left\{ j:\left( {{\upsilon }_{j}},{{\upsilon }_{i}} \right)\in \mathbf{E} \right\} Ni​={j:(υj​,υi​)∈E}相似地，定义：
O i = { j : ( υ i , υ j ) ∈ E } {{\mathbf{O}}_{i}}=\left\{ j:\left( {{\upsilon }_{i}},{{\upsilon }_{j}} \right)\in \mathbf{E} \right\} Oi​={j:(υi​,υj​)∈E}

3 度矩阵（Degree Matrix）

定义节点${\upsilon }_i$的出度：
$$\mathrm{deg}{\left({\upsilon }_i\right)}_{out}=d_i=\sum _{j=1}^n{a}_{ij}=\sum _{j\in {\mathbf{N}}_i}{a}_{ij}$$那么度矩阵为：
D = d i a g { d 1 , d 2 , ⋯   , d n } = [ d 1 0 ⋯ 0 0 d 2 ⋯ 0 ⋮ ⋮ ⋱ ⋮ 0 0 ⋯ d n ] D=diag\left\{ {{d}_{1}},{{d}_{2}},\cdots ,{{d}_{n}} \right\}=\left[ \begin{matrix} {{d}_{1}} & 0 & \cdots & 0 \\ 0 & {{d}_{2}} & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & {{d}_{n}} \\ \end{matrix} \right] D=diag{d1​,d2​,⋯,dn​}= ​d1​0⋮0​0d2​⋮0​⋯⋯⋱⋯​00⋮dn​​ ​一般地，提到一个图的度和度矩阵都是指出度矩阵。同样还有入度，较少用到，刚好笔者最近要使用，就在这里一并列出：
$$\mathrm{deg}{\left({\upsilon }_i\right)}_{in}=\sum _{j=1}^n{a}_{ji}=\sum _{j\in {\mathbf{O}}_i}{a}_{ji}$$

4 拉普拉斯矩阵（Laplacian Matrix）

Laplacian matrix在一致性理论中十分重要，几乎所有的证明和推导都包含这个矩阵。
定义：
$$L=D-A$$
即：
$$L=\left[\begin{array}{cccc}\sum _{j=1}^n{a}_{1j}& -a_{12}& \cdots & -a_{1n}\\ -a_{21}& \sum _{j=1}^n{a}_{2j}& \cdots & -a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ -a_{n1}& -a_{n2}& \cdots & \sum _{j=1}^n{a}_{nj}\end{array}\right]$$Laplacian matrix有以下重要性质：

1. Laplacian matrix为半正定的。
2. 特征值0出现的次数就是图连通的区域。
3. 最小特特征值为0（因为每行和均为0，且图最少有一个连通区域）
4. 最小非0特征值是图的代数通达度。

对控制而言，其中最重要的就是其性质中的半正定性了，这对于稳定性证明十分重要。

5 特殊图

从严格角度来说有向图最弱，有：
$$有向图<强连接图<生成树<平衡图<无向图$$注：关于强连接图和生成树的条件强度比较可以详见下面文献的Remark 1：
R. Olfati-Saber, J. A. Fax, and R. M. Murray, “Consensus and cooperation in networked multi-agent systems,” Proc. IEEE, vol. 95, no. 1, pp. 215–233, 2007.

5.1 有向图与无向图（directed graph and undirected graph）

顾名思义，无向图有：
$$a_{ij}=a_{ji}$$而有向图上式不一定成立。
值得一提的有向图的性质：

1. 邻接矩阵和拉普拉斯矩阵都是对称的
2. 出度和入度相同，很好理解，因为对称，即：
   $$\mathrm{deg}{\left({\upsilon }_i\right)}_{out}=\sum _{j=1}^n{a}_{ij}=\sum _{j=1}^n{a}_{ji}\mathrm{deg}{\left({\upsilon }_i\right)}_{in}$$

5.2 平衡图（balanced graph）

平衡图是指对任意$i$和$j$，有：
$$\sum _{i\ne j}{a}_{ij}=\sum _{j\ne i}{a}_{ji}$$可以知道，平衡图可以是一个有向图。

5.3 强连接图（strongly connected graph）

简单的说，图中任意两个节点有一条通路，即为强连接图。

5.4 生成树（spanning tree）

简单的说，图中存在一个节点，对所有节点都可达（包括间接可达）。那么其Laplacian矩阵有且仅有一个0特征值，其特征向量为1向量，即$L{1}_n=0_n$，且其他非零特征值均有负实部。性质的证明可以参考Wei Ren教授的文章Lemma 3.3：
Wei Ren, Randal W. Beard, ”Consensus Seeking in Multiagent Systems UnderDynamically Changing Interaction Topologies”, IEEE Transactions on automatic control, 2005