吳志安，賴永朋，朱有亮，李德榮※

（1.廣東海洋大學(xué)機(jī)械與動(dòng)力工程學(xué)院，廣東 湛江 524088；2.廣東海洋大學(xué)數(shù)學(xué)與計(jì)算機(jī)學(xué)院，廣東 湛江 524088）

0 引言

近年來，隨著科學(xué)技術(shù)的高速發(fā)展，在處理復(fù)雜問題方面及進(jìn)行復(fù)雜任務(wù)時(shí)必須借助現(xiàn)代的科學(xué)智能工具。與此同時(shí)，隨著物理硬件的進(jìn)一步研發(fā)和普及率的提高，智能體技術(shù)也在蓬勃發(fā)展，并向著大規(guī)模、自動(dòng)化方面前進(jìn)。而由于實(shí)施目標(biāo)任務(wù)時(shí)執(zhí)行環(huán)境具有較高復(fù)雜性，出于成本、安全等因素的考慮，智能控制系統(tǒng)越發(fā)受到關(guān)注，尤其是對多智能體控制系統(tǒng)的相關(guān)問題研究和探討。相對與單智能體系統(tǒng)，多智能體系統(tǒng)具有巨大優(yōu)勢[1]：多智能體系統(tǒng)可以完成更多對于單智能體系統(tǒng)而言，無法完成或者完成難度高的任務(wù)；也可以以集群方式協(xié)同合作完成目標(biāo)任務(wù)，而對于比較復(fù)雜的任務(wù)，則可以通過分治思想分成若干個(gè)小任務(wù)，再合理分配給系統(tǒng)的相應(yīng)小個(gè)體，從而提高任務(wù)的執(zhí)行效率；還可以通過改變編隊(duì)和任務(wù)分配來實(shí)現(xiàn)功能上的可重塑性，從而提高控制系統(tǒng)的容錯(cuò)率和目標(biāo)任務(wù)的完成率。多智能體系統(tǒng)需要考慮協(xié)同問題，與社會(huì)科學(xué)和生命科學(xué)可以相互借鑒與發(fā)展。

多智能體系統(tǒng)有著諸多優(yōu)點(diǎn)，但依然有多個(gè)關(guān)鍵技術(shù)需要優(yōu)化[2]：多智能體系統(tǒng)集群在復(fù)雜環(huán)境中的約束建模；多智能體系統(tǒng)集群的通信問題；面對多任務(wù)，系統(tǒng)集群的任務(wù)分配問題；面對協(xié)同合作，系統(tǒng)集群的隊(duì)形控制與避障問題等。

目前關(guān)于產(chǎn)業(yè)集群管理算法的研究也已相當(dāng)多，整體上可以分為兩大類，集中式與分布式。集中式如混合整數(shù)線性規(guī)劃計(jì)算、遺傳算法[3]、蟻群計(jì)算[4]、粒子群算法等。遺傳算法的核心理念是進(jìn)化論，通過模仿自然界生物進(jìn)化機(jī)制而開發(fā)出來的隨機(jī)全局檢索與優(yōu)化技術(shù)，借鑒了達(dá)爾文的進(jìn)化論理念與孟德爾的基因概念，但使得其存在隨機(jī)性，導(dǎo)致在任務(wù)求解時(shí)會(huì)產(chǎn)生劣質(zhì)結(jié)果，而且計(jì)算的準(zhǔn)確度往往并不高；粒子群算法主要使整個(gè)運(yùn)動(dòng)過程依賴于目標(biāo)個(gè)體間的數(shù)據(jù)獲取，以尋求任務(wù)最佳解，但也決定了該算法易于陷入的局部最優(yōu)問題。以上算法是集中式算法的典型，對控制中心節(jié)點(diǎn)依賴高，運(yùn)用在汽車集群或者低維控制系統(tǒng)效果卓越，但對于無人機(jī)集群或者多機(jī)械臂運(yùn)作等高維空間時(shí)，因通信技術(shù)以及經(jīng)濟(jì)等因素?zé)o法滿足該類控制中心節(jié)點(diǎn)的建立。所以本文同時(shí)對分布式算法進(jìn)行了探究。不同于傳統(tǒng)集中式控制系統(tǒng)，分布式控制系統(tǒng)中智能機(jī)體之間以數(shù)據(jù)鏈技術(shù)為基礎(chǔ)，根據(jù)任務(wù)目標(biāo)環(huán)境、任務(wù)目標(biāo)群信息，機(jī)體狀態(tài)信息等進(jìn)行相互作用，并綜合考慮各種因素，制定具體的方法解決任務(wù)指派問題和具體步驟。常見算法有長僚機(jī)編隊(duì)算法、集群行為分析算法、虛擬結(jié)構(gòu)算法等。相比于傳統(tǒng)集中式計(jì)算，智能體在以上算法控制系統(tǒng)下具備了更強(qiáng)的實(shí)時(shí)性、抗干擾能力等優(yōu)勢，并能夠應(yīng)用在動(dòng)態(tài)環(huán)境、中等規(guī)模和大型系統(tǒng)中。本文將進(jìn)一步闡述這些算法的異同和實(shí)用性。

1 多智能體系統(tǒng)

多智體操作系統(tǒng)（Multi-Agent System，MAS），開始于20世紀(jì)的70年代，是一種實(shí)現(xiàn)復(fù)雜分析和建模的思維方式和工具，現(xiàn)在的確已形成了AI算法的一個(gè)重要研究領(lǐng)域和研究重點(diǎn)。MAS是由許多個(gè)多智能體構(gòu)成的復(fù)雜體系，其目標(biāo)是把大而復(fù)雜的體系構(gòu)建成小的、彼此互相聯(lián)系與配合的、便于管理的復(fù)雜體系，而且各個(gè)智能體能夠具有獨(dú)立意識(shí)，而且每個(gè)智能體能夠擁有獨(dú)立意識(shí)，并且要求有獨(dú)立完成任務(wù)的能力，同時(shí)為了解決更復(fù)雜的問題，還要學(xué)會(huì)和其他智能體的協(xié)同合作[5]。由于單智能體因自身個(gè)人能力的限制以及自身資源上的不足，面對多目標(biāo)、多任務(wù)問題表現(xiàn)得不盡如人意。近20年來，很多研究機(jī)構(gòu)和學(xué)者都加大了對多智能體系統(tǒng)的開發(fā)和研究，以MAS系統(tǒng)為基礎(chǔ)的多智能體協(xié)同控制研究便是一大熱點(diǎn)。將多智能體視為一個(gè)整體，盡可能發(fā)揮其作為整體的特點(diǎn)，從而面對外面復(fù)雜多變的環(huán)境中，MAS能快速響應(yīng)外界環(huán)境的動(dòng)態(tài)變化，靈活應(yīng)對，能夠高效完成任務(wù)，是MAS的主要研究目標(biāo)。需要注意，同是多智能體的協(xié)同合作，機(jī)算機(jī)領(lǐng)域的多智能體強(qiáng)化學(xué)習(xí)和控制領(lǐng)域的多智能體協(xié)同的一致性差異是很大的，而本文更多是對控制領(lǐng)域進(jìn)行闡述說明。

多智能體系統(tǒng)是智能體技術(shù)運(yùn)用和研發(fā)上的一次質(zhì)變，各個(gè)行業(yè)的專家與學(xué)者們對其展開了廣泛地研討，并從多種視角介紹了多智能體系統(tǒng)應(yīng)用處理現(xiàn)實(shí)問題時(shí)的優(yōu)點(diǎn)，歸納起來，主要有以下幾點(diǎn)[6]。

（1）在多智體系統(tǒng)中，每個(gè)智體都擁有獨(dú)立性和自主權(quán)，可以處理給定的子課題，獨(dú)立地判斷和策劃并確定相應(yīng)的對策，或以一定的方法影響周圍環(huán)境。

（2）多智能體系統(tǒng)由于支持分布式運(yùn)行，所以擁有良好的模塊性、易于擴(kuò)容和在設(shè)計(jì)上靈活性簡單，克服了建立一個(gè)大規(guī)模的體系所帶來的管理和擴(kuò)展方面的問題，還可以有效減少信息系統(tǒng)的總成本。

（3）在多智體系統(tǒng)的實(shí)現(xiàn)過程中，并不追求一個(gè)大規(guī)模的復(fù)雜系統(tǒng)，而要按面向?qū)ο蟮姆绞綐?gòu)建各層次、多元化的智慧體，其結(jié)果既減少了系統(tǒng)的設(shè)計(jì)復(fù)雜度，也減少了各個(gè)智體問題求解的復(fù)雜性。

（4）多智體系統(tǒng)是一種講究協(xié)調(diào)性的復(fù)雜體系，各智體必須通過相互配合才能處理大量的復(fù)雜現(xiàn)象；多智能體信息系統(tǒng)也是一種集成系統(tǒng)，其通過信息集成技術(shù)把各個(gè)子系統(tǒng)的數(shù)據(jù)整合到一起，從而實(shí)現(xiàn)復(fù)雜系統(tǒng)集成。

（5）在多智體系統(tǒng)中，各智體間彼此聯(lián)系，相互配合，并行地解決難題，從而可以有效地增強(qiáng)難題的解決能力。

（6）多智體技術(shù)突破了傳統(tǒng)人工智能技術(shù)領(lǐng)域中僅使用一種專家系統(tǒng)的局限，在MAS環(huán)境下，各應(yīng)用領(lǐng)域的各個(gè)專家可以協(xié)同解決專家無法很好處理的問題，從而增強(qiáng)了系統(tǒng)處理問題的能力。

（7）智能體的異質(zhì)的和分布的。它們可以是不同個(gè)人和組織，采用不同的設(shè)計(jì)方法和計(jì)算機(jī)語言開發(fā)而成，因而可能是完全異質(zhì)的和分布的。

（8）異步處理。因?yàn)楦髦悄荏w是高度自治的，所以各個(gè)智能體都有自身的進(jìn)程，可以根據(jù)自身的工作方式異步地完成。

目前，多智能體控制系統(tǒng)已經(jīng)在飛機(jī)的編隊(duì)、傳感器網(wǎng)絡(luò)、大數(shù)據(jù)融合、多機(jī)器臂的協(xié)同裝備、并行計(jì)算、多機(jī)器人協(xié)同管理、交通車輛管理、互聯(lián)網(wǎng)的資源分配等多方面應(yīng)用。

2 理論基礎(chǔ)

自麥克斯韋的《論調(diào)速器》開始，控制理論從只能處理單輸入單輸出（Single Input Single Output，SISO）系統(tǒng)，發(fā)展成熟為可以應(yīng)對復(fù)雜的多輸入多輸出（Multiple Input Multiple Output，MIMO）的控制[7]。典型的單輸入單輸出（SISO）系列：單輛賽車（車體控制系統(tǒng)），輸入為“賽道”，輸出為“路線”。典型的多輸入多輸出（MIMO）系統(tǒng)：賽車比賽（如F1賽車錦標(biāo)賽），輸入為“賽道+排位”，輸出為“路線+方向控制”。從以上兩個(gè)實(shí)例可知，多智能體協(xié)同控制方面的主要兩種通信方式為集中式控制和分布式控制。

3 集中分布算法

集中式算法，系統(tǒng)的規(guī)模比較小時(shí)，集中式控制方案是一種高效的解決方式。通常應(yīng)用在于環(huán)境變動(dòng)較小，目標(biāo)已明確且主體機(jī)器人功能突出的特殊情景，比如：疫情期間利用無人機(jī)和智能小車往小區(qū)派送物資等。顧名思義，集中式算法本質(zhì)可以看做是集中式控制：僅有一個(gè)控制中心，有一個(gè)或多個(gè)執(zhí)行器[8]。如圖1所示，該算法中有一個(gè)協(xié)調(diào)者，不管何時(shí)某個(gè)進(jìn)程需要加入臨界點(diǎn)區(qū)，它都要給協(xié)調(diào)者發(fā)出一條請求消息，表示對它希望加入下一個(gè)臨界點(diǎn)區(qū)域的請求許可。若當(dāng)前尚無其他進(jìn)程在該臨界區(qū)，協(xié)調(diào)者將發(fā)出許可進(jìn)入的應(yīng)答消息。

圖1 多智能體集中式控制算法

優(yōu)點(diǎn)：如果沒有進(jìn)程，會(huì)處于永遠(yuǎn)待機(jī)狀態(tài)（不會(huì)出現(xiàn)餓死的情況）；易于實(shí)現(xiàn)，因?yàn)槊看瓮ㄟ^一個(gè)臨界區(qū)域僅需要3個(gè)消息（請求、允許和釋放）;不但可以用來管理臨界區(qū)域，還能夠進(jìn)行更一般的資源分配。

缺點(diǎn)：如果協(xié)調(diào)者是一個(gè)單獨(dú)的故障節(jié)點(diǎn)，一旦它崩潰了，整個(gè)網(wǎng)絡(luò)系統(tǒng)也可能崩潰。在通常情形下，一旦進(jìn)程在發(fā)出請求之后被阻止了，則請求者將無法分辨“拒絕進(jìn)入”和協(xié)調(diào)者操作系統(tǒng)已經(jīng)崩潰這二者狀況，因此在上述的二者狀況下均不會(huì)消息返回。另外，在體量很大的操作系統(tǒng)中，對于一個(gè)協(xié)調(diào)者會(huì)形成性能的瓶頸。

面對問題規(guī)模小、自由度低的集群任務(wù)，顯而易見，集中式分布算法可以快速高效地控制機(jī)器集群完成任務(wù)[10]；可一旦問題規(guī)模擴(kuò)大，外來不可控因素增加，例如：城市里智能物流小車的快遞派送，無人機(jī)群通過森林或未知環(huán)境探索等任務(wù)時(shí)，通過增加對自由因素的變量監(jiān)控管理，不僅會(huì)造成集中式控制系統(tǒng)算法冗雜，增加算力負(fù)擔(dān)，而且降低任務(wù)完成效率，提高控制成本，并且集中式分布有一個(gè)致命弱點(diǎn)，集中式分布算法系統(tǒng)成型簡單，但修改困難，一旦核心算法與目標(biāo)任務(wù)出現(xiàn)差別，系統(tǒng)就會(huì)陷入奔潰，無法繼續(xù)執(zhí)行任務(wù)。這些問題違背了多智能體系統(tǒng)建立的初衷，所以分布式集群控制算法更為穩(wěn)定和靈活多變，被人使用。

4 分布式控制算法

分布式控制器是沒有系統(tǒng)控制的中心點(diǎn)，而是利用相鄰個(gè)體間的交互協(xié)調(diào)進(jìn)行消息交換，最終實(shí)現(xiàn)總體的編隊(duì)行為，既然不是系統(tǒng)中心，分布式控制器就具備了很大的靈活性，能夠動(dòng)態(tài)的改善控制網(wǎng)絡(luò)系統(tǒng)的整體架構(gòu)。所以對比集中式控制后，采用分布式控制策略使得集群系統(tǒng)具有可擴(kuò)展性、魯棒性、適應(yīng)性等優(yōu)點(diǎn)。以無人機(jī)編隊(duì)為例，在分布式控制中，無人機(jī)編隊(duì)系統(tǒng)中的個(gè)體只需要和領(lǐng)域的無人機(jī)進(jìn)行通信，通信數(shù)據(jù)和通信鏈路較少，控制方法極為方便，能夠進(jìn)行無人機(jī)編隊(duì)系統(tǒng)中的無人機(jī)的刪減和增加，實(shí)時(shí)調(diào)整編隊(duì)工作狀態(tài)。

如圖2所示，以無人駕駛飛行器群為例，UAV1的無人機(jī)指揮官，在整個(gè)無人機(jī)編隊(duì)中起著指導(dǎo)與管理的重要角色，指導(dǎo)整個(gè)隊(duì)伍沿著既定軌道航行，從而獲得預(yù)期的目標(biāo)定位，并與地面中心進(jìn)行實(shí)時(shí)通訊。UAV2、UAV3作為跟隨機(jī)與地面站保持聯(lián)系，不斷地接受無人指揮中心的指揮，且2、3之間進(jìn)行實(shí)時(shí)通信，達(dá)到分布式控制的目的。了解分布式結(jié)構(gòu)后，下面將闡述基于分布式控制的幾種控制算法。

圖2 集權(quán)分布式算法結(jié)構(gòu)

（1）基于長機(jī)-僚機(jī)的分布式編隊(duì)控制方法

長機(jī)-僚機(jī)法的基本思想：leader-follower機(jī)制，既然集中式分布中一個(gè)核心失控風(fēng)險(xiǎn)過多，那就多布置幾個(gè)核心，并為核心機(jī)體分級(jí)控制，保證優(yōu)先度和避免機(jī)體互相沖突。在多智能體集群組成的群體中，某架機(jī)體作為整個(gè)編隊(duì)的領(lǐng)導(dǎo)者（長機(jī)），并作為第一優(yōu)先級(jí)，向第二優(yōu)先級(jí)（第二階梯僚機(jī)）傳送信息，以此類推，各僚機(jī)分別向比自己低一級(jí)的僚機(jī)傳送信息，完成多智能體間的信息通訊，達(dá)到隊(duì)形控制的目的。如圖3所示。但這種控制方法雖然增加了一定穩(wěn)定性，卻同樣魯棒性較差，沒有精確的隊(duì)形反饋，一旦長機(jī)出現(xiàn)問題，系統(tǒng)信息傳送不到位，那么整個(gè)系統(tǒng)就會(huì)處于癱瘓狀態(tài)。為了解決這種控制方式產(chǎn)生的弊端，提出leader-candidate-follower機(jī)制，通過從candidate中選舉產(chǎn)生下一任長機(jī)，故此來彌補(bǔ)魯棒性差這一問題，從而實(shí)現(xiàn)編隊(duì)的穩(wěn)定飛行[11]。

圖3 長機(jī)-僚機(jī)模式

Raft算法實(shí)現(xiàn)：長機(jī)-僚機(jī)法技術(shù)的好處是編隊(duì)控制結(jié)構(gòu)簡單，且容易實(shí)施，在編隊(duì)時(shí)只需確定領(lǐng)航員的目標(biāo)方向或其他行為，然后跟隨者再以所設(shè)定的方向或偏移跟蹤領(lǐng)航員，即可完成編隊(duì)管理。因此，領(lǐng)航者-跟隨者方案也在實(shí)際工程中被應(yīng)用了。但該方案的不足之處是編隊(duì)系統(tǒng)仍然依賴領(lǐng)航員，各機(jī)體的自由度亦然不高。

（2）基于集群行為的分布式編隊(duì)控制

基于行為法的分布式控制系統(tǒng)，主要是指一個(gè)先果后因的運(yùn)動(dòng)控制方式，思想可以是通過對智能體系統(tǒng)實(shí)施調(diào)控功能后所期望形成的總體活動(dòng)模型，也可以通過對各種智能體的個(gè)體活動(dòng)規(guī)律以及局部運(yùn)動(dòng)監(jiān)控方法加以設(shè)計(jì)，由于該種方法的每個(gè)個(gè)體都自成控制中心，可以對復(fù)雜的外界環(huán)境隨機(jī)應(yīng)變，但要求每個(gè)個(gè)體的算力處理有一定要求，所以常常特定用于無人機(jī)集群的避障處理。如圖4所示，通常將每個(gè)無人機(jī)的動(dòng)作行為，如同于“庫函數(shù)”一樣存放在編隊(duì)控制器中，當(dāng)控制系統(tǒng)工作時(shí)，隨著環(huán)境信號(hào)和控制指令的改變而進(jìn)行一定的動(dòng)作方式，如避障、隊(duì)型組成、隊(duì)形轉(zhuǎn)換、方向運(yùn)動(dòng)等。例如，對于從障礙區(qū)駛出的情況，該方法是直接放任編隊(duì)打散，利用每架無人機(jī)的避障能力通過障礙區(qū)。這種方法中只要單架無人機(jī)有避障能力即可實(shí)現(xiàn)。但每架無人機(jī)通過路徑長度差距難以預(yù)估，駛出障礙區(qū)時(shí)長的不同可能導(dǎo)致無人機(jī)重構(gòu)成完整編隊(duì)較為困難，甚至由于缺乏路徑規(guī)劃能力，有些無人機(jī)可能陷入死局點(diǎn)，無法駛出區(qū)域，所以對每架飛機(jī)的智能識(shí)別算法不僅要以自身坐標(biāo)原點(diǎn)，還要以其他飛機(jī)為輔助參考系，才能保證編隊(duì)的完整性[12]。與領(lǐng)航跟隨者不同之處在于，該方法中的協(xié)作作用是通過無人機(jī)之間的位置、狀態(tài)輸入值等信息的共享來實(shí)現(xiàn)的。每架無人機(jī)僅需要知道相鄰無人機(jī)的信息即可，因而大大減少了信息的收集，同時(shí)大大降低了計(jì)算量，系統(tǒng)實(shí)現(xiàn)也較為簡單。劣勢在于很難描述群體的動(dòng)態(tài)特征，也無法實(shí)現(xiàn)精準(zhǔn)操控，且隊(duì)形所保持的穩(wěn)定性也不易控制。

圖4 基于行為法示意圖

（3）基于人工勢場法的分布式編隊(duì)控制法

人工勢場方法最早由Khatib提出，運(yùn)用在控制機(jī)器人避開障礙的情境中，其在移動(dòng)機(jī)器人上的應(yīng)用有著很好的效果。人工勢場法的基本理論可解讀為：如圖5所示，機(jī)器人在一個(gè)具有勢場的空間中移動(dòng)，將在空間中目標(biāo)點(diǎn)看作一個(gè)具有吸引力的極點(diǎn)，將在空間中的障礙物看作是具有斥力的點(diǎn)，機(jī)器人在空間內(nèi)同時(shí)受到引力和斥力，其按照受到的合力場移動(dòng)。環(huán)境中的障礙物會(huì)對無人機(jī)體產(chǎn)生排斥力，而目標(biāo)點(diǎn)對無人機(jī)體產(chǎn)生吸引力，導(dǎo)致無人機(jī)體向最小勢能方位移動(dòng)。

圖5 人工勢場法示意圖

（4）粒子群優(yōu)化算法

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO），是一類經(jīng)典的群集行為最佳優(yōu)化算法。在集群中所有個(gè)體并不具有比較強(qiáng)的力量，而是所有個(gè)體根據(jù)簡單的運(yùn)動(dòng)規(guī)律來形成自發(fā)的群體行動(dòng)。在1995年，Kennedy和Eberhart4提出了PSO算法的原型，假定有一鳥群在同一塊草坪上搜尋食物，并把每一只小鳥的位置看成一組在整體空間中的某個(gè)解，即是某個(gè)微粒，而小鳥群即是粒群。

如圖6所示粒子群中，每個(gè)粒子在當(dāng)前地點(diǎn)時(shí)都會(huì)通過評(píng)價(jià)指標(biāo)確定這一地點(diǎn)上的適合度，同時(shí)通過環(huán)境信息計(jì)算出其包括速度和航向的速度向量，從而在下一輪周期循環(huán)中再根據(jù)上述消息修改自身定位。粒子群算法首先在第一輪生成一組規(guī)定范圍內(nèi)隨機(jī)位置的粒子，對粒子適應(yīng)度進(jìn)行評(píng)估后，粒子向適應(yīng)度更高的粒子方向前進(jìn)更新位置，如果找到比過去幾輪解集中最優(yōu)解的解則更新當(dāng)前最優(yōu)解，通過多次迭代優(yōu)化解，最終得到整組粒子的最優(yōu)解。相對于以上幾種算法，粒子算法是整體最優(yōu)算法，但問題規(guī)模較小時(shí)成效反而不理想。

圖6 粒子群算法圖解

（5）基于虛擬結(jié)構(gòu)的分布式編隊(duì)控制方法

虛擬結(jié)構(gòu)法（Virtual Structure）[5]的主要思路是把整個(gè)多智體系統(tǒng)都視為一個(gè)總體結(jié)構(gòu)，也就是把一個(gè)剛性的虛擬結(jié)構(gòu)中的每個(gè)智能體都視為剛性結(jié)構(gòu)中的一個(gè)單位。當(dāng)整個(gè)系統(tǒng)完成編隊(duì)時(shí)，隊(duì)形中每一點(diǎn)的相對方位都會(huì)改變，但點(diǎn)和點(diǎn)間的相對位置卻保持不變。虛擬結(jié)構(gòu)法問題其實(shí)是整個(gè)多智能體系統(tǒng)跟蹤一個(gè)虛擬點(diǎn)的問題。比較于其他方式，虛擬結(jié)構(gòu)法有很多好處：編隊(duì)誤差的引入使得系統(tǒng)的控制精度更高；各個(gè)智能體之間的通訊協(xié)議較為簡單。針對多無人機(jī)編隊(duì)控制問題，提出了一種基于虛擬結(jié)構(gòu)法的非線性魯棒控制算法。在充分考慮了多無人機(jī)在近距離編隊(duì)航行時(shí)，相互間的氣流干擾等因素的同時(shí)，還開發(fā)了一個(gè)supertwisting的魯棒控制算法，因而大大提高了編隊(duì)管理系統(tǒng)的控制精度和安全性。使用了Lyapunov穩(wěn)定性分析，證實(shí)了位置跟蹤誤差可以在有限時(shí)間內(nèi)收斂到光滑模面，從而獲得了閉環(huán)系統(tǒng)全局漸近穩(wěn)定性的結(jié)果。把無人機(jī)的編隊(duì)視為一個(gè)剛性的虛擬結(jié)構(gòu)。如圖7所示，每個(gè)無人機(jī)可以看作在這個(gè)虛擬結(jié)構(gòu)中一個(gè)固定的點(diǎn)。編隊(duì)中的無人機(jī)個(gè)體通過進(jìn)行追蹤并保持在虛擬結(jié)構(gòu)上的穩(wěn)定位置點(diǎn)就能夠?qū)崿F(xiàn)設(shè)計(jì)好的編隊(duì)空中巡檢路線。以虛擬結(jié)構(gòu)為框架，通過在編隊(duì)控制算法計(jì)算中加入隊(duì)形反饋，相鄰的離散編隊(duì)控制器能夠相互之間實(shí)現(xiàn)通訊與消息傳遞，使編隊(duì)控制器也能夠自由調(diào)節(jié)編隊(duì)的速度快慢，又能很好的保持隊(duì)形。

圖7 基于虛擬結(jié)構(gòu)的控制算法

5 結(jié)束語

多智能體系統(tǒng)協(xié)同控制算法起源于計(jì)算機(jī)領(lǐng)域關(guān)于分布式計(jì)算的研究，后由于數(shù)學(xué)家們的強(qiáng)勢加盟，控制領(lǐng)域的研究一度占領(lǐng)高地。隨著人工智能的發(fā)展，以多智能體強(qiáng)化學(xué)習(xí)為代表作的多智能體系統(tǒng)系協(xié)同控制算法更攀巔峰。目前，每年多智能體相關(guān)的論文的都浩如煙海，而在目前的研究中，許多學(xué)者的多智能體算法都過于單一，雖然對于特定的執(zhí)行環(huán)境和特定的智能體集群有著不可比擬的切合度和權(quán)威性，如無人機(jī)避障、物流小車規(guī)劃、地下蟻群規(guī)劃等，但這些算法的研究對整個(gè)的多智能體控制領(lǐng)域而言缺乏泛用性，給對多智能體控制領(lǐng)域的入門提高了不少門檻，本文則從多智能體控制的兩種思想，集中式控制和分布式控制來闡述了集群控制算法的核心思想，并探討了這些算法的適用條件。在集中式控制系統(tǒng)中，要求運(yùn)行人員提前制訂任務(wù)分配方法和對各智能體的行動(dòng)路徑設(shè)計(jì)，由機(jī)體本身決策功能強(qiáng)弱，完全取決于行控中心節(jié)點(diǎn)所提出的任務(wù)指令和目標(biāo)執(zhí)行情況。其好處是任務(wù)分配計(jì)算的實(shí)現(xiàn)簡便，且具有產(chǎn)生全局最優(yōu)預(yù)測解的能力。由于這種控制結(jié)構(gòu)適合于有確定環(huán)境，規(guī)模相對較小的控制系統(tǒng)。而對于分布式控制系統(tǒng)，由于各個(gè)智能體都被視為擁有決策功能的機(jī)體，這種多任務(wù)分配問題將演變?yōu)椴煌悄荏w對任務(wù)的分配決策問題。整體框架：分布式任務(wù)分布—多任務(wù)聚類—集群控制框架，可解決集中式分布在任務(wù)分配后集群網(wǎng)絡(luò)中各節(jié)點(diǎn)的聚類問題，從而提高多智能體控制系統(tǒng)的穩(wěn)定性和可塑性。而對于實(shí)際而言，需要用到多智能體控制集群往往執(zhí)行環(huán)境難以預(yù)測和任務(wù)復(fù)雜，所以設(shè)計(jì)控制算法時(shí)，分布式為更優(yōu)解。