考虑状态不精确性与对抗性智能体的弹性分布式共识几何方法

本文提出了一种多智能体网络中弹性分布式共识的新方法，用于处理正常智能体观察到的对抗性智能体状态的不精确性。传统的弹性分布式共识算法通常假设智能体确切知道其邻居的状态，这在实际场景中是不切实际的。我们表明，当智能体只能获取其邻居的不精确状态时，此类现有方法是不够的。为了克服这一挑战，我们采用几何方法，将智能体的状态建模为 $\mathbb{R}^d$ 中的“不精确区域”而非一个点。从给定的一组不精确区域出发，我们首先提出一种有效的方法来计算一个保证位于智能体真实但未知状态的凸包内的区域。我们将此区域称为不精确区域的*不变凸包*，并给出其几何特征。接下来，我们利用这些不变凸包为每个正常智能体识别一个*安全点*。智能体的安全点位于其*正常*邻居状态的凸包内，因此被该智能体用于更新其状态。这导致正常智能体的状态聚合到其初始状态凸包内的安全点，即达成共识的近似。我们还通过仿真说明了我们的结果。我们的贡献通过在不牺牲对抗抗性的前提下适应状态不精确性，增强了弹性分布式共识算法的鲁棒性。