线性多智能体系统链路噪声下领导者选择的超模优化框架
系统与控制
2012-08-07 v1 最优化与控制
摘要
在多智能体系统（MAS）的许多应用中，一组领导者智能体作为控制输入作用于其余跟随者智能体。本文引入了一种分析方法，用于在存在噪声通信链路的情况下选择领导者智能体，以最小化稳态时跟随者智能体状态与其期望值之间的总均方误差。我们表明，利用超模优化技术可以解决旨在最小化该误差的领导者选择问题，从而得出效率较高且处于可证明最优界内的算法。我们在该框架内制定了两个领导者选择问题：即选择固定数量的领导者以最小化误差的问题，以及选择最少数量领导者以达到容许误差水平的问题。我们研究了不同场景下的这两种领导者选择标准，包括具有静态拓扑的 MAS、经历随机链路或节点故障的拓扑、切换拓扑以及由于节点移动而随时间任意变化的拓扑。除了为所有这些情况提供可证明的界之外，仿真结果表明，我们的方法优于其他领导者选择方法（如基于节点度数和随机选择的方法），并与当前最先进的算法性能相当。
引用
@article{arxiv.1208.0946,
title = {A Supermodular Optimization Framework for Leader Selection under Link Noise in Linear Multi-Agent Systems},
author = {Andrew Clark and Linda Bushnell and Radha Poovendran},
journal= {arXiv preprint arXiv:1208.0946},
year = {2012}
}