[发明专利]具有全局耦合约束的分布式模型预测控制优化算法

说明书

本发明公开了一种具有全局耦合约束的分布式模型预测控制优化算法，具体按照以下步骤实施：步骤1、给出分布式约束优化问题的具体描述；步骤2、分析整体优化问题的对偶问题；步骤3、根据相邻节点以及相关的权重系数计算拉格朗日乘子的值，使用拉格朗日形式计算最优控制量，引入辅助变量，计算相应的梯度，重复此过程达到系统稳定状态。本发明以适应于解决更多的分布式优化问题。

技术领域

本发明属于多智能体系统的分布式优化技术领域，具体涉及一种具有全局耦合约束的分布式模型预测控制优化算法。

背景技术

分布式优化是指利用网络化多智能体系统之间的协作来求解的一类优化问题，其在大规模数值计算、机器学习、资源分配、传感器网络等方面具有重要的研究意义和应用价值。这类优化问题中的约束条件都具有较强的耦合性，根据子系统间耦合的不同，大致可分为三类，即代价函数耦合、动态耦合和约束耦合。而具有耦合约束的系统的分布式模型预测控制方法很少，主要的挑战在于如何以分布式的方式精确地保证满足全局耦合约束。例如分布式模型预测控制多智能体无人车辆编队，具有较强的耦合约束，单个无人车辆通过通信或传感器，获得周围少数无人车辆的信息，然后利用局部信息做出决策，实现队形控制，运动跟踪等全局目标。

分布式模型预测控制虽然已经引起国内外学者的重视，但目前大部分分布式模型预测控制算法对系统稳定性的理论分析还存在较多困难，具有强鲁棒性的分布式模型预测控制算法的研究较少。

发明内容

本发明的目的是提供一种具有全局耦合约束的分布式模型预测控制优化算法，以适应于解决更多的分布式优化问题。

本发明所采用的技术方案是，具有全局耦合约束的分布式模型预测控制优化算法，具体按照以下步骤实施：

步骤1、给出分布式约束优化问题的具体描述；

步骤2、分析整体优化问题的对偶问题；

步骤3、根据相邻节点以及相关的权重系数计算拉格朗日乘子的值，使用拉格朗日形式计算最优控制量，引入辅助变量，计算相应的梯度，重复此过程达到系统稳定状态。

本发明的特点还在于，

步骤1具体按照以下步骤实施：

分布式凸优化问题描述：

其中，i表示第i个系统且i∈Z^M＝{1,2,…,M}；

x_i(t)和u_i(t)分别表示第i个系统在时刻t的状态和控制输入，所述系统适用于具有全局耦合约束的线性离散系统，系统i受到局部状态和控制输入约束，如下所示：

所有的系统要满足全局约束条件

其中，是由耦合约束定义的矩阵；

J_i(x_i,u_i)是局部损失函数，定义为：