通过领导者选择实现多智能体系统中的收敛误差最小化：超模态优化方法
摘要：选择高效率的领导者在一个领导-追随者多智能体系统中能够最大限度地减少追随者的收敛误差。我们通过引入与网络图上的随机行走相关的新连接，展示了收敛误差具有作为领导者集合的函数的内在超模结构。超模性使得可以开发高效的离散优化算法来直接逼近最优领导者集合，提供可证明的性能保证，并且不依赖于连续松弛。我们在超模优化框架中形式化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收敛误差的问题，以及选择最小规模的领导者集合以达到给定收敛误差界限的问题。我们提出了在静态网络、具有已知拓扑分布的动态网络和具有未知和不可预测的拓扑分布的动态网络中逼近最优解的算法。在数值研究中，我们的方法证明了相对于现有的随机和基于度数的领导者选择方法，能够提供更低的收敛误差。
作者：Andrew Clark, Basel Alomair, Linda Bushnell, and Radha Poovendran
论文ID：1306.4949
分类：Systems and Control
分类简称：cs.SY
提交时间：2013-11-05