ИССЛЕДОВАНИЕ КОНСЕНСУСА В МУЛЬТИАГЕНТНЫХ СИСТЕМАХ В УСЛОВИЯХ СТОХАСТИЧЕСКИХ НЕОПРЕДЕЛЕННОСТЕЙ |
| 1 | |
| 2013 |
| научная статья | 519.7 | ||
| 173-179 | достижение консенсуса, неопределенности, дискретные системы, стохастические дискретные системы, сетевые системы |
| Рассматривается задача достижения консенсуса в децентрализованной стохастической сети с помехами, задержками и переменной топологией. Для решения задачи достижения консенсуса группой взаимодействующих агентов предлагается использовать алгоритм типа стохастической аппроксимации с неубывающим до нуля размером шага. Результаты имитационного моделирования показывают качество работы алгоритма в зависимости от разных параметров шага и помех. |
 |
| 1 . Fax A., Murray R.M. Information flow and cooperative control of vehicle formations // IEEE Trans. Automat. Contr. Sept. 2004. Vol. 49. P. 1465–1476. 2 . Toner J., Tu Y. Flocks, herds, and schools: a quantitative theory of flocking // Phys. Rev. E. Oct. 1998. Vol. 58, №4. P. 4828–4858. 3 . Cortes J., Bullo F. Coordination and geometric optimization via distributed dynamical systems // SIAM Journal on Control and Optimization. 2005. Vol. 44, №5. P. 1543–1574. 4 . Paganini F., Doyle J., Low S. Scalable laws for stable network congestion control // Proc. Of 40th IEEE Conf. on Decision and Control. 2001. Vol. 1. Orlando. FL. P. 185–190. 5 . Antal C., Granichin O., Levi S. Adaptive autonomous soaring of multiple UAVs using SPSA // In Proc. 49th IEEE CDC. 2010. December 15-17. Atlanta. GA. USA, 2010. P. 3656–3661. 6 . Амелина Н.О. Балансировка загрузки узлов децентрализованной вычислительной сети при неполной информации // Нейрокомпьютеры: разработка, применение. 2011. № 6. C. 56–63. 7 . Амелина Н.О. Мультиагентные технологии, адаптация, самоорганизация, достижение консенсуса // Cтохаст. оптимизация в информатике. 2011. Т. 7. Вып. 1. С. 149–185. 8 . Амелина Н., Лада А., Майоров И. и др. Исследование моделей организации грузовых перевозок с применением мультиагентной системы адаптивного планирования грузовиков в реальном времени // Проблемы управления. 2011. №6. C. 31–37. 9 . Huang M. Stochastic Approximation for Consensus with General Time-Varying Weight Matrices // Proc. 49th IEEE CDC. Atlanta. GA. USA. Dec. 2010. P. 7449–7454. 10 . Kar S., Moura J.M.F. Distributed consensus algorithms in sensor networks with imperfect communication: link failures and channel noise // IEEE Trans. Sig. Process. 2009. Vol. 57, №. 1. P. 355–369. 11 . Li T., Zhang J.-F. Mean square average-consensus under measurement noises and fixed topologies // Automatica. 2009. Vol. 45, №. 8. P. 1929–1936. 12 . Rajagopal R., Wainwright M. J. Network-based consensus averaging with general noisy channels // IEEE Trans. on Signal Proc. 2011. Vol. 59, №. 1. P. 373–385. 13 . Вахитов А.Т., Граничин О.Н., Гуревич Л.С. Алгоритм стохастической аппроксимации с пробным возмущением на входе в нестационарной задаче оптимизации // АиТ. 2009. №11. С. 70–79. 14 . Granichin O., Gurevich L., Vakhitov A. Discrete-time minimum tracking based on stochastic approximation algorithm with randomized differences // Proc. Combined 48th IEEE Conf. on Decision and Control and 28th Chinese Control Conf. December 16–18. 2009. Shanghai. P.R. China. P. 5763–5767. 15 . Borkar V.S. Stochastic approximation: a dynamical systems viewpoint. New York: Cambridge University Press, 2008. 164 p. 16 . Граничин О.Н. Стохастическая оптимизация и системное программирование // Стохаст. оптимизация в информатике. 2010. Т. 6. C. 3–44. 17 . Амелина Н. О., Фрадков А. Л. Приближенный консенсус в стохастической динамической сети с неполной информацией и задержками в измерениях // Автоматика и телемеханика. 2012. 18 . Амелина Н. О., Фрадков А. Л. Метод усредненных моделей в задаче достижения консенсуса // Стохаст. оптимизация в информатике. 2012. Т. 8. Вып. 1. С. 3–39. |