面向非线性多智能体系统的安全模糊H∞量化记忆采样一致性控制及其应用

本文针对受外部干扰和随机网络攻击（SCAs）的T-S模糊多智能体系统（FMASs），创新性地提出了一种量化记忆采样数据控制（QMSDC）方案。作者设计了一种新型双边环型Lyapunov泛函（TSLTLF）和积分不等式方法，以处理传输延迟和量化效应，并在线性矩阵不等式（LMI）框架下推导出确保系统均方一致性和H∞性能的充分条件。通过Duffing-Van der Pol振荡器和Rossler模型仿真验证了所提方法的有效性和优越性，为复杂网络环境下的安全协同控制提供了新思路。

　　

研究亮点

• •
  与传统的采样数据控制（SDC）和记忆采样数据控制（MSDC）研究不同，本研究开创性地探索了针对T-S模糊多智能体系统（TSFMASs）的量化记忆采样数据控制（QMSDC）机制，同时考虑了外部干扰和随机网络攻击（SCAs）。
• •
  引入了一种新颖的积分不等式方法来估计与通信延迟状态相关的积分项。此外，设计了一个合适的双边环型Lyapunov泛函（TSLTLF），以纳入实际采样模式和恒定信号通信延迟的全面信息。
• •
  接下来，为了有效利用采样序列产生的数据，构建了一个合适的TSLTLF来设计非线性多智能体系统的模糊QMSDC。这种方法不仅包含了从t到t_k的系统状态信息，还充分整合了从t到t_k+1的采样状态信息。
• •
  所提出的积分不等式方法，结合TSLTLF提供的详细量化采样模式和通信延迟，被应用于分析受外部干扰和SCAs影响的TSFMASs的安全性。此外，从TSLTLF和积分不等式推导出的保守性更小的充分条件提供了一个更灵活的设计框架，其结果竞争力更强也证明了这一点。
• •
  除此之外，还考虑了涉及Duffing-Van der Pol振荡器模型和Rossler模型动态模型的应用，以验证我们研究成果的性能。

一致性分析

为确保所提出的模型（13）达到均方渐近一致性，本部分推导了设计基于H_∞的QMSDC方法的新准则。我们定义以下变量：

γ₁(t) = t - t_k, γ₂(t) = t_k+1 - t,

η₁(t) = (1/γ₁(t)) ∫_tk^t y(?) d?, η₂(t) = (2/γ₁²(t)) ∫_tk^t ∫_tk^r y(?) d? dr,

η₃(t) = (1/γ₂(t)) ∫_t^t_k+1 y(?) d?, η₄(t) = (2/γ₂²(t)) ∫_t^t_k+1 ∫_r^t_k+1 y(?) d? dr,

Γ₁(t) = y(t) - y(t_k), Γ₂(t) = y(t) - y(t_k+1),

Γ₃(t) = [Γ₁^T(t) γ₁(t)η₁^T(t) γ₁(t)η₂^T(t)]^T,

Γ₄(t) = [-Γ₂^T(t) γ₂(t)η₃^T(t) γ₂(t)η₄^T(t)]^T,

Γ₅(t) = [y^T(t) y^T(t_k) η₁^T(t) η₂^T(t)]^T,

Γ₆(t) = [y^T(t) y^T(t_k+1) η₃^T(t) η₄^T(t)]^T,

Γ₇(t) = ...

仿真研究

本节通过实际例子来证明所提出方法的有效性和可行性。

例1：Duffing–Van der Pol 振荡器模型

为验证所提出的动态QMSDC机制及其理论发现，我们在本节给出一个振荡器模型示例。网络由五个智能体组成，其通信拓扑如图5所示。此外，站保持权重常数设置为b_p = 1，其中p = 1, …, 5。遵循先前研究（Zhang et al., 2015, Chen et al., 2021）的方法...

结论

本手稿首次探索了受随机网络攻击（SCAs）影响的T-S模糊多智能体系统（TSFMASs）的均方H_∞渐近一致性问题，并引入了一种新的积分不等式。QMSDC方案利用了每个阶段的采样瞬间，相对于传统方案增强了其灵活性和一致性性能。此外，为了有效利用时间受限的采样模式和通信延迟下一致性拓扑的信息，开发了一种增强型的TSLTLF，以...