编辑推荐：
在多智能体系统（MAS）中，通信约束、容错性和不确定性下的协调等问题突出。研究人员开展 “分布式非线性模型预测控制器用于具有分数阶动力学的智能体编队控制（DNMPC - FCFO）” 研究，结果表明该方法能有效维持编队控制和避障。这提升了 MAS 的可靠性和效率。
在科技飞速发展的当下，多智能体系统（MAS）广泛应用于自动驾驶、电网调度、分布式传感器网络等诸多领域。想象一下，在自动驾驶场景中，多辆智能汽车需要紧密协作，保持特定编队行驶，同时还要应对复杂路况和突发状况；在电网系统里，众多分布式电源和负载需要精准协调，确保电力稳定供应 。然而，现实却给多智能体系统的运行带来了诸多挑战。通信受限、容错能力不足以及在不确定性环境下的协调难题，就像一道道难以跨越的鸿沟，阻碍着多智能体系统充分发挥其优势。例如，传统的编队控制方法，像领导者 - 跟随者模型，一旦领导者出现故障，整个编队就可能陷入混乱；虚拟结构方法随着智能体数量增加，计算和通信负担剧增，难以有效扩展；行为基方法虽然在避免碰撞方面有一定优势，但收敛速度慢，无法很好地实现全局编队目标。模型预测控制（MPC）虽有应用，但非线性 MPC 计算资源需求大，在动态和易故障环境下的稳定性也有待探究，而且现有 MPC 框架对故障的显式估计和恢复机制重视不足。分数阶模型虽在一些领域展现出优势，但其在实时离散时间系统中的应用还不成熟，在多智能体系统控制中的集成研究也较少。因此，开展新的研究，寻找更有效的控制策略迫在眉睫。
为了解决这些棘手的问题，研究人员开展了关于 “分布式非线性模型预测控制器用于具有分数阶动力学的智能体编队控制（DNMPC - FCFO）” 的研究。他们提出了一种全新的容错分布式非线性模型预测控制器，将分布式非线性 MPC 与离散时间超扭曲滑模故障估计相结合。研究结果显示，该方法在维持编队控制和避障方面表现出色，能够有效提升多智能体系统在故障情况下的稳定性和可靠性。这一研究成果意义重大，为多智能体系统在复杂环境中的应用提供了更可靠的技术支持，推动了相关领域的发展，论文发表在《Franklin Open》。
研究人员采用了多种关键技术方法。首先是离散时间分数阶滑模故障估计（DTFO - SMF）技术，通过构建特定的观测器和滑模面，实现对故障的精确估计。其次，利用模型预测控制（MPC），设计了包含多种约束条件的成本函数，以优化控制输入，确保系统在满足约束的同时实现稳定控制。此外，还运用了图论、欧几里得范数等数学工具来描述和分析系统的相关特性 。
研究结果如下：
- 估计故障的新 DTFO - SMF 方法：提出一种新的离散时间分数阶滑模故障估计方法。通过设计观测器（公式（17）），结合超扭曲滑模面（公式（19）），可以准确估计故障（公式（20））。利用李雅普诺夫函数（公式（30））证明了系统的指数稳定性，并且通过收缩约束保证了系统在不同时间步的稳定性。
- 分数阶系统的模型预测控制器设计：将故障估计融入 MPC 框架。设计了成本函数（公式（36）），并设置了一系列约束条件（公式（37） - （48）），以实现对智能体输入的有效估计和状态的准确推断（公式（49） - （50））。这些约束条件涵盖了初始状态、系统动力学、智能体间距离、避障等多个方面，确保了系统的安全性和稳定性。
- 仿真结果：在二维环境中对机器人进行仿真，模拟了机器人在泥泞地形中的运动。设定了机器人的位置、输入和相关参数，通过仿真验证了在存在故障的情况下，所提出的方法能够使多智能体系统保持编队控制并成功避障。
研究结论表明，该研究提出的 DNMPC - FCFO 方法有效解决了多智能体系统在故障和复杂环境下的控制难题。通过精确的故障估计和合理的控制策略，系统能够在保证稳定性的同时，实现高效的编队控制和避障功能。这一研究成果不仅为多智能体系统在实际应用中的可靠性提供了有力保障，还为后续相关研究奠定了坚实基础，有望推动多智能体系统在更多领域的广泛应用和深入发展。
