基于神经网络的分布式自适应容错包含控制研究及其在多智能体系统中的应用

针对多智能体系统(MASs)中执行器故障和未知非线性动力学导致的包含控制难题，研究人员提出了一种基于神经网络(NN)的自适应分布式容错控制策略。该研究通过RBF神经网络逼近系统非线性上界，结合自适应参数在线调整机制，设计了不依赖精确模型的容错控制协议，实现了存在执行器部分失效和偏置故障情况下的稳定包含控制，为复杂环境下的MAS协同控制提供了新思路。

　　

在无人机编队、机器人协作等领域，多智能体系统(MASs)的协同控制一直是研究热点。然而实际应用中，系统常面临两大挑战：一是执行器可能发生部分失效或输出偏置等故障，二是系统动力学往往存在难以精确建模的非线性特性。传统控制方法在处理这类问题时，要么需要精确的数学模型，要么难以应对复杂的故障场景。更棘手的是，单个节点的故障可能通过通信网络扩散，导致整个系统失控。尽管已有研究尝试用模糊控制、滑模控制等方法解决部分问题，但这些方案要么依赖专家经验调参，要么存在设计保守性高的问题。

北京理工大学的研究团队在《Neurocomputing》发表的研究中，创新性地将径向基函数(RBF)神经网络与自适应控制相结合，开发了面向非线性MASs的分布式容错包含控制协议。该研究突破了传统方法需要精确建模的限制，通过神经网络在线学习系统非线性上界，配合基于误差动态调整的自适应参数，实现了对执行器故障的主动补偿。仿真结果表明，即使在同时存在部分失效和偏置故障的情况下，所有跟随者仍能稳定收敛到领导者定义的动态区域内。

关键技术方法包括：(1)采用RBF神经网络逼近未知非线性动力学上界；(2)设计基于邻居状态误差的自适应控制律；(3)构建不依赖故障观测器的参数在线更新机制；(4)通过Lyapunov稳定性理论证明闭环系统稳定性。实验使用包含2个领导者和4个跟随者的MAS模型，执行器故障设置为随时间变化的偏置和效率损失组合。

问题建模
研究建立了包含M个领导者和N个跟随者的MAS模型。领导者动力学描述为?_s
(t)=f(x_s
(t),t)，跟随者模型则增加控制输入项?_i
(t)=f(x_i
(t),t)+Bu_i
(t)。执行器故障建模为效率损失矩阵ρ(t)和偏置故障f_b
(t)的组合，实际控制输入表示为u^F
(t)=ρ(t)u(t)+f_b
(t)。

控制协议设计
核心控制律设计为u_i
(t)=-Ψ_i
(t)B^T
ē_i
(t)，其中Ψ_i
(t)为自适应增益矩阵，ē_i
(t)为邻居加权误差。创新性地将神经网络输出?_i
^T
S(x_i
(t))与自适应参数η_i,p
、ζ_i,p
相结合，通过分母注入τ_1i,p
、τ_2i,p
项避免奇异值。

稳定性分析
通过构造Lyapunov函数V(t)=1/2∑e_i
^T
e_i
+1/2∑(η?_i,p
²
+ζ?_i,p
²
)，证明闭环系统所有信号一致最终有界，包含误差收敛到残差集。关键突破在于无需已知故障具体形式，仅通过误差驱动即可实现故障补偿。

仿真验证
以二阶非线性系统为例，设置领导者动态含时变扰动1.5sin(2.5t)，跟随者执行器同时存在50%效率损失和0.1sin(t)偏置故障。结果显示，在通信拓扑包含生成树的条件下，所有跟随者在8秒内进入领导者形成的凸包，验证了协议的有效性。

该研究的核心价值在于三方面创新：首次将神经网络容错控制扩展到多领导者包含控制场景；采用神经网络直接逼近系统非线性而非仅估计扰动，提升了对未建模动态的适应性；通过无观测器的自适应设计降低实现复杂度。这些突破使得算法在无人机集群、智能交通等实际应用中具有更好的工程可行性。作者Ziying Fang等指出，未来可进一步研究通信延迟和拓扑切换下的控制策略，并将该方法扩展到高阶非线性系统。