摘要
本文提出了一种经过稳定性验证的分布式残差神经网络（ResNN）控制器，用于无领导节点的连续时间一阶多智能体系统在无向连通图上的共识达成。与传统的线性协议及训练后验证方法不同，该框架将非线性瞬态整形与整个学习过程中的证书可行性相结合。每个智能体都会利用与相邻智能体的状态差异，并采用由线性扩散主干网络和无偏残差神经分支构成的共享ResNN策略。通过计算残差增益界限，可得到全局指数级共识的充分条件，而验证速率则由主干网络与残差网络的增益差距以及图的代数连通性决定。每次训练更新后，通过谱范数投影和增益重参数化来保持这一条件。此外，还有一种前向欧拉证书，可为指数级收敛的数字实现提供明确的步长条件。该控制器通过可微分闭环仿真进行训练，其优化目标是在减少分歧与控制成本之间取得平衡。数值实验结果验证了所给出的衰减界限，展示了该控制器相较于三种基准方法的优越性，并评估了其在不同图结构及网络规模下的直接应用效果。
