当前位置：首页 > news >正文

多智能体、一致性、时滞含通信时滞和输入时滞的多智能体一致性仿真简单的多智能体一致性性仿真图，包含

news 2026/5/12 11:23:21

多智能体、一致性、时滞含通信时滞和输入时滞的多智能体一致性仿真简单的多智能体一致性性仿真图，包含状态轨迹图和控制输入图。适用于初学者。

多智能体系统的一致性控制挺有意思的，特别是加上了时滞之后。今天咱们用MATLAB搞个简单的无人机编队仿真，重点看看通信时滞和输入时滞对收敛速度的影响。不用复杂的高阶模型，就拿一阶积分器模型说事。

先看基础模型。假设有四个无人机，动力学方程简单到离谱：

% 一阶积分器模型 dx = @(x, u) u;

这时候要是没有时滞，一致性协议直接用邻居状态差就行。但现实里信号传输总有个延迟，咱们得在代码里模拟这个情况。

先处理通信时滞。假设每个无人机收到邻居信息有0.3秒延迟，咱们在内存里存个历史状态队列：

% 时滞参数 comm_delay = 0.3; % 通信时滞300ms state_history = []; % 存历史状态的环形缓冲区 % 在每次迭代时记录状态 state_history = [state_history; t, x']; if size(state_history,1) > comm_delay/dt state_history(1,:) = []; end

取数据的时候得往前翻记录，就像找快递柜里昨天的包裹：

% 获取延迟后的邻居状态 delayed_states = interp1(state_history(:,1), state_history(:,2:end), t - comm_delay);

再来看输入时滞，相当于控制器计算出的指令要过段时间才能执行。这个在代码里更好实现，直接把控制量存到队列里：

control_queue = []; % 控制指令缓冲区 u = calculate_control(x); % 新控制量生成 control_queue = [control_queue; u']; % 应用当前可用的最早控制量 if size(control_queue,1) > input_delay/dt current_u = control_queue(1,:); control_queue(1,:) = []; else current_u = zeros(1,4); % 缓冲不足时保持零输入 end

这时候系统方程得改成用延迟后的控制量：

x = x + current_u' * dt;

把两个时滞叠加上去跑仿真，状态轨迹明显变得扭捏了。这是某次跑出来的收敛过程：

（插入状态轨迹图，横轴时间纵轴状态值，四条曲线最终收敛但路径曲折）

控制输入图更直观，能看到指令像打水漂一样一浪接一浪：

（插入控制输入图，显示脉冲式的控制量发放）

几个调试小技巧：

时滞别超过系统稳定裕度，否则直接发散
通信时滞比输入时滞影响更大，因为会产生误差累积
步长dt要小于最小时滞，否则插值会出鬼影

完整代码大概长这样（核心部分）：

% 参数初始化 dt = 0.01; T = 10; x = [3;1;-2;0]; % 初始状态 u_hist = zeros(4,1); for t = 0:dt:T % 通信时滞处理 delayed_x = get_delayed_states(t); % 计算控制量（包含邻居信息延迟） u = -L * delayed_x; % L是拉普拉斯矩阵 % 输入时滞处理 apply_control = get_delayed_control(u); % 状态更新 x = x + apply_control*dt; % 记录数据 record_plot_data(); end

想自己试的可以把时滞参数调大点，马上能看到系统开始抽风。这玩意儿就像煮粥，火候（时滞）大了就糊锅，太小了又煮不熟。多跑几次参数，手感就出来了。

查看全文

http://www.jsqmd.com/news/140359/