Minghui Zhu和Sonia Martínez关于多智能体系统分布式优化方面的经典教材。

本文着重研究高阶非线性多智能体系统的自适应自适应模糊控制。 通信网络是具有固定拓扑的无向图。 每个代理由高阶积分器建模，该积分器具有未知的非线性动力学和未知的干扰。 在backstepping框架下，为每个代理设计了一个鲁棒的自适应模糊控制器，以使所有代理最终达成共识。 而且，从每个代理程序的控制器设计仅需要其自身及其邻居之间的相对状态信息的意义上说，这些控制器是分布式的。 一个四阶仿真实例证明了该算法的有效性。

六个智能体组成多边形队形的队形保持仿真，直接运行FZ1、FZ2、FZ3、FZ5

针对受到外部干扰影响的二阶多智能系统, 提出一种新型干扰观测器的设计方案.在只有部分智能体能接收到参考模型信 号的条件下, 研究受到不同外系统生成干扰信号影响的二阶多智能体系统模型参考一致性问题.针对干扰信号由线性外系统和非线性外系 统生成的情况, 分别设计干扰观测器.进一步提出分布式控制协议, 所提出的一致性协议可以有效地抑制干扰, 最终实现多智能体 系统的模型参考一致性.仿真算例验证了所提出方法的有效性.

本代码运用自适应动态规划理论，结合BP神经网络，设计实现多智能体系统的一致控制。其中的控制率是由HDP框架的BP神经网络基于智能体的实时状态数据自适应产生的。

具有耦合约束的多智能体系统的分布式模型预测控制

文章研究了一阶多智能体系统的有限时间一致性控制问题。为了对下一时刻智能体系统的状态进行预测，加快系统收敛速度，提出算法将当前智能体间状态信息的差异作为一致性协议的反馈参数，该算法实现了对不同智能体输入的自适应调节，并使多智能体系统在有限时间内达到一致。 通过构造Lyapunov 函数的方法分别讨论无向固定拓扑和切换拓扑两种情形，得到多智能体系统的稳定条件，证明该协议能在有限时间内收敛． 最后，仿真实验结果验证了所得结论的正确性和有效性。

多智能体模型与实验pdf,提供“多智能体模型与实验”免费资料下载，主要包括合作式机器人的控制、主要的机器人控制、计算机模型与技术、多智能体强化学习中的技术、进化的多智能体强化学习等内容，可供学习使用。

针对具有避免冲突的多智能体系统的跟踪和形成问题，提出了一种同步分布式模型预测控制算法。 我们考虑所有智能体的确定性，线性，时不变和齐次动力学。 在同步DMPC中，所有代理都利用邻居的假定预测信息同步解决其优化问题，以获得当前的最佳输入。 考虑到每个代理的假设和实际预测信息之间存在不确定的偏差，我们有助于设计一个与偏差有关的避免碰撞约束，该约束被施加在单个优化问题中，以确保每个代理的安全性。 我们通过设计二范数形式的时变相容性约束来约束不确定性偏差，该约束被施加在个体优化问题中，在避免碰撞和指数稳定性方面都起着重要作用。 通过所提出的算法，证明了递归可行性，指数稳定性和避免碰撞的保证。 提供了一个仿真示例，以说明此方法的实用性和有效性。

为了帮助读者更加深入地理解深度强化学习细节，仔细地讲述了大量应用的实现细节，例如机器人学习跑步、机械臂控制、下围棋、多智能体平台