在线阅读： ​ 注： 所有文档写在docs文件夹下 ctrl+k添加跳转链接 多智能体系统 百度百科： 论文 视频 文章、回答 知乎问题： 知乎问题： 环境 多智能体强化学习 深度学习 《PyTorch深度学习实践》完结合集 视频 论文 文章、回答 强化学习 先打好强化学习的基础，再对多智能体强化学习进行研究。 视频 [伏羲课堂]基于知识引导的强化学习相关算法介绍 论文 文章、回答 环境 gym retro high-way 我的文章 浅谈强化学习 多智能强化学习 视频 知乎回答：如何入门MARL（多智能体强化学习）？ 【CAC2020Workshop】 孙长银、穆朝絮——多智能体深度强化学习的若干关键科学问题 论文 多智能体强化学习的相关论文 文章、回答 多智能体强化学习笔记05 值函数分解方法 SMAC源码详解 工具 XMind——思维导图 MindManager——思维导

这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强 这是一个关于多目标粒子群算法，很有用，代码通用性强

《无人驾驶车辆模型预测控制 [龚建伟，姜岩，徐威著]》，带有目录，查看方便。 本书主要介绍模型预测控制理论与方法在无人驾驶车辆运动规划与跟踪控制中的应用。由于模型预测控制理论数学抽象特点明显，初涉者往往需要较长时间的探索才能真正理解和掌握，而进一步应用到具体研究，则需要更长的过程。本书详细介绍了应用模型预测控制理论进行无人驾驶车辆控制的基础方法，结合运动规划与跟踪实例详细说明了预测模型建立、方法优化、约束处理和反馈校正的方法，给出了Matlab仿真代码和详细图解仿真步骤。所有代码都详细提供了详尽的注解，并且融入了研究团队在本领域的研究成果。, 本书可以作为地面无人车辆、空中无人机、无人艇及移动机器人等无人车辆模型预测控制的研究参考资料，同时也可以作为学习模型预测控制理论的应用教材。

基于状态观测器的离散线性多智能体系统协同输出调节

matlab生成算法代码ParNMPC版本1903-1 1903-1版的新功能： 原始对偶内点法 改进的用户界面 更好的性能 线搜索 介绍 主页： ParNMPC是用于非线性模型预测控制（NMPC）的MATLAB实时优化工具包。 ParNMPC的目的是为NMPC问题表述，闭环仿真和部署提供一个易于使用的环境。 使用ParNMPC ，您可以非常轻松地定义自己的NMPC问题， ParNMPC会自动为单核或多核CPU生成自包含的C / C ++代码。 即使只有一个内核， ParNMPC也非常快（计算时间通常在$ \ mu $ s范围内），并且启用并行计算时可以实现很高的加速比。 强调 符号问题表示 使用OpenMP自动并行C / C ++代码生成 收敛速度快（达到超线性） 高度可并行化（最多可以使用N个核，N是离散化步骤的数量） 高加速比 MATLAB与Simulink 安装 克隆或下载ParNMPC 。 解压缩下载的文件。 要求 MATLAB 2016a或更高版本 MATLAB编码器 MATLAB优化工具箱 MATLAB并行计算工具箱 MATLAB符号数学工具箱 Simulink编码器 支

多智能体有限时间一致性算法，自己用matlab编写的，能够正常运行，可自行修改使用。 主程序部分代码： In = [Xl Xf]'; out = ode23(@ctFun, tspan, In); t = out.x; X = out.y; plot(t,X(1,:), t,X(2,:), t,X(3,:), t,X(4,:), 'linewidth',1.5); %% ODE Function function out = ctFun(~,In) global L B a = 0.5; Xl = In(1); Xf = In(2:4); v_0 = 0; dXl = v_0; delta = -(L+B)*(Xf-Xl); delta = sig(delta,a); dX = delta+ v_0; out = [dXl dX]; end 有限时间代码： function sig = sig(x,a) sig = sign(x).*abs(x).^a; end

PSO（粒子群优化）是一种受自然启发的技术，用于优化 MUD 中的目标函数。

针对具有通信时延的二阶多智能体系统的有限时间一致性控制问题，分别研究了具有固定拓扑和切换拓扑网络结构情形下的二阶多智能体系统的有限时间一致性。为使多智能体系统能在有限时间内可以达到一致，引入一致性控制增益矩阵并设计了相应的基于相对位置和相对速度的时延状态误差有限时间一致性控制算法，利用系统模型转换，泛函微分方程稳定性理论和有限时间Lyapunov稳定性定理得到了使系统在有限时间内达到一致跟踪的最大时延上界值。最后，仿真实验结果验证了所得理论的正确性和有效性。

为了进一步提高量子行为粒子群优化(QPSO) 算法的全局收敛性能, 有效改善算法中存在的粒子早熟问题,提出一种基于完全学习策略的改进QPSO 算法(CLQPSO). 该学习策略改变了QPSO 中局部吸引子的更新方式, 充分利用了种群的社会信息. 采用8 个测试函数对算法性能进行比较分析. 实验结果表明, 所提出的改进算法不仅收敛速度快, 而且全局收敛能力好, 收敛精度优于PSO 算法和QPSO 算法.

三相并网逆变器模型预测控制