本文研究了离散时间非线性多智能体系统在切换通信拓扑下的共识问题，并采用模型预测控制（MPC）方法进行求解。对于遵循马尔可夫切换规律的系统，现有的MPC解决方案难以基于模型预测获得可靠的优化结果。为此，我们提出了一种新的基于神经网络的算法，通过实时近似和最小化MPC的成本函数，降低通信不足带来的影响。通过不同应用和场景的仿真验证了所提方法的有效性。

本文研究了离散时间非线性多智能体系统在切换通信拓扑下的共识问题，并采用模型预测控制（MPC）方法进行求解。对于遵循马尔可夫切换规律的系统，现有的MPC解决方案难以基于模型预测获得可靠的优化结果。为此，我们提出了一种新的基于神经网络的算法，通过实时近似和最小化MPC的成本函数，降低通信不足带来的影响。通过不同应用和场景的仿真验证了所提方法的有效性。

分布式MPC的基本原理分布式模型预测控制（DMPC）通过分解多智能体系统的全局优化问题为局部子问题，每个子系统独立求解优化目标，并通过信息交换实现协同控制。预测模型：基于动力学方程（如离散时间系统 x(k+1)=f(x(k),u(k))构建局部预测模型。滚动优化：每个子系统在有限时域内优化控制序列，仅执行首步控制输入。协同机制：通过通信网络交换状态或控制信息，协调全局性能（如合作式DMPC需共享耦

我们提出了一种分布式算法，用于在有界凸环境中利用多个追捕者对多个逃逸者进行协作追捕。该算法适用于拦截受保护空域中的失控无人机等应用。追捕者不知道逃逸者的策略，但通过采用基于环境的Voronoi镶嵌的全局“区域最小化”策略，我们保证了所有逃逸者都能在有限时间内被捕获。我们还提出了这种策略的去中心化版本，适用于二维（2-D）和三维（3-D）环境，并通过多次仿真表明，它优于其他去中心化的多追捕者启发式方

多智能体系统是由多个具有一定功能的智能体组成的系统，这些智能体能够感知环境、进行决策并与其他智能体进行交互。智能体之间的协同合作是实现整个系统整体目标的关键。为了实现多智能体系统的高效运行，需要研究协同控制技术。

我们提出了一种基于拍卖的分散式算法，用于解决动态任务分配问题空间分布的多智能体系统的分配问题。在我们的方法中，每个成员多智能体团队中的每个智能体最多被分配一组空间分布的任务中的一项任务，而几个代理可以被分配给同一个任务。任务分配是动态的，因为它是在离散时间阶段（迭代）更新，以考虑代理的当前状态后者朝着上一阶段分配给他们的任务前进。我们提出的方法可以在智能机器（如送货机器人）的源配置问题中找到应用由

各种复杂的工业生产过程、航空航天系统、大型电网等系统，其共同特征是规模庞大、结构复杂，并具有很强的非线性和不确定性，难以建立精确的数学模型和用常规的控制理论去进行定量计算和分析，这类系统中存在的多智能体往往具有异构性，即各个智能体的结构、动力学模型等可能不一致。一致性问题是多智能体系统研究中的一类基本问题。在实际工程应用中，根据性能要求和任务种类等因素为个体设计控制规则，通过个体间的互相协调，保证

N=6的MMC在开环控制下展现了适中的谐波性能与较高的仿真效率，适用于中压直流系统或实验室研究。未来可结合自适应调制算法（如软旋转PSC）提升开环稳定性，或探索AI驱动的智能均压策略以降低计算负担。📚2 运行结果2.1 整体模型2.2 三相电压输出波形。

我们的研究基于 Pavlo Krokhmal、Jonas Palmquist 和 Stanislav Uryasev 的论文《Portfolio optimization with conditional Value-at-Risk objective and constraints》。因此，我们遵循了他们关于优化条件风险价值（CVaR）以在回报和对大幅下跌（或潜在损失）的保护之间取得最佳投资组合

二维栅格地图路径规划在机器人导航、智能物流等领域至关重要。传统算法在复杂动态环境中存在局限性，海市蜃楼搜索优化（MSO）算法虽展现出一定优势，但仍需改进。本文提出将精英反向策略与免疫思想融入MSO算法，应用于二维栅格地图路径规划。通过精英反向学习生成多样化种群，利用免疫思想的克隆、变异操作增强算法局部搜索能力。实验结果表明，改进后的算法在静态和动态栅格环境中，路径长度更短、避障成功率更高、收敛速度