反向边和记忆信息对有向链网络上共识收敛速率的影响

《Physica A: Statistical Mechanics and its Applications》:Effects of reverse edges and memory information on consensus convergence rate over directed chain networks

【字体: 大 中 小 】 时间:2026年10月22日 来源:Physica A: Statistical Mechanics and its Applications 3.1

编辑推荐:

   • 研究了记忆信息与反向边对共识收敛率的联合影响。• 揭示了一个反直觉的事实:记忆信息可能进一步恶化由反向边引起的收敛率下降。• 推导了基于记忆的协议下反向边减慢收敛率的充分条件。引言近年来,控制领域对多智能体系统(MASs)中的共识问题给予了广泛关注。共识是多智能体系统中协

  

• 研究了记忆信息与反向边对共识收敛率的联合影响。• 揭示了一个反直觉的事实:记忆信息可能进一步恶化由反向边引起的收敛率下降。• 推导了基于记忆的协议下反向边减慢收敛率的充分条件。引言近年来,控制领域对多智能体系统(MASs)中的共识问题给予了广泛关注。共识是多智能体系统中协同控制的基石,旨在通过本地交互使所有互联智能体的状态或决策达成渐近一致。共识问题已被广泛研究,涵盖了各种控制目标,如鲁棒共识[1]、[2]和极值共识[3],以及复杂的网络结构,包括异构网络[4]、[5]和混合网络[6]、[7]。此外,共识还与物理弛豫行为密切相关。具体而言,智能体空间分布于交互图的不同节点上,其状态差异在网络上形成非均匀场。因此,共识可以被视为空间分布式的不一致场向均匀状态弛豫的过程。共识协议通过有向边不断重新分配和耗散这些本地状态差异,类似于物理系统中的扩散。多智能体系统的共识收敛率反映了在执行共识协议过程中,多智能体系统的状态趋于一致的速率,是衡量共识算法性能的关键动态指标之一。近年来,有向无环图(DAGs)上共识收敛率的研究受到广泛关注,DAGs被广泛应用于各个领域,如食物网中的捕食关系[8]、[9]和临床医学中致病途径的识别[10]。在工业领域,无人机领域的跟踪问题[11]和工业装配线[12]也引起了研究人员的广泛注意。在车辆编队中,反向信息传输可以支持协同制动和碰撞避免。在网络系统中,反向边也可能提供冗余通信路径,从而提高对链路故障的韧性。现有研究主要探讨了DAGs中反向边对收敛率的影响。大多数研究集中于一阶连续时间多智能体系统。然而,大多数网络化控制器、分布式估计器和协调算法最终都是在数字处理器上实现的,并通过采样通信运行。因此,在设计加速机制之前,需要确定反向反馈链路在具有有向链式网络的离散时间多智能体系统中是否同样会减慢收敛率,以及这种恶化如何依赖于反向边的放置位置和节点数量。Zhang等[13]研究了DAGs中反向边对共识收敛率的影响。结果表明,添加反向边会导致收敛性能下降,且随着反向边范围的扩大,下降更加明显。Zhang等[14]分析了添加反向边对有向图收敛率的影响,并提供了在存在干扰反向边时降低收敛率的充要条件。Gao等[15]研究了添加加权边对有向链式网络代数连通性的影响。结果表明,这种变化取决于所添加边的范围和权重,以及原始路径中的权重分布。当所有弧具有相等权重时,代数连通性仅由边权重和最大范围决定,与路径顺序或所添加边的位置无关。此外,一些研究也探讨了二阶连续时间多智能体系统中的共识问题。Dubey等[16]研究了二阶有向链式网络中添加反向边的问题,并提出了几种方法以确保具有单条反向边的此类网络能够达成共识。这项工作为应对复杂动态网络中的共识问题提供了新的视角。Wang等[17]研究了在添加反向边的一般有向无环图中的二阶共识问题,并比较了不同协议下二阶共识的可扩展性。现有研究主要集中分析在连续时间多智能体系统中向有向链式拓扑添加反向边的影响,而对离散时间多智能体系统的研究尚不充分。为弥补这一空白,本文研究了一阶和二阶离散时间多智能体系统中系统特性与网络拓扑之间的关系。另一方面,共识算法通常基于智能体的实时状态信息构建。一旦本地信息更新,之前的状态信息即被丢弃。尽管通信延迟等因素可能导致系统中存在一些残留历史数据,但在大多数研究中,这种残留信息通常被简单视为干扰因素。如果能够主动在寄存器中存储历史信息并将其作为可调用的历史数据加以利用,则可能改善系统性能。与文献[18]中的结果相比,Xiao等[19]利用记忆信息显著放宽了达成共识所需的拓扑条件。Ren等[20]通过将梯度跟踪与本地记忆相结合,研究了固定拓扑网络上的分布式优化问题,并证明了引入记忆可以加速算法收敛。Yi等[21]分析了具有多步记忆信息的加速共识的收敛率,提出了多步记忆多智能体系统中平均共识的充要条件,并揭示了收敛率与控制协议之间的直接关系。Dai等[22]表明,即使在最坏情况下,仅使用节点自身状态的一步记忆即可实现最优收敛率,而引入邻居的历史信息并不会产生进一步改善。文献[23]表明,在星形图或二部图等特定网络拓扑中,增加记忆步数可加快收敛率。Moradian等[24]将加权过时反馈引入平均共识算法,并表明适当选择的反馈权重和延迟可以在不增加控制努力的情况下提高收敛率。Irofti[25]提出了一种新的共识协议,在该协议中使用历史信息预测邻居智能体的未来状态,并证明了适当的参数调优可以显著加速共识,尤其适用于稀疏连接网络。Ramos等[26]将前一次迭代值和新接收的信息都纳入离散时间共识动力学,表明该方案可以改善收敛性能,同时提供更好的隐私保护。Huang等[27]为具有通信延迟的二阶多智能体系统开发了一种基于记忆的加速共识协议,并建立了记忆项的引入可以比无记忆协议进一步改善收敛率的结论。Bhaskar等[28]引入了本地平均值记忆模型,并表明适当地引入之前的本地平均值可以加速共识,甚至在某些周期性网络上实现收敛。此外,Wang等[29]表明,当记忆系数在一定范围内时,引入记忆信息可以同时改善鲁棒性和可扩展性。当前研究主要集中于无向图的分析,而对有向图的研究相对有限。有必要进一步理解有向记忆流动机制,尤其是有向无环图上的单向记忆流动以及由反向边引起的循环记忆流动。综上所述,本文研究了具有反向边的有向链式网络上一阶和二阶离散时间多智能体系统的收敛率,并探讨了记忆是否能够缓解反向边对收敛性能的不利影响。本文的主要贡献总结如下三个方面:• 与聚焦于连续时间多智能体系统的现有研究不同,本文分析了反向边在有向链式图中对一阶和二阶离散时间多智能体系统共识收敛率的影响,并确定了收敛率退化的充分条件。• 对于一阶和二阶离散时间多智能体系统,本文考虑了一步记忆的共识协议。对于具有记忆的一阶多智能体系统,本文给出了添加反向边后收敛率降低的充分条件,这表明单向信息流中的记忆优于循环信息流中的记忆。同时,我们证明了对于二阶离散时间多智能体系统,即使没有记忆,添加反向边仍然会降低收敛率。此外,我们证明了在有向链式网络上,记忆信息对二阶多智能体系统的收敛率没有影响,而反向边会导致记忆信息进一步恶化收敛率。• 在反向边存在的情况下,我们发现对于一阶多智能体系统,记忆信息对共识收敛率的影响取决于系统参数,可能缓解也可能进一步加剧反向边对收敛率的不利影响;而对于二阶多智能体系统,记忆信息通常进一步抑制收敛过程,导致收敛率更慢。本文其余部分组织如下:第2节给出图论的一些预备知识;第3节给出模型描述并陈述问题;第4节基于问题研究反向边和记忆信息对收敛率的影响;第5节讨论所获结论对更一般网络结构的适用性,并在不同反向边权重下进行统计检验;第6节给出论文结论。符号说明:本文中,设?和?分别表示实数集和复数集,?表示整数集。??表示n维实列向量空间,????表示所有m×n实矩阵的集合。对于矩阵X,X?表示其转置。|γ|表示实数或复数γ的绝对值或模。I?表示n维单位矩阵,???表示所有元素均为1的列向量。复数λ∈?表示为λ=Re(λ)+j·Im(λ),其中Re(λ)为λ的实部,Im(λ)为λ的虚部,j为虚数单位。diag{a?, a?, …, a?}表示对角矩阵,其中a?为第i个对角元素(见表1)。节选部分预备知识设有向图??=(??, ?, A)包含n个顶点,其中??={???, ???, …, ???}为顶点集,????×??为边集,(???, ???)表示从???到???的有向边,A=[a??]∈????为邻接矩阵且a??≥0。特别地,a??>0表示从顶点???到???存在一条边,而a??=0表示不存在这样的边。有向圈是一条从同一顶点出发并回到该顶点的闭合有向路径。有向图??的度矩阵记为D=diag{d?, d?, 问题陈述本文关注一阶和二阶动力学的多智能体网络,分别在3.1节一阶模型和3.2节二阶模型中进行描述,然后在3.3节陈述所考虑的问题。主要结果在本节中,我们重点分析一阶和二阶多智能体网络的共识区域,并在共识区域内进行收敛率分析。讨论在本节中,我们讨论所获结论对更一般网络结构的适用性,并在不同反向边权重下进行统计检验。结论本文提出了一种基于记忆的共识协议,系统研究了记忆信息与反向边对多智能体系统收敛率的联合影响。首先,通过稳定性分析,推导了在有无记忆信息情况下的一阶和二阶多智能体系统的共识区域。在共识区域内,建立了收敛率与关键参数之间的定量关系。随后,我们研究了CRediT作者贡献声明Qu Yijun:撰写—审阅与编辑,撰写—初稿,验证,方法论。Wang Jiamin:撰写—审阅与编辑。Liu Jian:形式化分析。Xi Jianxiang:软件。Zheng Yuanshi:监督。利益冲突声明作者声明,他们不存在任何已知的竞争性财务利益或个人关系可能影响本文所报告的工作。Qu Yijun | Wang Jiamin | Liu Jian | Xi Jianxiang | Zheng Yuanshi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号