[论文解读] Distributed Control Subject to Delays Satisfying an $\\mathcal{H}_\\infty$ Norm Bound
本文提出一种基于LMI的凸方法,用于在强连通网络中设计具有通信时延约束的分布式 $η_\infty$ 控制器。通过将控制器分解为局部有限脉冲响应(FIR)和全局时延无限脉冲响应(IIR)两部分,合成问题被简化为可处理的可行性测试,从而实现次优 $η_\infty$ 性能,同时保证稳定性与时延诱导的信息结构。
This paper presents a characterization of distributed controllers subject to delay constraints induced by a strongly connected communication graph that achieve a prescribed closed loop $\\mathcal{H}_\\infty$ norm. Inspired by the solution to the $\\mathcal{H}_2$ problem subject to delays, we exploit the fact that the communication graph is strongly connected to decompose the controller into a local finite impulse response component and a global but delayed infinite impulse response component. This allows us to reduce the control synthesis problem to a linear matrix inequality feasibility test.
研究动机与目标
- 解决大规模系统中在通信时延约束下的次优分布式 $η_\infty$ 控制问题。
- 将 $η_2$ 启发的FIR分解方法扩展至 $η_\infty$ 设置,利用通信图的强连通性。
- 在时延约束下,为 $η_\infty$ 控制合成问题提供有限维、凸的公式化表达,实现系统化的控制器设计。
- 证明尽管底层的 '1984' $η_\infty$ 方法计算负担较重,该问题仍可转化为可处理的LMI可行性测试。
- 通过证明延迟约束下的 $η_\infty$ 控制可被有限参数化,为可扩展的显式解法奠定基础。
提出的方法
- 利用通信图的强连通性,将分布式控制器分解为局部有限脉冲响应(FIR)分量和全局时延无限脉冲响应(IIR)分量。
- 基于从FIR分量导出的传递函数矩阵的汉克尔范数,将控制合成问题表述为线性矩阵不等式(LMI)可行性测试。
- 利用 '1984' 方法的 $η_\infty$ 控制,依赖谱因式分解与内哈近似,将非凸的 $η_\infty$ 问题转化为凸可行性测试。
- 将控制器构造为 $Q = V + \Delta_N D(V)$,其中 $V$ 为FIR滤波器,$D(V)$ 为基于状态空间解导出的IIR分量。
- 应用递归算法调整性能边界 $\gamma$,直至满足LMI可行性条件 $\|\tilde{\Gamma}_{\hat{R}_1}\| < 1$。
- 使用附录中的状态空间公式,计算实现所需的传递函数因式分解与近似。
实验结果
研究问题
- RQ1在时延约束下,分布式 $η_\infty$ 控制问题是否可被简化为凸的、有限维的优化问题?
- RQ2如何利用通信图的强连通性,将控制器分解为FIR与时延IIR分量?
- RQ3汉克尔范数在表征满足预定 $η_\infty$ 性能边界时延约束下的可行性中起什么作用?
- RQ4与集中式 $η_\infty$ 控制器相比,该方法在时延约束设置下的性能保留程度如何?
- RQ5该LMI公式化方法是否能支持未来扩展,如通信时延协同设计或控制器增强?
主要发现
- 在具有完整信息和FIR滤波器约束的三玩家链式示例中,所提方法实现了闭环 $η_\infty$ 范数为 0.9772,与集中式最优值一致。
- 即使在FIR滤波器存在稀疏性约束时,仍实现了相同的最优 $η_\infty$ 范数 0.9772,显著优于仅使用时延的控制器(范数为 1.6856)。
- 在一般输出反馈情况下,分布式控制器实现了 1.515 的闭环范数,非常接近集中式最优值 1.502。
- 在相同设置下,仅使用时延的控制器实现了更高的范数 2.213,表明引入FIR分量可显著提升性能。
- LMI可行性测试成功识别出满足预定 $η_\infty$ 范数边界的控制器,验证了理论公式的正确性。
- 该方法证实,延迟约束下的 $η_\infty$ 控制可实现有限维、凸的参数化,为可扩展扩展铺平了道路。
更好的研究,从现在开始
从阅读论文到最终审阅,大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成,并经人工编辑审核。