买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉广州先进技术研究所申请的专利一种基于自适应动态规划的多智能体跟随控制方法和系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115755615B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211501456.7，技术领域涉及：G05B13/04；该发明授权一种基于自适应动态规划的多智能体跟随控制方法和系统是由杨根;张弓;袁海;张金越;王昕彤;吴月玉设计研发完成，并于2022-11-28向国家知识产权局提交的专利申请。

本一种基于自适应动态规划的多智能体跟随控制方法和系统在说明书摘要公布了：本发明实施例提供一种基于自适应动态规划的多智能体跟随控制方法和系统，根据跟随者和领航者的状态和控制量的差异，得到跟随状态误差和控制量误差。以最小化跟随状态误差和消耗的能量为目标定义效用函数，并根据效用函数得到代价函数，以动态规划的思想求解最优控制策略，由于代价函数与控制策略均是非显式表达的，故采用动作神经网络和评价神经网络分别拟合控制策略和代价函数，采用迭代计算的方式求解得出最优控制策略，以采集的领航者与跟随者的状态值和控制量的值对动作神经网络和评价神经网络进行训练，可使跟随者以最小的轨迹误差和控制能量实现对领航者的跟随运动，不仅适用于线性系统的跟随者，也适用于非线性系统的跟随者。

本发明授权一种基于自适应动态规划的多智能体跟随控制方法和系统在权利要求书中公布了：1.一种基于自适应动态规划的多智能体跟随控制方法，所述多智能体包括一个领航者和至少一个跟随者，其特征在于，所述跟随控制方法包括： 步骤S1、基于领航者的状态量确定跟随者的状态方程、控制量，基于跟随者的状态方程确定跟随者与领航者间的跟随状态误差，以及跟随者的控制量误差； 步骤S2、以跟随者的跟随状态误差和消耗能量最小为目标确定效用函数，基于所述效用函数确定使得跟随者能量最小化的代价函数，基于所述代价函数确定控制误差函数； 步骤S3、基于迭代方法求解所述控制误差函数，基于预设的神经网络拟合所述控制误差函数和所述代价函数，以在迭代过程中逐步拟合出最优的控制误差函数，基于最优的控制误差函数确定最优控制策略 步骤S3中，基于预设的神经网络拟合所述控制误差函数和所述代价函数，以在迭代过程中逐步拟合出最优的控制误差函数，具体包括： 设定评价神经网络和动作神经网络的结构，所述评价神经网络和所述动作神经网络均包括输入层、隐含层和输出层； 以当前时刻的跟随状态误差x为所述动作神经网络的输入，以控制量误差ux为所述动作神经网络的输出；基于第i次迭代时所述动作神经网络的输出值、第i次迭代时控制量误差uix的目标函数确定所述动作神经网络的第一损失函数； 以前时刻的跟随状态误差x为所述评价神经网络的输入，以代价函数Vx为所述评价神经网络的输出；基于第i次迭代时所述评价神经网络的输出值、第i次迭代时Vix的目标函数确定所述动作神经网络的第二损失函数； 基于所述第一损失函数、所述第二损失函数分别训练所述动作神经网络、所述评价神经网络，基于所述动作神经网络拟合得到最优的控制误差函数，基于所述评价神经网络拟合得到最优代价函数，基于最优的控制误差函数和期望控制量确定最优控制策略； 所述第一损失函数为： 上式中，uix为第i次迭代时动作神经网络的输出值，W1 a是动作神经网络的隐藏层的权重矩阵，ba是动作神经网络的隐藏层的偏置矩阵，σ·是激活函数，是动作神经网络的输出层的权重矩阵；为第i次迭代时uix的目标函数；Vi·为第i次迭代时的代价函数，表示第i次迭代时代价函数Vix′相对于x′的偏导数；g·为输入耦合函数；x′为跟随者在下一时刻的跟随状态误差； 所述第二损失函数为： 上式中，Vix表示第i次迭代时评价神经网络的输出值，W1 c是评价神经网络隐藏层的权重矩阵，bc是评价神经网络隐藏层的偏置矩阵，σ·是激活函数，是评价神经网络输出层的权重矩阵；Vi ox为第i次迭代时Vix的目标函数；ui-1x表示第i-1次迭代时动作神经网络的输出值，xT表示x的转置，表示ui-1x的转置，Vi-1x′表示以x′输入第i-1次迭代时的评价神经网络的输出值；Q、R均为正定矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人广州先进技术研究所，其通讯地址为：511458 广东省广州市南沙区海滨路1121号A8栋；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。