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！

龙图腾网获悉电子科技大学申请的专利一种拒绝服务攻击下人在回路多智能体系统的无模型控制方法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：CN119717614B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411845811.1，技术领域涉及：G05B19/042；该发明授权一种拒绝服务攻击下人在回路多智能体系统的无模型控制方法是由陈振雷;黄宗盛;李铁山;龙跃;杨寒卿设计研发完成，并于2024-12-16向国家知识产权局提交的专利申请。

本一种拒绝服务攻击下人在回路多智能体系统的无模型控制方法在说明书摘要公布了：本发明提供一种拒绝服务攻击下人在回路多智能体系统的无模型控制方法，属于多智能体系统控制技术领域。该控制方法基于人在回路技术，引入外部人类专家对系统进行监督以提升系统的安全性和可靠性；同时将智能体通信之间的DoS攻击建模为时变切换拓扑，并设计完全分布式指定时间领导者输出观测器，有效减轻了DoS攻击跳变给观测效果带来的不利影响并实现观测误差的指定时间收敛性能；除此之外，还设计了优化性能函数并得出无模型的Q学习算法。该控制方法实现了在DoS攻击影响下的人在回路多智能体系统的无模型优化控制，同时兼顾了一致性误差的指定时间收敛性能，有效提升了控制品质。

本发明授权一种拒绝服务攻击下人在回路多智能体系统的无模型控制方法在权利要求书中公布了：1.一种拒绝服务攻击下人在回路多智能体系统的无模型控制方法，其特征在于，包括以下步骤： 步骤1：构建非完全自主的多智能体系统的动态模型，包括跟随者的动态方程和受外部操控的领导者的动态方程； 其中，非完全自主的多智能体系统包括1个领导者和N个跟随者，则多智能体系统的动态模型具体为， 领导者： 跟随者： 其中，表示求导，角标i为第i个跟随者智能体，代表智能体i的系统状态，写作xi；代表智能体i的控制输入，写作ui；代表智能体i的输出，写作yi；代表智能体i的内部动态，代表智能体i的输出动态，代表智能体i的输出矩阵；代表领导者的系统状态，代表外部人类专家给领导者发送的未知且非零的命令信号，代表领导者的输出且只可被部分跟随者获得，代表领导者的内部动态，代表领导者的输出动态，代表领导者的输出矩阵；外部人类专家命令信号为未知量； 步骤2：在步骤1构建的系统动态方程的基础上，考虑智能体之间的通信遭受DoS攻击，构建切换拓扑模型； 步骤3：根据步骤2中所得切换拓扑模型下，为每个跟随者设计具有完全分布式指定时间性能的领导者输出观测器； 步骤4：根据步骤1中跟随者的动态方程与步骤3中的领导者输出观测器，构造局部输出误差，并获得局部输出误差动态系统，即增广状态动态模型； 步骤5：根据步骤4中获得的增广状态动态模型，设计最优值函数和哈密顿函数，并在此基础上得到Q函数； 具体过程为： 根据自适应动态规划理论，针对步骤4中的增广系统的动力学模型，设计最优值函数为： 其中，上角标*表示最优，ki为折现因子，ki＞0，Qi和为具有匹配维数的对称正定矩阵；Xi为增广状态； 基于最优值函数，得到对应的哈密顿函数为： 其中代表最优值函数对增广状态的偏导数；其中代表p行1列的零向量，代表p行m列的零矩阵，代表n行p列的零矩阵，代表p行p列的单位矩阵； 将最优值函数和哈密顿函数结合，根据强化学习理论，可建立Q函数的表达式为： 在建立的Q函数的基础上，得出不依赖模型的最优控制器的解析形式为： 步骤6：构建基于神经网络的单评价网络模型逼近步骤5中的Q函数，实时采集步骤4中获得的增广动态模型的状态与输入值构成数据集，依据采集所得数据集，训练单评价网络模型的权重，直至收敛； 具体过程为： 设计基于神经网络的单评价网络模型逼近步骤5中的Q函数： 其中，为理想权重向量，kci为隐藏层神经元数量，ψXi,ui为可微连续激活函数，σμXi,ui为逼近误差，μ代表第μ次迭代； 考虑到理想权重向量为未知量且无直接获取，构造Q函数的逼近值的估计形式为： 其中，为的估计形式； 然后实时采集步骤4中获得的增广模型的实时状态与输入的值并构成数据集，智能体i的数据集大小为依据最小二乘法，可得到单评价网络模型的权重的具体形式为： 其中， 步骤7：基于步骤6得到的单评价神经网络的权重，依据梯度下降法得到最优控制器，基于最优控制器实现对多智能体系统的控制。

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电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；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”。

以上内容由龙图腾AI智能生成。