Two-Stage Homotopic Learning for Data-Driven Cluster Consensus in Multiagent Systems

Qing Yang

doi:10.1109/tcyb.2026.3710815

Two-Stage Homotopic Learning for Data-Driven Cluster Consensus in Multiagent Systems

2026-07-21

0

PRE

AI

DOI：10.1109/tcyb.2026.3710815

原文链接

原文求助

摘要

En 中文

本文提出了一种新颖的同伦强化学习（RL）框架，用于解决连续时间多智能体系统（MASs）中的分布式集群一致性问题。首次将所研究的问题表述为零和微分博弈，采用所提出的极小极大博弈策略，其中引入局部调节误差以表征每个智能体与其指定领导者的偏离程度。基于此表述，推导出一组群博弈代数Riccati方程以获得最优控制律。为克服对已知系统模型的依赖，这些方程采用基于数据的同伦策略迭代方案进行求解，该方案利用在线状态和输入信息。与传统的学习方案相比，所提出的方法嵌入了一个同伦过程，从而放宽了对可行初始策略的要求。文中提供了严格的稳定性和收敛性分析，并通过理论分析和数值仿真进一步验证了所提出方法的有效性。

Keyword:

Data-driven cluster consensus

homotopic off-policy learning

multiagent systems (MASs)

zero-sum differential game

Two-Stage Homotopic Learning for Data-Driven Cluster Consensus in Multiagent Systems

摘要

期刊

机构

引用论文