Optimal decentralized wavelength control in light sources for lithography
本文研究光刻机光源的最优波长控制问题，将其建模为存在时延的分散式LQG问题，并将多光学模块视为DAG上的协作交互系统，证明可精确补偿时延且最优控制器优于现有技术。
2024-11-17 cs.SY eess.SY math.OC
Passivity-Based Decentralized Control of Multi-Robot Systems With Delays Using Control Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）；Tokyo Institute of Technology（东京工业大学）
本文提出了一种解决多机器人系统在存在延迟通信通道中协调问题的方法，通过将阻尼性保持条件编码为不变集约束，确保系统阻尼性，并利用凸优化问题实现最小侵入性输入修改，通过移动机器人团队的编队控制算法验证了方法的有效性。
2019-09-03 cs.SY eess.SY
A Stochastic Hybrid Approach to Decentralized Networked Control: Stochastic Network Delays and Poisson Pulsing Attacks
本文针对受随机网络时延和泊松脉冲DoS攻击的分散网络化控制系统，设计带时间正则化的分散事件触发策略，通过随机混合方法建模，实现系统随机镇定且兼具鲁棒性与无芝诺特性。
2025-06-12 cs.SY eess.SY
Decentralized Optimization in Time-Varying Networks with Arbitrary Delays
University of California, Irvine（加州大学欧文分校）
针对受任意通信延迟影响的时变有向网络，提出无需知道出度的 gossip 类去中心化算法 DT-GO，并证明其在凸与非凸目标上均达到集中式 SGD 的复杂度阶。
2024-10-01 cs.DC cs.LG cs.SY
Agent-level optimal LQG control of dynamically decoupled systems with processing delays
我们考虑的问题，控制一组动态解耦的植物，植物的子控制器相互通信，根据一个固定的和已知的网络拓扑。我们假设通信是瞬时的，但有一个固定的处理延迟与传入的传输。我们提供了显式的封闭形式的表达式，这些通信约束下的最优分散控制器，并使用标准的LQG假设的植物和代价函数。虽然该问题是凸的，但由于连续时滞的不合理性和分散的信息共享模式，它具有挑战性。我们发现，最佳的子控制器每个都有一个包含LTI和FIR块的转换器调节器架构，我们的特征信号，子控制器应在网络中相互传输。
2020-09-02 cs.SY eess.SY math.OC
A New Approach for Verification of Delay Coobservability of Discrete-Event Systems
在离散事件系统的分散网络监督控制中，本地监督者通过观察具有观测延迟的事件发生情况来做出正确的控制决策。延迟协同可观测性描述了这些局部监督者是否能够进行足够的观测。在本文中，我们提供了一个有效的方法来验证延迟可观测性。对于每个可控事件，我们划分的规范语言成有限数量的集合，使字符串在不同的集合有不同的长度。对于每个集合，我们构造一个验证器来检查可控事件的延迟可共观性是否成立。所提出的方法的计算复杂度是多项式的状态数，事件数，和上界的观察延迟和本地监督员的数量只指数。它具有较低的复杂性顺序比现有的方法。此外，我们还研究了网络化离散事件系统的分散监督控制与分散故障诊断之间的关系，证明了延迟$K$ -可诊断性可转化为延迟可观测性.因此，可以利用用于验证延迟协同可观测性的技术来验证延迟$K$协同可诊断性。
2022-05-19 cs.SY eess.SY
Policy Improvement From Private Information For Decentralized LQG Teams
Cornell University（康奈尔大学）
针对带延迟信息的去中心化LQG团队问题，本文提出基于私有信息增益梯度下降的线性策略优化算法，通过实例验证了该算法可实现策略改进。
2026-10-14 cs.SY eess.SY
Private and Common Information States in Decentralized Parallel Dynamic Programming for Delayed Sharing Patterns
University of Cyprus（塞浦路斯大学）；University of Tennessee（田纳西大学）
本文提出了一种去中心化随机最优控制问题的动态规划方法，针对延迟信息共享模式，通过Person-by-Person最优性概念，推导出满足通用动态规划性质的必要充分条件。
2026-04-25 cs.SY eess.SY
Decentralized Cooperative Online Estimation With Random Observation Matrices, Communication Graphs and Time Delays
Shanghai University（上海大学）；East China Normal University（华东师范大学）
分析了不确定环境下多节点网络通过信息交换实现的分散协作在线估计算法的收敛性。每个节点都有一个未知参数的线性观测，随机时变观测矩阵。底层通信网络由一系列随机有向图建模，并在信道中受到非均匀随机时变延迟的影响。每个节点运行一个在线估计算法，该算法由共识项和创新项组成，共识项取其自己的估计和邻居的延迟估计的加权和，创新项在每个时间步处理其自己的新测量。利用随机时变系统、鞅收敛理论和随机矩阵乘积的二项式展开式，将算法的收敛性分析转化为随机矩阵乘积的数学期望分析。首先，对于无时延的情况，我们证明了算法的增益可以被适当地设计，使得所有节点的估计都以均方收敛到真参数，并且几乎必然地，如果观测矩阵和通信图满足随机时空持久性的激励条件。其次，对于具有时间延迟的情况，我们引入延迟矩阵来模拟节点间随机时变的通信延迟。结果表明，在随机时空持续激励条件下，对于任意给定的有界时滞，在条件平衡有向图的情况下，可以设计适当的算法增益以保证均方收敛。
2020-12-07 cs.LG cs.SY eess.SP
Sparsity Methods for Networked Control
Graduate School of Informatics, Kyoto University（京都大学情报学研究科）
本文介绍网络控制中稀疏方法的应用，展示稀疏控制的有效性，通过稀疏优化方法设计稀疏控制以解决传输延迟和误差对稳定性的影响。
2014-10-20 cs.SY eess.SY math.OC
The H2 Control Problem for Quadratically Invariant Systems with Delays
University of Minnesota（明尼苏达大学）；California Institute of Technology（加州理工学院）
本文提出二次不变通信延迟模式的输出反馈H2问题的新解法，将稳定控制器特征描述为凸模型匹配问题，并将分布式H2问题转化为有限维二次规划问题。
2014-10-08 cs.SY eess.SY math.OC
Asynchronous Decentralized Event-triggered Control
University of Groningen（格罗宁根大学）
提出一种分散式事件触发控制器实现方法，允许传感器异步非周期测量，并通过单比特通信减少传输延迟和触发次数。
2013-05-17 cs.SY eess.SY math.OC
Stochastic Optimal Linear Control of Wireless Networked Control Systems with Delays and Packet Losses
Columbia University（哥伦比亚大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文研究了具有随机网络诱导延迟和丢包的无线传感器和执行器网络的最优分散状态反馈控制器设计，将系统建模为具有分散控制器的无线网络化控制系统，并将其转化为非合作线性二次博弈问题，通过遗传控制系统和负荷频率控制系统验证了所提算法的性能。
2014-10-16 cs.SY eess.SY
Sparsity-Promoting Optimal Control of Cyber-Physical Systems over Shared Communication Networks
North Carolina State University（北卡罗来纳州立大学）
本文研究了在网络共享通信网络上对网络化物理系统进行稀疏H2控制的设计问题，提出了一种稀疏H2控制设计方法，解决了反馈延迟和带宽公平分配两个关键挑战，并通过数值模拟验证了算法的收敛性。
2019-05-17 cs.SY eess.SY math.OC
Decentralized Control of Large Collaborative Swarms using Random Finite Set Theory
控制机器人代理的大群提出了许多挑战，包括但不限于，由于大量代理的计算复杂性，在群中的每个代理的功能的不确定性，以及在群的配置的不确定性。这项工作的贡献是分散的随机有限集（RFS）控制的大型合作群体控制的个人代理。RFS控制公式假设群控制的拓扑结构是完整的，并以集中的方式使用完整的图。为了以局部或分散的方式推广控制拓扑，稀疏LQR用于稀疏化使用迭代LQR获得的RFS控制增益矩阵。这允许代理使用彼此靠近的代理的信息（局部拓扑）或仅代理自己的信息（分散拓扑）来做出控制决策。分散RFS控制的稀疏性和性能进行了比较，不同程度的本地化反馈控制增益的稳定性和性能相比，集中式控制不显着降低提供RFS控制的大型合作群体。
2020-03-13 cs.SY eess.SY
Asynchronous Federated Learning: A Scalable Approach for Decentralized Machine Learning
Helmholtz Centre for Environmental Research - UFZ（环境保护研究赫尔姆霍兹中心）
本文提出异步联邦学习算法AFL，分析客户端延迟与模型陈旧性下的收敛性，并通过线性回归和SVM实验验证其在非IID数据场景中的可扩展性与效率。
2025-10-21 cs.LG cs.SY eess.SY
An Algebraic Approach to the Control of Decentralized Systems
本文提出一种新的代数方法，用于解决分散系统控制中的凸性问题，适用于理性传递矩阵、有延迟系统和多维系统等新类型系统。
2014-11-22 cs.SY eess.SY math.OC
Graph Neural Networks for Decentralized Controllers
University of California, Berkeley（加州大学伯克利分校）；University of Pennsylvania（宾夕法尼亚大学）
由自主智能体组成的动态系统出现在许多相关问题中，如多智能体机器人，智能电网或智能城市。控制这些系统对于保证成功部署至关重要。最佳集中式控制器是现成的，但面临的限制，在可扩展性和实际实施。另一方面，很难找到最优分散控制器。在本文中，我们提出了一个框架，使用图神经网络（GNNs）从数据中学习分散控制器。虽然GNN是天然的分布式架构，使它们非常适合这项任务，但我们也调整它们来处理延迟的通信。此外，它们是等变的和稳定的，导致良好的可扩展性和可移植性属性。探讨了群集问题，以说明GNNs在学习分散控制器方面的潜力。
2020-10-21 cs.LG cs.SY eess.SY
Decentralized Frequency Regulation of Hybrid MTDC-linked Grids
本文提出了一种新的策略，在互联电力系统，区域交流电网和海上风电场通过一个多端高压直流（MTDC）网络连接的最佳电网频率调节（FR）。在所提出的策略中，分散H ∞控制器的开发，以协调交流同步发电机和混合MTDC变换器的操作，从而实现最佳的功率共享互联的交流电网和最小化频偏在每个网格。为了开发控制器，鲁棒优化问题的制定和解决使用的混合MTDC连接电网的模型参数的不确定性和分散的控制输入和输出的动态模型。然后，使用平衡截断算法，以消除不可观测和不可控的状态变量，同时保持其主导的响应特性，从而降低所得到的控制器的模型阶。灵敏度和特征值分析进行重点电网测量，参数的不确定性水平，和通信时间延迟的影响。比较案例研究也进行了验证，所提出的策略提高了有效性，稳定性和鲁棒性的实时FR在MTDC联网电网在各种条件下，其特征主要是由负载需求，通信系统，和加权函数。
2021-12-09 cs.SY eess.SY
Distributed decentralized receding horizon control for very large-scale networks with application to satellite mega-constellations
针对超大规模动态解耦网络，提出计算与内存需求不随网络规模增长、仅靠局部通信并容忍时延的分布式去中心化滚动时域控制方法，并通过 Starlink 高保真星座仿真验证。
2023-10-04 cs.SY eess.SY
Flexible MPC-based Conflict Resolution Using Online Adaptive ADMM
在集中式方法不可行的许多地方，需要自主车辆的分散式冲突解决方案，例如，停车场、乡村道路、合并车道等。然而，现有的方法通常没有在分散式冲突解决中充分利用优化。我们提出了一个分散的冲突解决方法，自动驾驶汽车的基础上的一个新的扩展交替方向乘法器（ADMM），称为在线自适应ADMM（OA-ADMM），和模型预测控制（MPC）。OA-ADMM是为在线系统量身定制的，快速和自适应的实时优化至关重要，并允许使用有关物理系统的安全信息来提高实时控制的安全性。我们证明了在静态情况下的收敛性，并给出了在线收敛的要求。结合OA-ADMM和MPC，可以实现强大的分散式运动规划和控制，无缝集成分散式冲突解决方案。我们所提出的方法的有效性，通过模拟CARLA，一个开源的车辆模拟器，导致减少47.93%的平均增加的延迟相比，下一个最好的方法。
2021-03-25 cs.SY eess.SY
Integrating Transit Signal Priority into Multi-Agent Reinforcement Learning based Traffic Signal Control
Georgia Institute of Technology（佐治亚理工学院）
本研究将公交信号优先（TSP）集成到基于多智能体强化学习（MARL）的交通信号控制中，通过不同框架训练智能体，实现了公交延误的显著减少且对侧街影响较小。
2024-11-28 cs.AI cs.MA cs.SY
