您好,欢迎来到世旅网。
搜索
您的当前位置:首页初始误差修正的多智能体一致性迭代学习控制

初始误差修正的多智能体一致性迭代学习控制

来源:世旅网
Computer Engineering andApplications计算机工程与应用 @理论研究、研发设计@ 初始误差修正的多智能体一致性迭代学习控制 伍 凤,支4 山 WU Qiaofeng.LIU Shan 浙江大学控制科学与工程学系,杭州3 1 0027 Department of Control Science and Engineering,Zhej iang University,Hangzhou 3 1 0027,China WU Qiaofeng.LIU Shan.Iterative learning control of multi—agent consensus with initial error correction.Computer Engineering and Applications,2014,50(1):29—35. Abstract:This paper considers a finite--time consensus problem for a distributed multi--agent system executing a given repetitive task.The virtual leader technology is introduced for the system with fixed topology.Under the condition of unknown initial states corresponding to the desired trajectory,a distributed learning control algorithm combined with initial state correction of every agent is proposed for the system with interference.The convergence analysis shows that the proposed algorithm can eliminate the tracking errors caused by the different initial states between every agent and the desired rtajectory, and the perfect tracking control within the finite-time is available.Simulate results also prove the effectiveness of the proposed algorithm. Key words:multi—agent system;distribute;finite-time;consensus;iterative learning control 摘 要:研究了重复运行的分布式多智能体系统在有限时间内的一致性问题。针对具有固定拓扑结构的多智能体 系统,在期望轨迹对应的初始状态未知,且系统存在干扰的情况下,引入虚拟领导者技术,提出了一种同时对各智能 体的输入和初始状态误差进行迭代修正的分布式学习控制算法。收敛性分析表明,该算法能够消除由于各智能体 初始状态和期望轨迹对应的初始状态不同而引起的各智能体输出不能完全跟踪期望轨迹的状况,实现系统在有限 时间内的完全跟踪;仿真结果也证明了算法的有效性。 关键词:多智能体系统;分布式;有限时间;一致性;迭代学习控制 文献标志码:A 中图分类号:TP273+.22 doi:10.3778 ̄.issn.1002.8331.1306-0224 l 引言 能体系统的一致性问题已经有了大量的研究成果 。 。 多智能体系统是由多个可计算的智能体组成的集合, Vicsek[ 等人首次提出了分布式智能体系统的一致性问 其中每个智能体是一个物理的或者抽象的实体,能作用于 题;JadbabaietS]粗略地证明了在分布式控制系统中,通过 自身和环境,并与其他智能体通讯,共同合作去完成一个 “最近近邻规则”跟随者智能体的所有状态都可以和领 任务。多智能体技术具有广泛的应用背景,可用于航天 导者智能体的状态同步;Ren 提出了一种虚拟领导者 器、无人驾驶飞行器、移动机器人和车辆控制 。等方面。 方法,虚拟领导者可以被看成是每一个智能体公共的参 多智能体系统的一致性问题,是指多智能体系统中 考信号;KhooD0]证明了通过局部通讯跟随着智能体可以 的每个智能体在某些量(速度、位置等)上与其他智能体 跟踪领导者的时变的状态,并且还考虑到智能体间耦合 趋于相同。一致性问题是多智能体研究的基本问题 , 的时延和通道噪声。 如典型的多机器人系统的跟踪问题、编队问题和搬运问 以上研究都是考虑多智能体系统的渐近一致性问 题等均可以转化为多智能体系统的一致性问题。多智 题,即系统中的各个智能体的状态是逐渐趋于一致的。 基金项目:国家自然科学基金(No.61273133)。 作者简介:伍巧凤(1988一),女,硕士研究生,主要研究方向为多智能体和移动机械臂一致性研究;刘山(197O一),男,博士,副教 授,主要研究方向为智能控制理论与技术,机器人技术,工业过程控制。E—mail:21132051@zju.edu.ca 收稿日期:2013.06.20 修回日期:2013.08.20 文章编号:1002-8331(2014)01—0029—07 ComputerEngineering andApplications计算机工程与应用 但有些多智能体系统的任务是重复的,如工业生产线上 的多机械臂协同操作,此时,渐近一致性的要求显然太 在通讯联系。 经典的迭代学习控制要求每次迭代运行时,系统的 初始状态与期望跟踪轨迹所对应的初始状态相同,这在 低了,一般要求实现有限时间内的完全一致性 。 。众 所周知,针对重复运行系统的迭代学习控制方法可以实 现有限时间内的完全跟踪问题,并且对于干扰和不确定 性具有很好的抑制作用。将迭代学习控制方法运用于 分布式多智能体系统中不容易做到。因为各个智能体 的动态方程一般都不相同,且多智能体系统跟踪的不是 个真实的物体,只是由虚拟领导者产生的给定期望参 一多智能体系统,去解决多智能体系统有限时问内的完全 致性问题是可行的技术思路 。Ahn等u 就利用 迭代学习方法去解决多智能体系统的编队问题;Jia 也 一考轨迹,所以期望轨迹针对各智能体所对应的真实初始 状态X, (0)是未知的。 本文在期望参考轨迹所对应的各智能体的初始状态 未知的情况下,采用一种对系统输入和期望轨迹对应的 将迭代学习方法引入到多智能体系统的踪控制问题 中。在这些研究中,一个必需的条件是要求每次迭代 时,每个多智能体的初始状态与期望轨迹对应的初始状 态相同,但在很多实际问题中,期望轨迹对应的初始状 态可能是未知的,在此情况下,上述多智能体系统的迭 代学习控制方法都无法设定初始状态值。 针对执行重复任务的多智能体系统,为解决由于每 个智能体的初始状态和期望轨迹对应的初始状态不同 而引起的系统输出不能完全跟踪期望轨迹的问题,受单 个系统的迭代学习控制的初始状态误差修正技术n u的 启发,本文提出了同时对各智能体的输入和初始状态分 别进行迭代学习的分布式控制方案,以实现系统有限时 问内的完全一致性。 2 问题描述 考虑一个包含干扰的重复运行的分布式多智能体 系统,由n个智能体组成,第i个智能体的动力学方程为: I . (f)= (f) . ( )+B(t)uf ,(f)+’I,洫(f) ,.、 IY =C(t)x (f)+', (f) … 其中i=1,2,…,n,t和k分别表示时问和迭代运行次数, , ( )∈R 为智能体i的状态,U ( )∈R 为控制输入, (f)∈R ,W (f)∈R 和v (f)∈R 竹扰 假设Y (f)∈R 为任意给定的有限时间t∈[0,T]内 的期望参考轨迹,对于执行重复任务的多智能体系统 (1),本文希望通过迭代运行,最终寻找到各智能体的合 适的控制输入,使各智能体的运行轨迹在有限时间 [0,T]内与期望轨迹Y (f)完全一致。 上述目标等价于分布式多智能体系统有限时问内 的一致性问题,即寻找合适的控制输入U (f)满足: Ji 【 (f)一Y (f)]=0,i=1,2,…,n,t e[o,T】 (2) 换句话说,一致性目标(2)意味着要找到一个合适的 迭代学习控制算法,随着迭代次数的增加,多智能体系统 中的各智能体均在有限时间内收敛于期望的参考轨迹。 由于所考虑的多智能体系统具有分布式结构,本文 假设期望的参考轨迹Y (f)的信息并不是每个智能体都 能直接获得,而是只有部分智能体能够直接获得。为 此,假设参考轨迹Y (f)由一个虚拟领导者” 产生,能够 直接获得参考轨迹信息的智能体与虚拟领导者之间存 初始状态同时进行学习修正的迭代学习控制算法,以实 现分布式多智能体系统有限时间内的完全跟踪。也就意 味着,多智能体系统的初始状态x,(0)可以从任意状态开 始,并最终收敛于期望轨迹对应的真实初始状态X, (0)。 本文考虑 个智能体和一个虚拟领导者,其中 个 智能体之间的关系可以采用一个无向带权图G= ,£A) 来表示,如文献[221。图G的 个节点o=枷 ,D --,。 } 表示n个智能体,( ,J)E s D×D为图的边,i和,的联 系用带权邻接矩阵 表示,其对角线元素d..=0,若i和 之间有联系,则口 =aj >0且‘,∈ ,Ⅳj={ }为节点i 的邻居节点集合。图G的Laplacian矩阵定义为: L=D——A 其中,O=diag[d ,d:,…,dn],d =∑ 。当加入虚拟领 J∈N 导者时,n个智能体(图G表示)和虚拟领导者组成图 。智能体i与虚拟G,S.=0领导者之间的联系用S,表 示,表示智能体i与虚拟领导者没有联系,S,>0表示智 能体i与虚拟领导者有联系。 定义1如果图中任意两个节点之间都存在一条路 径,则图为连通子图,如图1(a)所示。 定义2 n个智能体由图G表示,且图G由P(P≥1) 个连通子图组成。在图中加入虚拟领导者,形成新的图 。如果图G的每个连通子图中至少有一个节点与虚 拟领导者有联系,则称图 为连通图,如图1(b)所示。 (a)连通子图 (b)连通图 图1连通子图和连通图 伍巧凤,刘 山:初始误差修正的多智能体一致性迭代学习控制 备注1智能体只能从虚拟领导者和邻居智能体那 得到信息,即使它们之间存在联系,虚拟领导者也不能 Xm+1(0)= (0)一 曰(0)缈{∑aje址(o)一ej,k(0)]+ (0))(10) ,ENi 得到智能体的信息。 备注2智能体间和智能体与领导者之间传递的信 息为智能体的输出轨迹或者期望参考轨迹,它们相互之 由(9)和(10)可得(5)和(6)紧凑形式: U +1(f)=Uk( )一 间不能得到彼此的状态信息。 3迭代学习控制方法 定义误差: e ( =.', (f)一Y,(f) (3) . , eij(f)=J,f( )一 , O),J∈Ⅳf (4) ,k, 其中,P (f)和eij,k(f)表示第k次迭代时第i个智能体 分别与虚拟领导者和其邻居之间的误差。 为了解决一致性目标(2),提出如下PD型ILC控制 算法和初始状态学习算法: , +1 )= , ( )一≯f∑口 P , ( )+siei,k )7一 U 『∑ 垂 , (f)+ , ]1 (5) U j Xi,k+1(0)= , (0)一 (0)妒I∑ , (0)+siei,k(0)l(6) 其中, ∈R , ∈R 一 为增益矩阵,Ⅳ 为智能体i的 邻居智能体的集合,B(O)为输入矩阵B(t)在零时刻的值。 为了第4章收敛分析的方便,做如下转换。 首先,将n个智能体系统动力学方程(1)写成如下 紧凑形式: f xk(f)=( (f)) (t)-}-(In O ( ))“ (f)+ (f)  Iyk(t)=( c(f)) ( )+ (f) 其中,Xk )=[ (f) XT (f),… XT (f)] ∈R ,Uk( )=[ (f), ( ),---, j )Ir∈ , ( =[ ), T. ( ),…, T, )r Rnm 2, 膏(f)=[ (f), 2T ( ,…,’.,T ,七(f)r∈R ,',七(f)=[', 膏(f), l, (f),…,1,  .. ( )] , g ̄Kronecker。 其次,为了得到收敛条件将控制算法(5)和初始状 态学习算法(6),做如下变换: eij,k(,)=J, (f)一 ( )=(J,啦(f)一 0))一 , (yj. (f)一Y,( ))=eik(f卜ej(f) (8) ,. 由此(5)和(6)可变换如下: Ⅳ f):Ui, + (,ko)一 l∑口 P , o)+ , (f)l— U J J∑ , (f)+ e。l,k( l= U J )一 {∑a ̄j[eⅢ(,)一 , ∽]+ , (f) 妒∑ O)一 , ( )J_+ Ⅲ( )} (9) ,∈N [( + ) 】P O)一[(三+ ) 】 (,) (11) +1(0)= (0)一( + ) ( (0) )e (0) (12) 其中,ek(f)=[P ,P2T …,F T】 ∈R ,S=diag[s1, 2,…,Sn]。 4收敛分析 为了分析迭代学习控制算法的收敛性,引入如下范 数定义和假设。 定义3已知向量函数JIl(f),其 范数定义为: IIh( [Ih(t)ll}, >0 其中, f可以是任何通用向量范数。 由定义3,可知 范数与定义3中采用的通用向量 范数 l之间存在如下关系: ) ) h) 在此给出时变矩阵O0范数的定义。 定义4已知矩阵实函数n(t),其O0范数定义为: 『IⅣ = IlH(t)l[ 其中,IJ.Il是定义2中所采用通用向量范数的诱导范数。 假设1对于Vt e[o, ],系统干扰 ( )和 (f) 有界,即: 川一Wi≤ , …一 ≤ ,,k , 假设2 B(t)可微,且B(O)≠0。 由此进行收敛分析,由误差方程(3)可以得到: e +l(f)= +I(f)一1 ( ( = ( c ))x +l )+V +1 )一1 Y ( )= ( c(f)) (f,O)xt+ (0)+( c(f))× J ,f)[( Q B(r))u…(r)+Wk+l(f) }+ ',…(f)~1 Y,( ) (13) 其中, (f,0)为系统(7)的状态转移矩阵,则式(12)代入 式(13)可得: e…(f)=(I C( )) (f,0)× [ (0)一(上+ ) ( (0) (0)] Ix (0)一( + ) ( (0) ) (0)]+( c ))× J0 o(t,r)[ B(0u…(r)+W…(r) + ',…(f)一1 Y,( )=( c(f) ( ,O)x (0)一 ( c( )) (f,0)[( + ) ( (0) )】P (0)+ ( c(f))x Jn ( ,f)[( (f))“…(r)+w…(r) + …(≠)一1 Y,(0 (14) Computer Engineering andApplications计算机工程与应用 因为: 证明为了简撇g = s up,定义符号:g [。,],su pf∈『ek( )= ( )一1 Y,(f)= ]IIj c(f)ll' , ( (J c(f)) (f)+', )一1 J', )= c( ){ (f,O)x (0)+ [。,】,pIII吐’( ,0)11,q ̄= su I ’(0,f)11,q ̄,= su pl  (lf)11, ]ql= sup, + ) ( (r) 。 Io ̄(t, )[( ', O)一1 (f))lf (r)+ (f)]dr)+ (15) 对等式(19)两边取范数: Y ) flek+1(f)ll≤lI 一[( + ) (c(f) (f)妒)]IlI (lf)ll+ 式(14)减去式(15)得: e…(f)一ek(f)=-(I cO) ( ,0)× qcg J g g,II (r)lidr+g J tg IIe (r)lid + qcq q l +l ( )一 )lid + [( + )( ( (0) )】8 (0)+(L c(f))× J。 (f,r)( ( )) + (f)一 (r)]出+ ( C(t))IoqJ(t,O[w +1(r)一w (r)】dr+ l,…(f)一Vk(f) (16) 式(11)代入式(16)得: P +l(f)一P ( =一(J c( ) ,0)× [(三+ ) (曰(0) )]P (0)一( ( ))× jo ( , )[( + ) ( (r)妒) (f)出+ ( c(f))J0 (f,O[w…(r)一 ( ) + ',…(f)一Vk(f) (17) 令 ( ): 之 Q j。 o, )[(三+ ) ( (r) )]垂 (r)dr= [(上+ ) ( (f) )】P (f)一 ,0)[(三+ ) ( (0) )]P (0)一JO ( )P (r)dr (1 8) 式(18)代入式(17)可得: e +lO)={I-[(三+S) (C(f) )缈)]}P (f)一 (j c(f)) (f,0)j。 (0,r)[(£+ ) ( (r) )]P (f)dr+(In c ))× (f ek( )dH( c(f))× o,o)j。 (0,r)[w +l(f)一¨, (r)]dr+ l,…(f)一 ( ) (19) 由以上分析和转换,可得系统收敛的条件,见下面 引理1和定理1。 引理1若图 为连通图,则与图 关联的对称矩 阵M=L+ 为正定矩阵。其中三为图G的Laplacian 矩阵, =diag[s1, 2,…, ]。 证明见文献[22]。 定理1考虑多智能体系统(1)和参考轨迹Yr(t),应 用PD型ILC控制算法(5)和初始状态学习算法(6),如 果存在增益矩阵 R ~ 使得 IIJ一[(三+ ) (c(f) )妒)]ll~<1 (20) 则Y,(f)渐近收敛于J,,(f),也就 j=} 着式(2)的—致目标可得。 + (f)一 (f)Il 两边同时乘以P ( >0) e一 IIe + (f)Il≤lIj一[(£+ ) (c(f) Q) )]IIe一“lI ( )lI+ qcg g g,e- ̄tl lek(r)li dr+ qcq e 2tIIek(r) + qcq q J。 Ilwk+ (r)一 )lid + P mIll, + (f)一',七(f)l l应用定义1: llek+ ̄lIj≤JI,一[ +S) ̄(C(t)B(t) ̄P)llllek『l】+ qc g g g,g『 Jo e ‘一”IIP IIlf d r+ g。g J 一 IIekI dr+ qcg g Ioe ̄(z-O[[W + ( )一 (r)11 d + l V…(f)一 (t)l l≤ ll j一【 + ) (c(f) (f) )】l¨I ek (g。q q q,llekl J+g。q llekl l+ qcg q q ) _=二 +q 令。( ): 则: /L llek+l I 1一[ + ) (C(f) (f)妒)划 ek + (g。q q q『l】ek g q l lek l『j+ qcq q q )0( 一 )+g 令 =11i~[(上+ ) (c(f) (}) )]l +(g q q q +g q ) , p=q q q q /2+q ,因为D( 一 )≤ 1则: ^ 1 ek+1 I1ekIl】+ (21) I ≤a (22) 当 取得足够大,以及可得的收敛条件 I 一[ + ) (c(f) (f) )]』l一<1,则式(22)为: 2 ≤ 当系统干扰为0或者随着迭代次数k的增大q 0, 则P ) o,并且智能体系统初始状态X (0)--fX (0)。 伍巧凤,刘 山:初始误差修正的多智能体一致性迭代学习控制 定理1得证。 备注3由引理1,当无向图 为连通图时矩阵 + )为正定矩阵,则矩阵一 + )为Hurwitz稳定矩 。 阵,因此可以找到一个增益矩阵妒,使得条件(20)成立。 5仿真 一图2智能体与领导者关系连通图 个包含4个智能体和1个虚拟领导者的多智能体 期望参考轨迹如式(24),期望轨迹对应4个智能体 的初始状态: J, ) (24) 系统,如图2所示。第i个智能体的动力学方程为如式 (23)和(24): ( )= ( ∽爿。 ∽+ 力 r, l , c’ ) , (f)+l, , ),i 1,2,…,  、式中r为随机数。 首先,选取迭代学习增益矩阵 和妒满足定理1收 其中, c =厂_2 一 _12 ,曰c = ,cc = 0], 敛条件即式(20),由此可得系统PD型迭代学习律(5)和 l’o)=0・05 l 2c c。o s‘ (1。0 Irtt) I ,w(t)=0.05rl2sa isnt.iJ n(k1x(0u1。0n ̄尢t )  1l。 o)=。.。5r初始状态学习律(6),应用式(5)和式(6)于上述系统,可 得智能体跟踪状态图3。 (a)迭代次数10 (b)迭代次数60 (c)迭代次数150 图3智能体跟踪图 34 2014,50(1) ComputerEngineeringandApplications计算机工程与应用 一 一 O O 0 2 O 2 4 迭代次数 图4误差图 0.6 柏 0.4 萋。一2 0 —0 2 迭代次数 —0.6 迭代次数 图5各智能体初始状态学习图 由图3可知,随着迭代次数的增加,4个多智能体在 [2]Lian Zhaotong,Deshmukh A.Performance prediction of an 时间问隙[0,40]内完全跟踪上参考轨迹。图4为 个智 能体误差范数收敛图,由图可知,大概在迭代100次的时 候系统的误差范数就基本趋于0。由图5可知,跟随者 智能体初始状态也渐近收敛于参考轨迹对应的初始状 态。这意味着,多智能体系统利用上述PD型迭代学习 控制律和初始状态学习律能实现有限时间内的完全跟 蹿仵鐾 unmanned airbom vehicle multi—agent system[J].European Journal of Operational Research,2006,172(2):680—695. [3]Khoo S Y,Xie Lihua,Man Zhihong.Robust fnite—time consensus tracking algorithm for multirobot systems[J]. IEEE/ASME Transactions on Mechatronics,2009,14(2): ・ 【4]Vicsek T,Czirok A,Jacob E B,et a1.Novel type of phase transitions in a system of self-driven particles[J].Phys 6结论 Rev Lett,1955,75(6):1226—1299. 由于分布式多智能体系统的各智能体只能获得与 它有联系的邻居智能体的信息,且仅有部分智能体能够 获得期望参考轨迹的信息,本文提出了一种实现多智能 体系统有限时间内的一致性跟踪的分布式迭代学习控 制算法。该算法无需知道期望参考轨迹所对应的初始 状态,利用PD型控制输入和初始状态修正的迭代学习 [5]Jadbabaie A,Lin Jie,Morse A S.Coordination of groups of mobil autonomous agents using nearest neighbor rules[J]. IEEE Transactions on Automatic Control,2003,48(6): 988.1O01. [6]Ol ̄ti—Saber R,Fax J A,Murray R M.Consensus and coop— eration in networked multi—agent systems[J].Proceedings of the IEEE,2007,95f! :21 5 233. 律来实现多智能体的跟踪任务,最后的跟踪误差有界且 仅仅依赖于系统干扰。 [7]Ren Wei,Beard R W,Atkins E M.A survey of consensus problems in multi—agent coordination【C]//Proceedings of the American Contro1 Conference,8一l 0 June,2005,3: 参考文献: 【1】Yang Guang,Yang Qingsong,Kapila V,et a1.Fuel optimal manoeuvres for multiple spacecraft formation reconfigura— 1859一l864. [8】Olfati—Saber R,Murray R M.Consensus problems in networks of agents with switching topology and time—delays[J].IEEE Transactions on Automatic Control,2004,49(9):1520—1533. tion using multi—agent optimization[J].Intenartional Journal of Robust and Nonlinear Contro1,2002,12(2/3):243.283. [9]Shi Hong,Wang Long,Chu Tianguang.Virtual leader 伍巧凤,刘 山:初始误差修正的多智能体一致性迭代学习控制 2014,50(1) 35 approach to coordinated control of multiple mobile agents decentralized finite time formation tracking[J].Systems with asymmetric interactions[J].Nonlinear Phenomena: and Control Letters,2O10,59(9):522.529. Physica D,2006,213(1):51—65. [1 6]Ahn H S,Chen Yangquan.Iterative learning control for [1 0]Ren Wei.Multi—vehicle consensus with a time—varying ref- multi・-agent formation[CJ//Proceedings of the ICROS・-SICE erence state[J].Systems&Control Letters,2007,56(7/8): Interational Joint Conference,2009. 474—483. [1 7]Yang Liu,Jia Yingmin.An iterative learning approach to [1 1]Hu Jiangping,Hong Yiguang.Leader-following coordination formation control of multi・agent systems[J].Systems& of multi—agent systems with coupling time delays[J].Sta— Control Letters,2012,61(1):148一I54. tistical Mechanics and its Applications:Physica A,2007, [1 8]Meng Deyuan,Jia Yingmin,Du Junping,et a1.Tracking con- 374(2):853.863. trol over a finite interval for multi—agent systems with [1 2]Khoo S,Xie L,Man Z.Robust ifnite—time consensus tracking a time—varying reference trajectory[J].Systems&Control algorithm for multirobot systems[J].IEEE/ASME Trans— Letters,2012,61(7):807—818. actions on Mechatronics,2009,14(2):219—228. 【l 9]任雪梅,高为炳.任意初始状态下的学习控制[J】.自动化学 [1 3】Wang Long,Xiao Feng.Finite—time consensus problems for 报,1994,20:74.79. networks of dynamic agents[J].IEEE Transactions on [20]黄宝健,孙明轩,张学智.带有初始误差修正的迭代学习 Automatic Control,2010,55(4):950—955. 控制[J].自动化学报,1999,25(5):716—718. [14]Wang Xiaoli,HONG Yiguang.Distributed finite-time [2 1】Chen Yangquan,Wen Changyun,Gong Zhiming.An iter— Z-consensus algorithms for multi--agent systems with vari・- ative learning controller with initial state learning[J].IEEE able coupling topology[J].Journal of Systems Science Transactions on Automatic Control,1999,44(2):371 376. and Complexity,2010,23(2):209-218. [22】Hong Yiguang,Hu Jiangping,Gao Linxin.Tracking control [15]Cao Yongcan,Ren Wei,Meng Ziyang.Decentralized finite- for multi--agent consensus with an active leader and vari-- time sliding mode estimators and their applications in able topology[J].Automatica,2006,42(7):1177-1182. (上接23页) edge[J].Advances in Information Science and Service Sci— ence,2013,5(9):262—269. 5结束语 [6]Nourine L,Raynaud O.A fast algorithm for building lat- 在实际应用中,某些对象的消失是一种极为常见的 irces[J].Information Processing Letters,1999,71(1):199—204. 情形。概念格是对客观事物的抽象描述,研究概念格以 f7]Godin R,Missaoui R.Alaoui H.Incremental concept for— 及关联规则的更新具有十分重要的应用价值。本文研 mairon algorithms based on Galois(concept)lattices[J].Com— 究了删除对象时概念格的渐减维护与关联规则更新。 putational Intelligence,1995,11(2):246—267. 今后,还需要研究各种概念格扩展模型上的概念格渐减 [8]Stumme G,Taouil R,Bastide Y,et a1.Fast computation of 维护和关联规则更新问题。 concept lattices using data mining techniques[C]//Proceedings of the 7th International Workshop on Knowledge Repre— sentation Meets Databases.Berlin:Technical University of 参考文献: Aachen,2000:129—139. [1]Ganter B,Wille R.Formal concept analysis:mathematical [9]谢志鹏,刘宗田.概念格的快速渐进式构造算法[J].计算机 foundation[M].New York:Springer—Verlag,1999. 学报,2002,25(5):490.496. [2]Aversano L,Bruno M,Canfora G,et a1.Using Concept 【10]张磊,张宏莉,殷丽华,等.概念格的屙『生渐减原理与算法研 lattices to support service selection[J].International Journal 究[J].计算机研究与发展,2013,50(2):248—259. of Web Services Research,2006,3(4):32—51. [1 1]智慧来,智东杰.关系粒度的概念格增量维护与关联规则 [3]Nguyen T T,Hui S C,Chang K.A lattice—based approach 更新[J].计算机科学,2013,40(4):256—258. for mathematical search using formal concept analysis[J]. [12]谢志鹏,刘宗田.概念格与关联规则发现[J】.计算机研究与 Expert Systems with Applications,2012,39(5):5820-5828. 发展,2000,37(12):1415-1421. [4]Kang Xiangping,Li Deya,Wang Luge.Research on domain [1 3]Pasquier N.Closed set based discovery of small covers ontology in different granulations based on concept lattice[J]. for association rules[C]//Proceedings of the Conference Oil Knowledge—Based Systems,2012,27(5):152・161. Joum6es Bases de Donn6es Avanc6es(BDA),1999:361—381. [5】Zhi Huilai,Huo Zhanqiang,Mao Jun.Human resources anal— 【14]智东杰,智慧来,刘宗田.概念格的内涵缩减研究[J]计算机 ysis based on concept lattice from the perspective of knowl— 工程与应用,2009,45(1):42—44. 

因篇幅问题不能全部显示,请点此查看更多更全内容

Copyright © 2019- esig.cn 版权所有 湘ICP备2023023988号-3

违法及侵权请联系:TEL:199 1889 7713 E-MAIL:2724546146@qq.com

本站由北京市万商天勤律师事务所王兴未律师提供法律服务