買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉電子科技大學申請的專利一種拒絕服務攻擊下人在回路多智能體系統的無模型控制方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119717614B 。

龍圖騰網通過國家知識產權局官網在2025-09-26發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411845811.1，技術領域涉及：G05B19/042；該發明授權一種拒絕服務攻擊下人在回路多智能體系統的無模型控制方法是由陳振雷;黃宗盛;李鐵山;龍躍;楊寒卿設計研發完成，并于2024-12-16向國家知識產權局提交的專利申請。

本一種拒絕服務攻擊下人在回路多智能體系統的無模型控制方法在說明書摘要公布了：本發明提供一種拒絕服務攻擊下人在回路多智能體系統的無模型控制方法，屬于多智能體系統控制技術領域。該控制方法基于人在回路技術，引入外部人類專家對系統進行監督以提升系統的安全性和可靠性；同時將智能體通信之間的DoS攻擊建模為時變切換拓撲，并設計完全分布式指定時間領導者輸出觀測器，有效減輕了DoS攻擊跳變給觀測效果帶來的不利影響并實現觀測誤差的指定時間收斂性能；除此之外，還設計了優化性能函數并得出無模型的Q學習算法。該控制方法實現了在DoS攻擊影響下的人在回路多智能體系統的無模型優化控制，同時兼顧了一致性誤差的指定時間收斂性能，有效提升了控制品質。

本發明授權一種拒絕服務攻擊下人在回路多智能體系統的無模型控制方法在權利要求書中公布了：1.一種拒絕服務攻擊下人在回路多智能體系統的無模型控制方法，其特征在于，包括以下步驟： 步驟1：構建非完全自主的多智能體系統的動態模型，包括跟隨者的動態方程和受外部操控的領導者的動態方程； 其中，非完全自主的多智能體系統包括1個領導者和N個跟隨者，則多智能體系統的動態模型具體為， 領導者： 跟隨者： 其中，表示求導，角標i為第i個跟隨者智能體，代表智能體i的系統狀態，寫作xi；代表智能體i的控制輸入，寫作ui；代表智能體i的輸出，寫作yi；代表智能體i的內部動態，代表智能體i的輸出動態，代表智能體i的輸出矩陣；代表領導者的系統狀態，代表外部人類專家給領導者發送的未知且非零的命令信號，代表領導者的輸出且只可被部分跟隨者獲得，代表領導者的內部動態，代表領導者的輸出動態，代表領導者的輸出矩陣；外部人類專家命令信號為未知量； 步驟2：在步驟1構建的系統動態方程的基礎上，考慮智能體之間的通信遭受DoS攻擊，構建切換拓撲模型； 步驟3：根據步驟2中所得切換拓撲模型下，為每個跟隨者設計具有完全分布式指定時間性能的領導者輸出觀測器； 步驟4：根據步驟1中跟隨者的動態方程與步驟3中的領導者輸出觀測器，構造局部輸出誤差，并獲得局部輸出誤差動態系統，即增廣狀態動態模型； 步驟5：根據步驟4中獲得的增廣狀態動態模型，設計最優值函數和哈密頓函數，并在此基礎上得到Q函數； 具體過程為： 根據自適應動態規劃理論，針對步驟4中的增廣系統的動力學模型，設計最優值函數為： 其中，上角標*表示最優，ki為折現因子，ki＞0，Qi和為具有匹配維數的對稱正定矩陣；Xi為增廣狀態； 基于最優值函數，得到對應的哈密頓函數為： 其中代表最優值函數對增廣狀態的偏導數；其中代表p行1列的零向量，代表p行m列的零矩陣，代表n行p列的零矩陣，代表p行p列的單位矩陣； 將最優值函數和哈密頓函數結合，根據強化學習理論，可建立Q函數的表達式為： 在建立的Q函數的基礎上，得出不依賴模型的最優控制器的解析形式為： 步驟6：構建基于神經網絡的單評價網絡模型逼近步驟5中的Q函數，實時采集步驟4中獲得的增廣動態模型的狀態與輸入值構成數據集，依據采集所得數據集，訓練單評價網絡模型的權重，直至收斂； 具體過程為： 設計基于神經網絡的單評價網絡模型逼近步驟5中的Q函數： 其中，為理想權重向量，kci為隱藏層神經元數量，ψXi,ui為可微連續激活函數，σμXi,ui為逼近誤差，μ代表第μ次迭代； 考慮到理想權重向量為未知量且無直接獲取，構造Q函數的逼近值的估計形式為： 其中，為的估計形式； 然后實時采集步驟4中獲得的增廣模型的實時狀態與輸入的值并構成數據集，智能體i的數據集大小為依據最小二乘法，可得到單評價網絡模型的權重的具體形式為： 其中， 步驟7：基于步驟6得到的單評價神經網絡的權重，依據梯度下降法得到最優控制器，基于最優控制器實現對多智能體系統的控制。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人電子科技大學，其通訊地址為：611731 四川省成都市高新區(西區)西源大道2006號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。