Near-Optimal Control Strategy in Leader-Follower Networks: A Case Study\n for Linear Quadratic Mean-Field Teams
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this paper, a decentralized stochastic control system consisting of one\nleader and many homogeneous followers is studied. The leader and followers are\ncoupled in both dynamics and cost, where the dynamics are linear and the cost\nfunction is quadratic in the states and actions of the leader and followers.\nThe objective of the leader and followers is to reach consensus while\nminimizing their communication and energy costs. The leader knows its local\nstate and each follower knows its local state and the state of the leader. The\nnumber of required links to implement this decentralized information structure\nis equal to the number of followers, which is the minimum number of links for a\ncommunication graph to be connected. In the special case of leaderless, no link\nis required among followers, i.e., the communication graph is not even\nconnected. We propose a near-optimal control strategy that converges to the\noptimal solution as the number of followers increases. One of the salient\nfeatures of the proposed solution is that it provides a design scheme, where\nthe convergence rate \\edit{as well as} the collective behavior of the followers\ncan be designed by choosing appropriate cost functions. In addition, the\ncomputational complexity of the proposed solution does not depend on the number\nof followers. Furthermore, the proposed strategy can be computed in a\ndistributed manner, where the leader solves one Riccati equation and each\nfollower solves two Riccati equations to calculate their strategies. Two\nnumerical examples are provided to demonstrate the effectiveness of the results\nin the control of multi-agent systems.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle