Diss., Technische Wissenschaften ETH Zürich, Nr. 14865, 2003.

Universiẗat, Diss., 2005--Saarbrücken. / Erscheinungsjahr an der Haupttitelstelle: 2004.

Zugl.: Darmstadt, Techn. University, Diss.

The investigation of interacting multi-agent models is a new field of mathematical research with application to the study of behavior in groups of animals or community of people. One interesting feature of multi-agent systems is collective behavior. From the mathematical point of view, one of the challenging issues considering with these dynamical models is development of control mechanisms that are able to influence the time evolution of these systems. In this thesis, we focus on the study of controllability, stabilization and optimal control problems for multi-agent systems considering three models as follows: The first one is the Hegselmann Krause opinion formation (HK) model. The HK dynamics describes how individuals' opinions are changed by the interaction with others taking place in a bounded domain of confidence. The study of this model focuses on determining feedback controls in order to drive the agents' opinions to reach a desired agreement. The second model is the Heider social balance (HB) model. The HB dynamics explains the evolution of relationships in a social network. One purpose of studying this system is the construction of control function in oder to steer the relationship to reach a friendship state. The third model that we discuss is a flocking model describing collective motion observed in biological systems. The flocking model under consideration includes self-propelling, friction, attraction, repulsion, and alignment features. We investigate a control for steering the flocking system to track a desired trajectory. Common to all these systems is our strategy to add a leader agent that interacts with all other members of the system and includes the control mechanism. Our control through leadership approach is developed using classical theoretical control methods and a model predictive control (MPC) scheme. To apply the former method, for each model the stability of the corresponding linearized system near consensus is investigated. Further, local controllability is examined. However, only in the Hegselmann-Krause opinion formation model, the feedback control is determined in order to steer agents' opinions to globally converge to a desired agreement. The MPC approach is an optimal control strategy based on numerical optimization. To apply the MPC scheme, optimal control problems for each model are formulated where the objective functions are different depending on the desired objective of the problem. The first-oder necessary optimality conditions for each problem are presented. Moreover for the numerical treatment, a sequence of open-loop discrete optimality systems is solved by accurate Runge-Kutta schemes, and in the optimization procedure, a nonlinear conjugate gradient solver is implemented. Finally, numerical experiments are performed to investigate the properties of the multi-agent models and demonstrate the ability of the proposed control strategies to drive multi-agent systems to attain a desired consensus and to track a given trajectory. / Die Untersuchung von interagierende Multiagent-Modellen ist ein neues mathematisches Forschungsfeld, das sich mit dem Gruppenverhalten von Tieren beziehungsweise Sozialverhalten von Menschen. Eine interessante Eigenschaft der Multiagentensysteme ist kollektives Verhalten. Eine der herausfordernden Themen, die sich mit diesen dynamischen Modellen befassen, ist in der mathematischen Sicht eine Entwicklung der Regelungsmechanismen, die die Zeitevolution dieser Systemen beeinflussen können. In der Doktorarbeit fokussieren wir uns hauptsächlich auf die Studie von Problemen der Steuerbarkeit, Stabilität und optimalen Regelung für Multiagentensysteme anhand drei Modellen wie folgt: Das erste ist die Hegselmann- Krause opinion formation Modell. Die HK-Dynamik beschreibt die Änderung der Meinungen von einzelnen Personen aufgrund der Interaktionen mit den Anderen. Die Studie dieses Model fokussiert auf bestimmte Regelungen, um die Meinungen der Agenten zu betreiben, damit eine gewünschte Zustimmung erreicht wird. Das zweite Model ist das Heider social balance (HB) Modell. Die HB-Dynamik beschreibt die Evolution von Beziehungen in einem sozialen Netzwerk. Ein Ziel der Untersuchung dieses Systems ist die Konstruktion der Regelungsfunktion um die Beziehungen zu steuern, damit eine Freundschaft erreicht wird. Das dritte Modell ist ein Schar-Modell, das in biologischen Systemen beobachteten kollektive Bewegung beschreibt. Das Schar-Model unter Berücksichtigung beinhaltet Selbstantrieb, Friktion, Attraktion Repulsion und Anpassungsfähigkeiten. Wir untersuchen einen Regler für die Steuerung des Schar-Systems, um eine gewünschte Trajektorie zu verfolgen. Üblich wie alle dieser Systeme soll laut unsere Strategie ein Hauptagent, der sich mit alle anderen Mitgliedern des Systems interagieren, hinzugefügt werden und das Regelungsmechanismus inkludiert werden. Unserer Regelung anhand dem Vorgehen mit Führungsverhalten ist unter Verwendung von klassischen theoretischen Regelungsmethode und ein Schema der modellpr ädiktiven Regelung entwickelt. Zur Ausführung der genannten Methode wird für jedes Modell die Stabilität der korrespondierenden Linearsystem in der Nähe von Konsensus untersucht. Ferner wird die lokale Regelbarkeit geprüft. Nur in dem Hegselmann-Krause opinion formation Modell. Der Regler wird so bestimmt, dass die Meinungen der Agenten gesteuert werden können. Dadurch konvergiert es global zu eine gewünschten Zustimmung. Die MPC-Vorgehensweise ist eine optimale Regelung Strategie, die auf numerische Optimierung basiert. Zu Verwendung des MPC-Shema werden die optimalen Regelungsproblemen für jedes Modell formuliert, wo sich die objektive Funktionen in Abhängigkeit von den gewünschten objective des Problems unterscheidet. Die erforderliche Optimalitätsbedingungen erster Ordnung für jedes Problem sind präsentiert. Auÿerdem für die numerische Prozess, eine Sequenz von offenen diskreten Optimalitätssystemen ist nach dem expliziten Runge-Kutta Schema gelöst. In dem Optimierungsverfahren ist ein nicht linear konjugierter Gradientlöser umgesetzt. Schlieÿlich sind numerische Experimenten in der Lage, die Eigenschaften der Multiagent-Modellen zu untersuchen und die Fähigkeiten der gezielten Regelstrategie zu beweisen. Die Strategie nutzt zu betreiben Multiagentensysteme, um einen gewünschten Konsensus zu erreichen und eine gegebene Trajektorie zu verfolgen.

Paderborn, Universität, Thesis (doctoral), 2002.

Zugl.: Duisburg, Essen, Univ., Diss., 2006

Würzburg, Universiẗat, Diss., 2007.

Zugl.: Duisburg-Essen, Universiẗat, Diss., 2006.

Univ., Dipl.-Arb., 2009--Kassel.

Univ., Diss., 2009--Würzburg.