In this paper, the consensus tracking problem is investigated for a class of continuous switched stochastic nonlinear multiagent systems with an event-triggered control strategy. For continuous stochastic multiagent systems via event-triggered protocols, it is rather difficult to avoid the Zeno behavior by the existing methods. Thus, we propose a new protocol design framework for the underlying systems. It is proven that follower agents can almost surely track the given leader signal with bounded errors and no agent exhibits the Zeno behavior by the given control scheme. Finally, two numerical examples are given to illustrate the effectiveness and advantages of the new design techniques.

In this brief, the practical finite-time consensus (FTC) problem is investigated for the second-order heterogeneous switched nonlinear multi-agent systems (MASs), where the subsystems and the switching signal for each agent are different. Mainly due to that agents' dynamics are switched and the unknown nonlinearities in the systems are more general, the practical FTC problem of the MASs is rather difficult to be solved by existing methods. As such, a new protocol design framework for the FTC problem is developed. Then, a novel adaptive protocol is proposed for the switched nonlinear MASs based on the developed design framework and the neural network method. The sufficient conditions for the practical FTC of nonlinear MASs under arbitrary switching are given. Finally, a numerical example is presented to demonstrate the effectiveness of the proposed control scheme.

This paper considers the problem of sampled-data adaptive output feedback fuzzy stabilization for switched uncertain nonlinear systems associated with asynchronous switching. A state observer is designed to estimate the unmeasured states and fuzzy logic systems are employed to deal with the unknown nonlinear terms. Sampled-data controller and novel switched adaptive laws are constructed based on the recursive design method and an average dwell time constraint is given to ensure that the closed-loop system is stable. The proposed scheme is employed in a mass-spring-damper system to demonstrate its effectiveness.

The adaptive fuzzy finite-time tracking control problem of a class of switched nonlinear systems is investigated in this study. Fuzzy logic systems are introduced to handle the unknown nonlinear terms in the considered system. To overcome the drawback in the recursive design method, a finite-time command filter is employed. By constructing a new state-dependent switching law and adaptive fuzzy control signal, the existing restrictions on subsystems of switched systems are relaxed, all subsystems of the considered system are allowed to be unstabilizable. To avoid the Zeno behavior, a new hysteresis switching law is derived. It is proven that all states of the closed-loop system are bounded in finite time under the proposed fuzzy finite-time control scheme. Additionally, the proposed control method is extended to a class of more general switched large-scale nonlinear systems. Finally, two examples are provided to verify the developed method's effectiveness.

This paper proposes a learning-based hyper-heuristic algorithm for the coverage path planning problem of multiple unmanned surface vehicles (USV). The makespan and coverage of the USVs are considered simultaneously. The proposed method does not need to specify the location of the mapping task points in advance; instead, the task allocation and path planning can be realized only based on the parameter information of the USV and the watershed. Considering the uncertainty in the actual mapping process, the triangular fuzzy numbers are used to represent the mapping time and mapping radius of USVs. In order to solve the multi-USV scheduling problem efficiently, this paper proposes an NSGA-II based on dueling double deep Q-network called NSGA-II-DQN. NSGA-II-DQN integrates ten effective global search operators and five local search operators, which can achieve a good balance between exploration and exploitation. Experiment results in various scenarios demonstrate that NSGA-II-DQN can efficiently search for travel paths covering the entire water area for multiple USVs in a short planning time.

In this paper, we investigate the asymptotic tracking control for a class of strict-feedback nonlinear systems with unknown nonlinear functions and output constraint. The nonlinear transformation function-based system transformation approach is employed to convert the initial constrained system into an unconstrained one. To achieve the objective of asymptotic tracking, the tracking error is scaled by an exponential proportional function. Furthermore, to address the challenge of repetitive derivation of virtual control laws that occurs in the traditional design process of high-order backstepping methods, a first-order filter is applied. The designed control scheme guarantees that the system output will asymptotically track a predefined reference tracking trajectory while ensuring that the output constraint is not violated. Moreover, it is shown that the filter error will converge asymptotically to the origin. The effectiveness of the developed control strategy is verified through simulation results.

This study is focused on analyzing the L1-stochastic internal stability and the design of an L1-gain controller for two-dimensional (2D) continuous positive Markov jumping systems (PMJSs) with constraints on the inputs and states. An algorithm is developed to explicitly determine the state feedback control law with the optional L1-gain performance. First, by constructing a co-positive stochastic Lyapunov function for the positive system and establishing the equation for the Markov states' mathematical expectation, several sufficient and necessary conditions for L1-stochastic internal stability are derived. This analysis indicates that 2D PMJSs with directional delays are influenced by sizes of the system matrices and magnitude of delays, and transition matrix. Second, a method for calculating the L1-gain is formulated utilizing linear programming (LP), thus, an L1-gain controller is designed to guarantee that the closed-loop system is positive and L1-stochastically internally stable, while achieving optimal L1-gain performance. Two numerical and practical examples are considered, and the influence of delays and transition probability matrices on the L1-gain is specified to validate the proceeding theoretical findings.

This article addresses the data-based optimal switching and control codesign for discrete-time nonlinear switched systems via a two-stage approximate dynamic programming (ADP) algorithm. Through offline policy improvement and policy evaluation, the proposed algorithm iteratively determines the optimal hybrid control policy using system input/output data. Moreover, a strict proof of the convergence is given for the two-stage ADP algorithm. Admissibility, an essential property of the hybrid control policy must be ensured for practical application. To this end, the properties of the hybrid control policies are analyzed and an admissibility criterion is obtained. To realize the proposed Q -learning algorithm, an actor-critic neural network (NN) structure that employs multiple NNs to approximate the Q -functions and control policies for different subsystems is adopted. By applying the proposed admissibility criterion, the obtained hybrid control policy is guaranteed to be admissible. Finally, two numerical simulations verify the effectiveness of the proposed algorithm.