This study addresses the intricate challenge of decentralized output-feedback control for stochastic non-triangular nonlinear interconnected systems with unknown time-varying sensor sensitivity in a dynamic event-triggered context. The presence of stochastic disturbances, non-triangular structural uncertainties, and evolving sensor sensitivity distinguishes this problem of global asymptotic stability from conventional event-triggered control scenarios. Existing event-triggered control approaches with static event conditions encounter difficulties in simultaneously ensuring zero tracking/stabilization error and preventing the occurrence of Zeno behavior. In this work, we develop a novel solution to address this complex issue. Firstly, we establish a linear relationship between the state vector of each interconnected subsystem and two error vectors through a unique coordinate transformation. This transformation effectively handles the complexities introduced by non-triangular structural uncertainties. Secondly, we introduce a decentralized dynamic event-triggered output-feedback control strategy, which involves a state observer and a decentralized output-feedback controller. Unlike conventional event-triggered control methods with static event conditions, this strategy formulates a modified clock-based dynamic triggering mechanism by introducing an auxiliary variable that evolves based on predicted plant state values, while utilizing a clock variable to guarantee the existence of a positive lower bound on inter-execution times. Rigorous Lyapunov analysis confirms the global asymptotic stability in probability of the closed-loop system, with the states and the output of each local subsystem converging to the equilibrium at the origin in probability. Additionally, the existence of a minimal dwell-time between triggering instants is guaranteed.

Time-series prediction has drawn considerable attention during the past decades fueled by the emerging advances of deep learning methods. However, most neural network based methods fail in extracting the hidden mechanism of the targeted physical system. To overcome these shortcomings, an interpretable sparse system identification method without any prior knowledge is proposed in this study. This method adopts the Fourier transform to reduces the irrelevant items in the dictionary matrix, instead of indiscriminate usage of polynomial functions in most system identification methods. It shows an visible system representation and greatly reduces computing cost. With the adoption of $l_{1}$ norm in regularizing the parameter matrix, a sparse description of the system model can be achieved. Moreover, three data sets including the water conservancy data, global temperature data and financial data are used to test the performance of the proposed method. Although no prior knowledge was known about the physical background, experimental results show that our method can achieve long-term prediction regardless of the noise and incompleteness in the original data more accurately than the widely-used baseline data-driven methods. This study may provide some insight into time-series prediction investigations, and suggests that a white-box system identification method may extract the easily overlooked yet inherent periodical features and may beat neural-network based black-box methods on long-term prediction tasks.

In recent years, autonomous decision-making has emerged as a critical technology in air-to-air confrontation scenarios, garnering significant attention. This paper presents a novel AI algorithm, the Missile Hit Probability Enhanced Actor-Critic (MHPAC), designed for autonomous decision-making in such confrontations, whose primary objective is to maximize the probability of defeating opponents while minimizing the risk of being shot down. By incorporating a pre-trained Missile Hit Probability (MHP) model into reward shaping and exploration within the framework of Reinforcement Learning (RL), the MHPAC algorithm enhances the learning capabilities of the Actor-Critic (AC) algorithm specifically tailored for air-to-air confrontation scenarios. Furthermore, the MHP model is also integrated into the confrontation strategy to inform missile launch decisions. Using the MHPAC algorithm, the confrontation strategy is achieved via the training strategy of curriculum learning and self-play learning. Results demonstrate that the MHPAC algorithm effectively explores efficient maneuvering strategies for missile launch and defense, overcoming challenges associated with sparse and delayed reward signals. The decision-making capabilities of the integrated maneuvering and missile launch strategy is significantly enhanced by the proposed MHPAC algorithm, with a relative win ratio of over 65% against different strategies. Moreover, the trained strategy only needs 0.039s for real-time decision-making. This research holds considerable promise for achieving air superiority and mission success in complex and dynamic aerial environments.

The adaptive practical prescribed-time (PPT) neural control is studied for multi-input multi-output (MIMO) nonlinear systems with unknown nonlinear functions and unknown input gain matrices. Unlike existing PPT design schemes based on backstepping, this study proposes a novel PPT control framework using the dynamic surface control (DSC) approach. Firstly, a novel nonlinear filter (NLF) with an adaptive parameter estimator and a piece-wise function is constructed to effectively compensate for filter errors and facilitate prescribed-time convergence. Based on this, a unified DSC-based adaptive PPT control algorithm, augmented with a neural networks (NNs) approximator, is developed, where NNs are used to approximate unknown nonlinear system functions. This algorithm not only addresses the inherent computational complexity explosion associated with traditional backstepping methods but also reduces the constraints on filter design parameters compared to the DSC algorithm that relies on linear filters. The simulation showcases the effectiveness and superiority of the devised scheme by employing a two-degree-of-freedom robot manipulator.

This paper investigates the problem of multi-objective time-varying formation control in cyber–physical systems (CPSs) with saturated constraints and malicious agents. By incorporating the concept of multi-agent systems and employing objective weight allocation method, the problem is reformulated as the seeking for the Nash equilibrium solution in a time-varying non-cooperative game. To evaluate the trustworthiness of agent behavior, we propose an adaptive weight learning algorithm based on reinforcement learning. Furthermore, we develop a novel smooth saturation control strategy and a predefined time controller to design a distributed resilient algorithm for CPSs with both known and unknown parameters. Additionally, we apply the designed algorithm to the resilient distributed multi-objective time-varying formation control problem of unmanned aerial vehicles (UAVs) to verify its effectiveness.

This study addresses a fixed-time generalized noncooperative game involving multiple unmanned aerial vehicles (UAVs) that encounter challenges such as discontinuous communication and external disturbances. Each UAV, motivated by selfinterest, seeks to optimize its performance function by adjusting its actions within shared equality and inequality constraints. To facilitate this, a fixed-time generalized Nash equilibrium (GNE) seeking algorithm is proposed for games with shared equality constraints, incorporating an internal dynamic system to ensure compliance with these constraints. By employing penalty methods, an auxiliary performance function is developed to manage games with mixed constraints. Furthermore, an error decomposition method and a fixed-time observer are introduced to address the issues of discontinuous communication and external disturbances. The study establishes sufficient conditions for the convergence of the fixed-time GNE seeking algorithm and provides an explicit upper bound on the settling time based on Lyapunov stability theory. The effectiveness of the proposed algorithms is demonstrated through various simulation examples.