All agents being informed and the virtual leader traveling at a constant velocity are the two critical assumptions seen in the recent literature on flocking in multi-agent systems. Under these assumptions, Olfati-Saber in a recent IEEE Transactions on Automatic Control paper proposed a flocking algorithm which by incorporating a navigational feedback enables a group of agents to track a virtual leader. This paper revisits the problem of multi-agent flocking in the absence of the above two assumptions. We first show that, even when only a fraction of agents are informed, the Olfati-Saber flocking algorithm still enables all the informed agents to move with the desired constant velocity, and an uninformed agent to also move with the same desired velocity if it can be influenced by the informed agents from time to time during the evolution. Numerical simulation demonstrates that a very small group of the informed agents can cause most of the agents to move with the desired velocity and the larger the informed group is the bigger portion of agents will move with the desired velocity. In the situation where the virtual leader travels with a varying velocity, we propose modification to the Olfati-Saber algorithm and show that the resulting algorithm enables the asymptotic tracking of the virtual leader. That is, the position and velocity of the center of mass of all agents will converge exponentially to those of the virtual leader. The convergent rate is also given.

Dramatic advances in the field of complex networks have been witnessed in the past few years. This paper reviews some important results in this direction of rapidly evolving research, with emphasis on the relationship between the dynamics and the topology of complex networks. Basic quantities and typical examples of various complex networks are described; and main network models are introduced, including regular, random, small-world and scale-free models. The robustness of connectivity and the epidemic dynamics in complex networks are also evaluated. To that end, synchronization in various dynamical networks are discussed according to their regular, small-world and scale-free connections.

We investigate second-order consensus of multiple nonlinear dynamical mobile agents with a virtual leader in a dynamic proximity network. We assume that only a small fraction of agents in the group have access to the information about the position and velocity of the virtual leader through, for example, certain pre-designed communication mechanism such as wireless broadcasting or sensing. To avoid fragmentation, we propose a connectivity-preserving second-order consensus algorithm. Under the assumption that the initial network is connected, we introduce local adaptation strategies for both the weights on the velocity navigational feedback and the velocity coupling strengths that enable all agents to synchronize with the virtual leader even when only one agent is informed, without requiring any knowledge of the agent dynamics. We finally provide some convincing simulation results to illustrate the theoretical results.

We investigate how the degree-mixing pattern affects the emergence of cooperation in the networked prisoner's dilemma game. Our study shows that when a network becomes assortative mixing by degree, the large-degree vertices (hubs) tend to interconnect to each other closely, which destroys the sustainability among cooperators and promotes the invasion of defectors, whereas in disassortative networks, the isolation among hubs protects the cooperative hubs in holding onto their initial strategies to avoid extinction.

This paper studies the observer-based leader-following consensus of a linear multiagent system on switching networks, in which the input of each agent is subject to saturation. Based on a low-gain output feedback method, distributed consensus protocols are developed. Under the assumptions that the networks are connected or jointly connected and that each agent is asymptotically null controllable with bounded controls and detectable, semiglobal observer-based leader-following consensus of the multiagent system can be reached on switching networks. A numerical example is presented to illustrate the theoretical results.

In this paper, the event-triggered semiglobal consensus problem is investigated for general linear multi-agent systems subjected to input saturation, by utilizing the algebraic Riccati equation-based low-gain feedback technique. Two scenarios for systems with or without updating delays are considered, and fully distributed event-triggered control schemes are proposed to guarantee the semiglobal consensus of the connected systems, in which each agent is asymptotically null controllable with bounded controls. Strictly positive lower bounds for both the sampling intervals and the updating delays are captured for each agent to eliminate the Zeno behaviors in these two event-triggered processes. Finally, the effectiveness of these event-triggered control schemes are verified by simulations.

Long non-coding RNAs (lncRNAs) are RNA transcripts of more than 200 nucleotides that do not encode canonical proteins. Their biological structure is similar to messenger RNAs (mRNAs). To distinguish between lncRNA and mRNA transcripts quickly and accurately, we upgraded the PLEK alignment-free tool to its next version, PLEKv2, and constructed models tailored for both animals and plants. PLEKv2 can achieve 98.7% prediction accuracy for human datasets. Compared with classical tools and deep learning-based models, this is 8.1%, 3.7%, 16.6%, 1.4%, 4.9%, and 48.9% higher than CPC2, CNCI, Wen et al.'s CNN, LncADeep, PLEK, and NcResNet, respectively. The accuracy of PLEKv2 was > 90% for cross-species prediction. PLEKv2 is more effective and robust than CPC2, CNCI, LncADeep, PLEK, and NcResNet for primate datasets (including chimpanzees, macaques, and gorillas). Moreover, PLEKv2 is not only suitable for non-human primates that are closely related to humans, but can also predict the coding ability of RNA sequences in plants such as Arabidopsis. The experimental results illustrate that the model constructed by PLEKv2 can distinguish lncRNAs and mRNAs better than PLEK. The PLEKv2 software is freely available at https://sourceforge.net/projects/plek2/ .