This article addresses the adaptive event-triggered neural control problem for nonaffine pure-feedback nonlinear multiagent systems with dynamic disturbance, unmodeled dynamics, and dead-zone input. Radial basis function neural networks are applied to approximate the unknown nonlinear function. A dynamic signal is constructed to deal with the design difficulties in the unmodeled dynamics. Moreover, to reduce the communication burden, we propose an event-triggered strategy with a varying threshold. Based on the Lyapunov function method and adaptive neural control approach, a novel event-triggered control protocol is constructed, which realizes that the outputs of all followers converge to a neighborhood of the leader's output and ensures that all signals are bounded in the closed-loop system. An illustrative simulation example is applied to verify the usefulness of the proposed algorithms.

This paper considers the event-triggered tracking control problem of nonlinear multiagent systems with unknown disturbances. The event-triggering mechanism is considered in the controller update, which decreases the amount of communication and reduces the frequency of the controller update in practice. By designing a disturbance observer, the unknown external disturbances are estimated. Moreover, a part of adaptive parameters are only dependent on the number of followers, which weakens the computational burden. It is shown that all the signals are bounded, and the consensus tracking errors are located in a small neighborhood of the origin based on the Lyapunov stability theory and backstepping approach. Finally, the effectiveness of the approach proposed in this paper is proved by simulation results.

This article studies the distributed observer-based event-triggered bipartite tracking control problem for stochastic nonlinear multiagent systems with input saturation. First, different from conventional observers, we construct a novel distributed reduced-order observer to estimate unknown states for the stochastic nonlinear systems. Then, an event-triggered mechanism with relative threshold is introduced to reduce the burden of communication. In addition, the bipartite tracking controller is proposed for stochastic multiagent systems by using fuzzy logic systems and the backstepping approach. Meanwhile, it is proved that the designed method can guarantee that all the signals in the closed-loop systems are bounded in probability, and the distributed consensus tracking errors can converge to a small neighborhood of the origin via the Lyapunov stability theory. Finally, a simulation example is given to prove the effectiveness of the designed scheme.

In this paper, the inverse optimal approach is employed to design distributed consensus protocols that guarantee consensus and global optimality with respect to some quadratic performance indexes for identical linear systems on a directed graph. The inverse optimal theory is developed by introducing the notion of partial stability. As a result, the necessary and sufficient conditions for inverse optimality are proposed. By means of the developed inverse optimal theory, the necessary and sufficient conditions are established for globally optimal cooperative control problems on directed graphs. Basic optimal cooperative design procedures are given based on asymptotic properties of the resulting optimal distributed consensus protocols, and the multiagent systems can reach desired consensus performance (convergence rate and damping rate) asymptotically. Finally, two examples are given to illustrate the effectiveness of the proposed methods.

This paper studies the quantized cooperative control problem for multiagent systems with unknown gains in the prescribed performance. Different from the finite-time control, a speed function is designed to realize that the tracking errors converge to a prescribed compact set in a given finite time for multiagent systems. Meanwhile, we consider the problem of unknown gains and input quantization, which can be addressed by using a lemma and Nussbaum function in cooperative control. Moreover, the fuzzy logic systems are proposed to approximate the nonlinear function defined on a compact set. A distributed controller and adaptive laws are constructed based on the Lyapunov stability theory and backstepping method. Finally, the effectiveness of the proposed approach is illustrated by some numerical simulation results.

In this paper, an adaptive fuzzy output feedback control problem is investigated for a class of stochastic nonlinear systems in which the fuzzy logic systems are adopted to approximate the unknown nonlinear functions. A reduced-order observer and a general fault model are designed to observe the unavailable state variables and describe the actuator faults, respectively. An event-triggered control law is developed to reduce the communication burden from the controller to the actuator. Meanwhile, the barrier Lyapunov functions are constructed to guarantee that all the states of the stochastic nonlinear system are not to violate their constraints. Furthermore, an observer-based adaptive fuzzy event-triggered control strategy is proposed for the full-state-constrained nonlinear system with actuator faults based on backstepping technique, which can guarantee that all the signals in the closed-loop system are bounded and the tracking error converges to a small neighborhood of the origin in a finite time. Finally, simulation results are given to illustrate the effectiveness of the proposed control scheme.

This paper investigates the adaptive tracking control problem for a class of uncertain single-input and single-output strict-feedback nonlinear systems with unknown control direction and disturbances. Dynamic surface control is utilized to handle the problem of “explosion of complexity” occurred in the conventional backstepping design. In order to escape analytic calculation, a first-order filter is used to generate the command signals and their derivatives. Moreover, Nussbaum function is employed to handle the problem of the unknown control coefficient. New controllers and adaptive laws are designed by combining the compensation tracking error and the prediction error that exist between the system state and the serial-parallel estimation model. It is proved that all the variables in the closedloop system are bounded and the tracking error is driven to the origin with a small neighborhood. Finally, the simulation results are presented to verify the effectiveness of the proposed approach.

This paper examines the adaptive event-triggered fault detection problem of semi-Markovian jump systems (S-MJSs) with output quantization. First, we develop an adaptive event-triggered scheme for S-MJSs that is more effective than conventional event-triggered strategy for decreasing network transmission information. Meanwhile, we design a new adaptive law that can dynamically adjust the event-triggered threshold. Second, we consider output signal quantization and transmission delay in the proposed fault detection scheme. Moreover, we establish novel sufficient conditions for the stochastic stability in the proposed fault detection scheme with an H ∞ performance with the help of linear matrix inequalities (LMIs). Finally, we provide simulation results to demonstrate the usefulness of the developed theoretical results.

This paper studies the problem of adaptive eventtriggered dynamic output feedback fuzzy control for nonlinear networked control systems. Two crucial factors, packet dropouts and actuator failure, are taken into consideration simultaneously. Takagi-Sugeno fuzzy model is introduced to describe considered systems. The Bernoulli random distribution process is employed to depict the phenomenon of data missing. The actuator failure model is adopted to depict actuator failure. An innovative adaptive event-triggered strategy is built to save computational resource. In the light of Lyapunov stability theory, a fuzzy dynamic output feedback controller is designed to guarantee the stochastic stability and H ∞ performance for considered systems. Finally, simulation results are provided to demonstrate the usefulness of the proposed control strategy.

This article is concerned with the problem of the containment control with respect to continuous-time semi-Markovian multiagent systems with semi-Markovian switching topologies. Two kinds of classical control schemes, which are dynamic containment control and static containment control schemes, are utilized to address the proposed synthesis problem. Based on the linear matrix inequality (LMI) method, the dynamic containment controller and static containment controller are designed to plunge into the studied semi-Markovian multiagent systems, respectively. Moreover, the random switching topologies with the semi-Markovian process, the partly unknown transition rates, and the generally uncertain transition rates are taken into account, which can be applicable to more practical situations. Finally, the simulation results are provided to illustrate the effectiveness of the proposed theoretical results.