一种基于神经网络的一致性学习控制方法

本发明属于智能控制技术领域，具体涉及一种基于神经网络的一致性学习控制方法，包括：S1、构建多智能体一致性输出的线性参数化模型；S2、通过神经网络输出相关的一致性输出来设计损失函数，通过梯度下降法获得沿时间和迭代两个方向的线性化参数更新算法；S3、运用神经网络的输出来设计控制器，构建多智能体系统基于神经网络逼近的一致性学习控制方案。本方案基于时间轴和迭代轴更新参数，无需系统模型及严格矩阵条件，实现全时间段完美跟踪。本发明突破误差作为指标参量的传统认知，通过神经网络直接拟合等效参数，解决复杂系统下投影算法拟合能力不足及非线性逼近误差问题，显著提升系统的收敛速度与一致性控制的适应性。