Liquid-Graph Time-Constant Network for Multi-Agent Systems Control

本文提出了一种连续图神经网络模型——液态图时间常数（LGTC）网络，用于基于最近的液态时间常数（LTC）网络控制多智能体系统。我们利用收缩分析分析了其稳定性，并提出了一个闭式模型，该模型保持模型收缩率，不需要在每次迭代中解ODE。与像图门控神经网络（GGNN）这样的离散模型相比，所提出的模型具有更高的表达能力，保证了显著的性能，同时减少了GNN通常需要的大量通信变量。我们在分布式多智能体控制案例研究（集群）中评估了我们的模型，考虑了可变通信范围和非瞬时通信下的可扩展性。

本文提出了Liquid-Graph Time-constant (LGTC)网络，这是一种基于最近的Liquid Time Constant (LTC)网络的连续图神经网络模型，用于控制多智能体系统。本文试图解决的问题是如何在非瞬时通信的情况下，通过降低GNN所需的大量通信变量，提高模型表达能力，实现分布式智能体控制的可扩展性和稳定性。

本文的关键思路是通过构建连续图神经网络模型，利用收缩分析来分析其稳定性，提出一个保持模型收缩率的闭合模型，从而避免了在每次迭代中求解ODE的过程。相比于离散模型，如Graph Gated Neural Networks (GGNNs)，本文提出的模型具有更高的表达能力，同时保证了出色的性能表现。

本文的亮点包括：1. 提出了一种新的连续图神经网络模型，可以在非瞬时通信的情况下实现分布式智能体控制的可扩展性和稳定性；2. 通过收缩分析提出了一个保持模型收缩率的闭合模型，避免了在每次迭代中求解ODE的过程；3. 实验结果表明，相比于离散模型，本文提出的模型具有更高的表达能力，同时性能表现出色。

在这个领域中，最近的相关研究包括：1. Graph Neural Networks for Multi-Agent Systems Control；2. A Continuous-Time Perspective for Multi-Agent Coordination；3. Decentralized Control of Multi-Agent Systems Using Graph Neural Networks。