迭代学习控制是一类适用于不需要精确建模且有重复运动性质的复杂被控系统的智能控制方法,其能够在有限时间区间上通过不断迭代来修正跟踪误差,最终实现系统的实际输出轨迹对期望轨迹的完全跟踪。多智能体系统是由多个智能体组成的复杂网络化系统,通过智能体之间的协同交互和信息传递共同完成任务,针对具有周期性运动性质的多智能体系统,计算简便且效率更高的迭代学习控制方法被逐步应用进来。广义多智能体系统是比常义多智能体系统更具有一般性的系统,在实际的工程领域、航天领域和交通领域等有着更为广泛的应用。本文重点研究了几类多智能体系统的迭代学习控制问题,对迭代学习控制理论的进一步推广和完善具有重要意义。本文主要研究内容如下:1.探讨了一类具有状态时滞的单边Lipschitz非线性多智能体系统的迭代学习一致性控制问题,提出了一种开环P型分布式迭代学习控制算法,借助于单边Lipschitz条件给出了算法的收敛条件并进行理论分析,用数值仿真验证了该算法的有效性。2.考虑了一类具有状态时滞的异构线性多智能体系统的输出跟踪问题,分别设计开环和闭环PD型分布式迭代学习控制算法,给出了两种方法的收敛条件并进行了严格证明,结合数值仿真图探讨了该系统在开环和闭环算法控制下的收敛速度问题。3.讨论了一类广义线性多智能体系统的状态跟踪问题,基于矩阵奇异值分解理论,提出了一种新型的连续时间域和离散时间域统一的P-P型分布式迭代学习控制算法,该算法针对系统不同的状态分量,由两部分P型算法混合而成,并给出了所提开环算法的收敛性分析,两个数值仿真实例验证了该算法的有效性。且分析了该系统在有界状态扰动下迭代学习控制的鲁棒性问题。另外,将该类系统推广到含状态时滞的广义线性多智能体领域,并提出了一种连续时间域和离散时间域统一的闭环PD型分布式迭代学习控制算法。4.研究了一类单边Lipschitz广义非线性多智能体系统的迭代学习一致性控制问题,采用一种闭环D型分布式迭代学习控制算法,利用单边Lipschitz条件和二次内部有界条件进行了算法的收敛性分析,仿真实例表明了系统在该算法的作用下,实际输出轨迹能够完全跟踪上期望轨迹。5.针对一类具有多个领导者的广义非线性多智能体系统,跟随者和领导者们之间的通信拓扑为固定不变的有向图,基于迭代学习控制方法,在连续时间域和离散时间域上研究了其包容控制问题,理论分析和数值仿真表明该算法保证了在有限时间区间上,跟随者状态与领导者状态所形成的凸包之间的包容误差是有界的,且在没有初始误差的情况下,当迭代次数趋于无穷时,包容误差收敛到零。