通过合作与协调,多个智能体往往可以大幅度地提升系统的整体性能。多智能体系统的一致性是指,所有的智能体按照给定的拓扑关系,仅依靠局部信息来实现全局的控制,最终使所有智能体的某些状态趋于一致。针对具有重复运动性质的多智能体系统,为了实现系统的一致性控制,迭代学习控制(Iterative Learning Control)得到了一定的关注。迭代学习控制通过学习先前的系统信息来更新下一次的输入信号,使得系统性能沿着迭代轴而逐步提升。但是,由于系统自身或者外在因素的影响,系统的运行长度可能会与期望长度不同,这便是迭代学习控制中的变长度问题。本文主要研究了复杂情形下多智能体系统的迭代学习控制问题和变长度问题,具体工作如下:1、第三章考虑了带有随机噪声和测量饱和的离散线性多智能体系统。文中分别考虑了系统带有测量噪声和传输噪声的情形,通过引入递减序列来减小随机噪声带来的影响,用随机变量联系起原始数据和测量后数据。通过随机估计的方法证明了系统的收敛性;并将上述结果拓展到了切换拓扑图的情形,最后通过仿真验证了方法的有效性。2、第四章考虑了带有输入扰动和未知输入增益的连续非线性多智能体系统。文中用神经网络估计系统的非线性项,鲁棒控制去抑制系统中的未知输入增益和未知扰动所带来的影响,并设计沿着时间轴和迭代轴变化的参数更新律。最后通过构造适当的复合能量函数证明系统的跟踪误差的收敛性,并用仿真验证了控制律的有效性。3、第五章考虑了具有运行长度随机变化的连续非线性多智能体系统。文中将跟踪误差的补偿机制引入到控制器的设计中,并设计自适应迭代学习控制律和参数自适应更新律。最终证明了系统误差的收敛性,仿真验证了控制律的有效性。批次变长度是迭代学习控制中的重要问题之一。为了更好的讨论多智能体系统中的变长度问题,我们针对单个系统讨论了信息的补偿机制和控制器的设计,具体工作如下:4、第六章研究了在随机变长度下的带有初始状态偏移和未知控制方向的高阶连续非线性系统。文中分别通过神经网络和Nussbaum增益解决系统中的非线性项和未知控制方向。此外,用初始状态校正机制来解决系统中的初始状态偏移问题。最后基于补偿后的跟踪误差,设计复合能量函数证明算法的有效性。5、第七章研究了离散时变线性系统在运行长度随机变化下的迭代学习控制问题。应用二维卡尔曼滤波方法,得到了同时沿着时间轴和迭代轴变化的学习增益矩阵的递归方程,并证明了系统的输入误差在均方意义下收敛到零。进一步考虑了当变长度的概率分布是未知的情形,用估计的方法给出一个次优的控制算法。