随着计算机和通信技术的快速发展,如今的网络系统朝着大规模、复杂化和智能化的方向发展,系统的控制问题引起人们的关注。为解决这类复杂系统问题,多智能体系统(Multi-agent Systems,MAS)的相关理论得到多个领域专家学者的研究,其研究成果广泛应用于机器人系统、无人机编队、无线传感器网络以及军事等领域。一致性问题作为多智能体系统协同控制中的一个基本问题,研究内容是设计合适的算法,使个体在算法控制下某个状态值达到一致。多智能体系统在执行任务时,各个智能体面对环境的变化,必须对任务要求的某个状态达成一致。因此,关于一致性问题的研究具有十分重要的意义。在多智能体系统的一致性控制中,许多工程系统都要求保证一定的收敛速度。因此,如何提高一致性算法的收敛性能显得十分必要。本文以此为研究背景,以图信号处理(Graph Signal Processing,GSP)为工具,重点分析了如何提高一致性算法的收敛速度。(1)针对如何提高多智能体系统达到一致性的收敛速度的问题,提出了一种采用超节点协同的多智能体系统一致性算法。新算法对多智能体系统建立图信号模型,在图中选出超节点进行协同,有效提高一致性收敛速度。首先利用单跳采样算法对图进行超节点的选取和局部集的划分,并对局部集内的节点进行一次协同。然后超节点之间进行边的连接得到粗化图,用粗化图的拉普拉斯矩阵特征值设计图滤波器的系数。最后超节点的信号经过图滤波器迭代达到平均值后,传输给其一阶邻居节点,使所有节点达到平均一致。仿真结果表明所提算法能够最终实现平均一致性,与现有方法相比,可以显著提高收敛速度,并减少计算量。(2)在提高算法收敛速度的同时,也要保证较低的算法复杂度和计算量,为此提出了一种基于子图融合的分布式算法。首先,对多智能体系统建立图信号模型,把问题归结为带辅助约束的分布式优化问题,然后采用基于子图融合优化的分布式方法,对优化问题中所包含的大规模矩阵求逆运算进行近似求解。算法具体包含两个步骤,一是局部求逆,对大矩阵取子图中节点对应位置的值组成小矩阵再进行求逆。二是对相邻子图重叠区域内节点对应的值进行融合求平均。迭代更新优化变量,直至各个智能体的信号达到初始信号的平均值。仿真实验表明该算法能够较快实现一致平均。与现有方法相比,提高了收敛速度,降低了通信代价,且计算复杂度较低。