近年来,多智能体系统分布式协同控制算法的一致性研究在各个领域有着广泛的应用,如智能机器人控制、交通车辆管制、网络的资源分配等。由于分布式一致性算法要求每个智能体都需要与其邻居节点交换各自的状态信息然后根据当前邻居节点的状态以及自己状态信息更新自己下一个时刻的状态。如果交换的信息中包含需要保护的敏感信息,那么信息交流最终可能会导致智能体的隐私泄露这一问题。为了防止这个问题的出现,目前许多相关的研究人员提出了一些有效的保护隐私的方法:如加密技术、访问控制技术、匿名算法、关联规则隐藏计算等,而差分隐私方法的提出为解决多智能体系统的隐私泄露问题提出了新思路:在对某些需要保护的信息查询结果中加入拉普拉斯噪声后再进行信息发布,使得访问数据的用户无法推断出每个智能体的确切值。基于以上问题本文主要研究了关于多智能体系统的差分隐私保护及一致性收敛分析,主要研究内容及创新点如下:(1)首先研究了基础的多智能体平均一致性算法,提出了达到平均一致需要满足的充要条件以及当算法实现一致时存在的安全问题:当部分智能体的数据信息被公开时会招致的隐私泄露问题的出现。为了解决此类问题,采用差分隐私中的Laplace机制的同时利用希尔伯特空间的性质,引入了一种新的函数化拉普拉斯噪声,通过加入函数化噪声,提出了一种新的差分隐私平均一致性算法,在一致性的整个过程中保护每个智能体的状态隐私。加入的函数化噪声需要逐渐衰减以保证收敛,同时噪声的数学期望需要为0以避免影响最终的一致结果。最终我们确保采用隐私保护后的算法同样最终能够使每个智能体达到平均一致,然后计算出算法的收敛速度,得出结论:收敛速度与邻接矩阵参数选择的有关。接着分析了算法是如何确保实现差分隐私保护的,根据Laplace机制的定义以及差分隐私的组合特性,得到了隐私保护的等级和系统的敏感度。最后,通过两个仿真示例结验证主要结果的正确性,对比不同参数的选择对最终平均一致及隐私保护程度的影响。(2)关于优化一致性算法,本文首先描述了多智能体网络模型的带约束优化问题,基于零梯度和提出了分布式优化一致算法以解决带约束优化问题,令每个智能体对应的最优值为其初始值,然后得到整个算法的最优点与每个智能体的初始值相关,且每个智能体都收敛到这一最优点。接着分析系统中如果智能体部分数据信息发布时此优化算法存在的隐私泄露问题,采用差分隐私框架中的Laplace机制解决此问题,利用函数化的噪声对最终发布的信息进行干扰,进而提出了一个基于零梯度和的多智能体差分隐私优化一致算法模型。在添加干扰后,算法中的梯度和仍然保持为0,这样最终对于系统的优化一致不会产生过大的影响,系统仍然可以实现优化一致。通过构造李雅普诺夫函数分析系统中每个智能体的收敛性,证明此算法最终依然可以满足优化一致,且最优点仍然与初始值相关,同时计算出收敛速率。接着分析函数化噪声的优点,根据函数化噪声的映射性质得出隐私保护等级以及敏感度。最后,通过一个仿真示例分析验证了主要理论结果的正确性。