多智能体系统因其具有高度适应性、良好的鲁棒性以及维护成本低廉等优点成为了科研领域热门的研究课题,并且在现实生活中也较为常见。然而单纯的研究多智能体系统的一致性已经不能满足人们的生活需求,为了节约成本、降低损耗、提高资源的利用率,研究多智能体系统的最优一致控制问题十分紧迫。在本文中研究了三类多智能体系统的最优一致性问题:一、考虑了有限时间非线性多智能体系统与非二次型性能指标问题,设计了分布式DISOPE算法,主要通过模型优化与参数估计方法,用线性系统与二次型性能指标分别对非线性系统与非二次型性能指标进行估计,再结合经典最优控制理论中的极大值原理,可以得到问题最优解的必要条件。随着算法的迭代次数增加,可以得到收敛的控制器为最优控制器,从节点的状态可以跟踪上头节点,跟踪误差几乎收敛到零,并且可以得到有限时间内系统的最优性能指标;二、考虑了无限时间带有完全未知动态的非线性多智能体系统的最优一致控制问题,主要使用了基于ADP方法的PI算法,并设计了两个神经网络分别对系统的未知动态与值函数进行估计,进而通过迭代计算得到最优控制策略。相比于现有文献中对此类问题的处理方法,本章在对值函数进行估计时,放宽了数据采样的要求,不需要对系统状态的导数进行采样,仅对系统状态和控制输入采样计算即可达到期望效果,增强了算法的可实现性;三、考虑了离散时间非线性多智能体系统的最优一致控制问题,使用了基于ADP方法的VI算法,相较于PI算法,VI算法的初始条件更加的宽松,并且使用了局部VI算法,每次迭代计算时只需要对状态空间内的部分数据进行处理,减小了神经网络的计算负担,加快了学习和运算的速度。在本文中所考虑的三个问题的关键之处为非二次型性能指标问题、带有未知动态问题、减小计算负担问题,此三个均是当前研究领域中的热门问题,并且是实际的常见问题,具有重要的实践意义。通过仿真实例可以看出三个方法均有着良好的表现,在使得从节点跟踪上头节点的同时,能够得到最优的控制策略和最优性能指标。