多智能体系统由多个能够与环境交互且具有一定信息处理能力的智能体组成,通过将大而复杂的系统建设成小的、彼此互相通信和协调的、易于管理的系统,多智能体系统可以解决单个智能体以及单层系统难以解决的复杂问题,因而在众多领域中具有很广泛的应用,如望远镜阵列、无人机编队、卫星姿态协同等。多智能体系统一致性主要研究任务是在一定的网络拓扑和单智能体系统动力学条件下,设计控制算法使各个智能体的相关状态达到一致,如卫星编队中的姿态一致、无人机编队中的速度及方位一致等。在实际工程中随着多智能体系统规模的扩大,系统中出现故障的概率越来越大。多智能体系统中故障按发生位置可以分为网络拓扑故障、执行器故障、传感器故障及其它部件故障等,执行器发生故障会使实际输出与控制信号之间产生偏差,从而降低系统性能甚至使系统不稳定;另外与传感器、被控对象、网络通信故障等相比,执行器故障采用硬件冗余来提高可靠性的方案难度大成本高,所以合理设计容错控制器具有很高的实用价值。本论文主要研究了多智能体系统发生执行器故障情况下容错控制问题,所采用的技术路线包括自适应滑模控制、神经网络自适应控制、基于故障诊断的容错控制等。论文的主要研究内容包括以下几个方面:1.自适应滑模一致性容错控制。滑模控制理论上有很高的控制精度并且对系统未知时变参数和外界干扰等具有很强的鲁棒性,本文针对二阶非线性多智能体系统首先设计非连续滑模容错一致性算法,但经典滑模控制中当滑模变量到达滑模面后,由于未建模模块、时延等原因,控制器中的符号函数会使实际系统中执行器会产生振荡,从而对系统的正常运行产生不利影响,本文采用了一种连续化的方案对控制器中的符号函数进行了优化。另一方面,当系统非线性参数、干扰及执行器故障程度等未知时,滑模控制的控制增益不容易确定,本文引入了一个自适应算法从而使控制增益即使在系统参数及执行器故障程度未知情况下也可以自适应调整确定;2.神经网络自适应一致性容错控制。神经网络自适应控制对复杂系统动力学、强非线性具有很好的处理能力,本文针对一般非线性多智能体系统和非仿射型非线性多智能体系统分别设计了神经网络自适应容错一致性控制算法。本文对于一般非线性多智能体系统所设计的一致性容错算法包含了一个基于一致性误差的负反馈项和一个自适应神经网络项,其中自适应神经网络项可以补偿智能体系统中的未知非线性动力学;针对非仿射型非线性多智能体系统,所设计的自适应神经网络一致性算法的输入项既包含了系统状态信息也包含了一致性误差信息,所设计的神经网络权重更新律中负反馈项乘以一致性误差的绝对值,其有利于减小一致性最终误差,提高一致精度;3.基于故障诊断的多智能体容错控制。本文针对二阶多智能体系统的一致性问题和包含控制问题研究设计了一种带有故障诊断的容错控制方案,所设计的容错控制器包括一理想控制算法和一故障诊断模块。当系统无故障时,多智能体系统在理想控制算法作用下可以实现目标,当故障发生时,控制器根据故障诊断信息调整参数。研究表明,当故障诊断的误差不超过一定范围,所设计的一致性算法就可以使系统实现目标。