近年来,随着分布式网络系统的广泛应用,对协作控制问题的研究变得更加深入。传统的协作控制问题的研究一般在单层拓扑中讨论,系统中的每个个体虽然采用的分布式算法比较简单,但是整个系统的收敛过程涉及庞大的个体数目,使得系统协作控制的收敛速度受到一定的制约。参考现实工程系统中存在的递阶组织结构,大规模系统在递阶结构下有望更合理、更有效的组织,进而处理更加复杂而庞大的问题;并且在递阶结构下,系统的协作过程得到明显的加快。多智能体分布式一致性问题作为多智能体系统协同控制的基础,对多层递阶结构的研究具有很大的价值。因此,本文以设计拓扑递阶结构为目标,将提高系统一致性收敛速度作为多层拓扑结构的设计指标。从递阶一致性问题出发,考虑拓扑递阶结构的优化目标,从而将多层递阶结构的设计问题转化单层拓扑结构的优化问题,进而将单层拓扑结构的优化问题转化成系统特征值的优化问题。首先,本文提出了基于遍历算法的拓扑递阶设计,采用遍历算法对多智能体拓扑结构的拉普拉斯矩阵进行优化处理,从而得到系统的单层拓扑分解结构,进而将多智能体系统的多层递阶结构设计问题转化成单层拓扑结构的优化问题,即优化系统拉普拉斯矩阵的第二小特征值,通过仿真结果表明该算法是有效的。该算法的精确度较高,但是随着多智能体系统规模的增大,运行过长消耗的时间越多,因此并不适用于大规模系统。考虑到K-means算法聚类速度快的特征,本文另提出了一种基于Improved Laplace And K-means算法(ILAK算法)的拓扑递阶设计算法,并基于递阶结构提出递阶一致性算法来研究多智能体的一致性收敛速度。文中,ILAK算法基于拉普拉斯矩阵和边矩阵的代数关系,利用拉普拉斯矩阵的第一非平凡特征向量中元素的距离和密度分布确定社团数目,然后应用K-means算法进行聚类,进而将系统拓扑结构分解为不同的子图。通过多次利用ILAK算法,将单层拓扑结构转化成多层拓扑结构。在多智能体系统的多层递阶结构的基础上,研究其一致性收敛问题,通过仿真结果表明该算法有效的提高了多智能体系统的一致性收敛速度。通过与遍历算法比较,弥补了时间复杂度高以及不能事先确定社区数目的缺陷。