时至今日,多智能体系统的研究越来越受到各领域学者们的关注,尤其是非线性多智能体系统的研究。学习控制作为一种能通过系统重复运行而实现更高精度跟踪的智能控制方法,已被用来研究非线性多智能体系统的协同问题（一致性和编队问题）,并且取得了突破性的进展,但仍有一些问题值得去探究。本文在学习控制理论框架下,结合自适应控制方法,针对几类可重复运行的非线性多智能体系统,考虑输入饱和、状态约束、未知控制方向和非线性参数化等实际问题,研究其全分布式鲁棒自适应学习控制协议。以下是本文的主要研究成果:1.对于具有输入饱和的一阶非线性多智能体系统,当系统中含有非参数化不确定函数时,在迭代学习控制框架下,结合自适应控制,设计了具有全饱和差分型自适应更新律的时变增益,得到了全分布式鲁棒自适应迭代学习控制协议。尽管从节点动态中含有输入饱和函数,但通过构造含时变加权因子的Lyapunov-Krasvoskii泛函,在区间[0,T]上,证明了一致性误差随迭代次数无限增加一致趋于零,即实现了智能体状态在[0,T]上的带头节点完全一致性。接着,把编队问题转化为一致性问题,基于设计的一致性算法解决了编队问题,且两种情况均能保证闭环系统所有信号的有界性。2.对于具有输入饱和且含有非参数化不确定函数的二阶非线性多智能体系统,定义了分布式滤波误差。采用自适应迭代习控制的方法,设计了具有全饱和差分型自适应更新律的时变增益,得到了全分布式鲁棒自适应迭代学习控制协议。通过重新构造Lyapunov-Krasvoskii泛函,利用Schur补引理,在区间[0,T]上,证明了所有从节点位移和速度的一致性误差随迭代次数无限增加一致趋于零,即实现了智能体位移和速度在[0,T]上的带头节点完全一致性;并将编队问题转化为一致性问题,设计的一致性算法解决了编队问题,使得每个从节点与头节点的位移之间保持期望的距离,速度达到完全一致。3.对于具有位移约束和部分未知控制方向的二阶非线性多智能体系统,其中未知非线性函数连续时变,且系统含有有界外部干扰。首先,定义一些辅助变量,用于全分布式控制协议的设计和一致性的分析;其次,用时变神经网络逼近未知时变连续非线性函数,采用自适应迭代学习控制的方法,设计了具有微分型自适应更新律的时变增益、全饱和差分型和微分型的参数自适应更新律,得到了全分布式鲁棒自适应迭代学习控制协议;最后,通过构造新的障碍Lyapunov-Krasvoskii泛函,选取分段Nussbaum增益函数,再借助类Barbalat引理,证明了所有智能体在区间[0,T]上能够实现位移和速度的完全一致,即得到了位移和速度在[0,T]上的无头节点完全一致性。4.对于一类具有非线性参数化的高阶非线性多智能体系统,其中智能体动态中含有未知时变参数的非线性参数化函数,且头节点具有未知有界输入。首先,用参数分离技术对未知时变参数进行分离,采用自适应迭代学习控制的方法,设计了具有微分型自适应更新律的时变增益、全饱和差分型和微分型的参数自适应更新律,得到了全分布式鲁棒自适应迭代学习控制协议。通过构造适当的LyapunovKrasvoskii泛函,借助类Barbalat引理,在区间[0,T]上,证明了一致性误差向量的分量随迭代次数无限增加一致趋于零,实现了状态向量在[0,T]上的带头节点完全一致性。5.对于一类具有线性参数化的高阶非线性多智能体系统,其中从节点动态中含有未知周期时变参数,且头节点含有未知动态。在重复学习控制框架下,结合自适应控制的方法,设计了具有微分型自适应更新律的时变增益、全饱和差分型和微分型的参数自适应更新律,得到了全分布式鲁棒自适应重复学习控制协议。通过构造合适的Lyapunov-Kravoskii泛函,基于Barbalat引理,证明了一致性误差向量的分量随时间无限增加渐近趋于零,实现了状态向量在[0,+∞)上的带头节点渐近一致性。