自从Reynolds首次提出经典的群体系统蜂拥模型后，不同领域的学者分别从各自角度探索了自然界的蜂拥现象所产生的原因及其可能的工程应用。近年来，随着复杂动态网络牵制控制研究的发展，将牵制的思想引入蜂拥控制研究已取得了一些非常重要的成果。本文在总结相关研究成果的基础上，重点研究了牵制蜂拥控制多智能体网络的保持连通算法，论文主要工作和研究成果如下：1、针对现有的多智能体网络牵制蜂拥算法中，网络在演化过程中可能出现“分裂”的问题，以代数连通度作为衡量网络连通的指标，提出一种基于局部优化的牵制蜂拥控制算法。该算法将局部优化策略引入牵制蜂拥控制器中，考虑网络中仅有部分智能体(称为信息智能体)具有虚拟领导者的信息，使信息智能体不断朝着其在当前时刻和下一时刻所有邻居的并集所组成网络的代数连通度最大的方向运动，以通过优化局部连通性达到提高整个网络连通性的目的。通过理论分析和仿真实验并与现有牵制蜂拥控制算法相比，进一步证明了本文算法可有效保持多智能体网络在演化过程中的全局连通性，且所有智能体均聚集在虚拟领导者周围更小的范围内，更能体现信息智能体在牵制蜂拥控制网络中的相对重要性。2、进一步以一类功率驱动多智能体为具体研究对象，考虑现有牵制控制策略在兼顾保持网络连通性和降低功率消耗方面存在的不足，提出基于局部估计的功率驱动多智能体网络的牵制蜂拥控制算法。首先利用幂迭代一致估计算法动态估计多智能体网络的代数连通度；其次根据代数连通度的局部估计值及最大功率约束自适应调整个体发射半径，以保持多智能体网络在演化过程中拓扑结构的连通性，并有效降低功率消耗；最后仿真实验验证了控制算法的有效性。3、从研究多智能体网络不同的随机初始化分布对于牵制蜂拥效果的影响入手，考虑网络初始分布由若干个社团块组成即具有明显社团结构的情况，提出一种基于社团划分的多智能体网络牵制蜂拥控制算法。首先基于层次聚类算法将多智能体网络划分成若干个社团，并提出一种节点重要度评估算法，选出每个社团中最重要的节点作为信息智能体。其次提出一种通过保持社团连通性以实现整个多智能体网络在演化过程中始终连通的控制算法，研究证明了该算法通过有针对性地选择牵制节点来提高多智能体网络牵制蜂拥控制效果的有效性。