近年来,随着分布式网络及多智能体系统的迅速发展,合作协调控制成为控制领域研究的一个热点。一致性问题作为多智能体之间合作协调的基础,受到来自各个领域研究者越来越多的关注。在多智能体系统中,“一致性”是指智能体就某些状态量趋于相同,而一致性算法是指多个智能体基于局部信息采取的使得个体状态趋于一致的协议。本论文重点分析了带时滞的一致性算法和基于一致性的分布式滤波问题,并研究了复杂网络中的一致性问题。本论文的主要内容和研究成果总结如下:1.带时滞一致性算法研究。本论文应用频域方法分析了带时滞不对称二阶一致性算法,将时滞系统转化为反馈连接的一个时不变系统和一个有界时滞算子。通过理论分析得到了时变及固定时滞系统趋于一致的时滞上界条件,并证明了当网络包含有向生成树,系统增益满足一定条件,时滞有界时,系统最终能趋于一致。对于时滞固定情形,进一步得到了与时滞无关的系统收敛条件。最后,将二阶带时滞系统的分析结论推广到高阶系统中。2.一致性估计问题。传感器网络的滤波在过去的研究中往往采用分散式控制方法,即网络需要全连通,这样需要花费很大的通讯量,消耗能量大。通过研究传感器网络的分布式滤波估计问题,期望设计最优控制规则降低系统消耗能量的同时达到最优估计。基于经典的LQG控制,提出了基于一致性的分布式滤波算法,并进一步设计当只有部分传感器可测量被估计对象时的分布式滤波算法。通过理论分析得到了系统估计误差协方差矩阵的上界值,且该值与网络的拉普拉斯矩阵及噪声协方差矩阵有关。理论分析表明,如果网络连通,且拉普拉斯矩阵的最大特征值与第二小特征值之比小于某一阈值,那么系统最终误差协方差矩阵始终小于一个有限常数矩阵。数值仿真表明,测量噪声比系统噪声对估计误差的影响大。不同的网络拓扑结构对估计误差具有不同的影响,周期图由于其拉普拉斯矩阵最大特征值与第二小特征值之比过大导致其网络估计误差最大。3.一致性滤波算法在复杂网络中的研究。本论文将一致性滤波器应用到复杂网络中,发现当网络从规则网络演变成小世界网络最后至完全网络的过程中,只要网络重连概率有小部分提高,则一致性滤波算法收敛速度会得到很大提高。数值仿真表明,算法的收敛速度受系统噪声影响很小,且拉普拉斯矩阵的第二小特征值可表征系统的收敛速度。4.异质网络中的一致性算法研究。以往的研究都考虑均质智能体,而在现实生活中,往往智能体之间存在很大的差异。本论文基于经典的Vicsek模型,提出了更贴近实际生活的异质网络模型。仿真研究表明,异质性有利于网络趋于一致,且异质网络中只要那些起领导作用的智能体能够达到一致,则整个网络就能趋于一致。另外,在异质网络中加入两种(随机与特定)牵制控制期望网络趋于一致到期望值,仿真结果表明网络十分异质时,特定牵制比随机牵制控制的效果要好很多。而网络在比较均匀时,两种牵制控制的效果几乎一样。