近年来,由于多智能体系统的广泛应用以及协作控制问题的深入研究,一致性问题的研究发展迅速,无论在理论上还是应用上都取得了丰硕的成果。一致性问题是分布式多智能体协作控制中普遍存在的一类问题,所谓“一致性”主要是指多智能体就某些状态量趋于相同,而一致性算法是定义一种智能体之间相互交换信息而使智能体状态达到一致的协议。传统的一致性算法一般都是在单层拓扑结构上讨论的,通过设计边权数或者调整连接边来提高系统的一致性收敛速度,类似的这些方法在很多情况下是受限制的。因此,本文考虑通过将多智能体的单层拓扑分解为多层连接子图来提高多智能体的一致性收敛速度。本文针对多智能体一致性收敛速度问题提出一种基于社区分解的递阶义致性算法,文中将复杂网络中社区结构发现算法应用到多智能体拓扑结构优化分解问题中,首先采用谱平分法对多智能体拓扑结构优化分解,进而将多智能体系统单层一致性问题转化为多层一致性问题,在维持原有拓扑结构约束的情况下提高系统的一致性收敛速度。通过与标准一致性算法的仿真比较,验证了该算法的有效性。其次采用Newman的快速社区发现算法,即NF算法对多智能体系统的拓扑结构优化分解,同样将多智能体系统的单层一致性问题转化为多层一致性问题,通过仿真分析并与标准一致性算法比较,验证了运用NF算法分解得到的多层多智能体系统可以得到更快的收敛速度,然后与基于谱平分方法的递阶一致性算法所运行的结果做了比较,得出结论：这两种算法各有优点,在某种情况下谱平分算法的划分效果优于NF算法,但在另外一些情况下NF算法优于谱平分算法。最后,提出一种新的社区分解方法——MACD算法,并在此算法的基础上利用递阶一致性算法研究多智能体的一致性收敛速度。文中对多智能体系统拓扑图定义其相应的模块化密度函数D,通过利用MACD算法可将其拓扑图分解为不同的子图,进而转化为多层结构。针对多层结构研究了多智能体系统的一致性,通过仿真分析证明该算法有效提高了多智能体一致性收敛速度,并能避免谱平分方法与NF算法存在的一些缺陷。