近年来,随着工业化技术的进步以及分布式控制理论的发展,越来越多的分布式智能化设备被投入到解决全局任务调度和协调的复杂场景中,例如无人机编队,机器人搜救等。这些智能化设备为了协作完成某项特定任务,往往需要构建网络拓扑来进行信息交互,同时遵循特定的分布式控制协议或算法对自身行为进行决策和控制。因此,可以利用多智能体的相关理论对这类分布式智能化系统进行建模,并运用到仿真或实际任务执行环境中。在多智能体系统领域,一致性协议是重点的研究内容。该问题的解决意味着系统中各智能体的状态值都渐近收敛一致,从而可以更稳定地执行后续的分布式任务。智能体的状态值可以指速度,位置,观点等,当要实现智能体的位置达成一致性时,我们称之为聚集问题。如何设计高性能的分布式聚集控制算法使系统全局智能体在有限时间内渐近聚集到相同位置是研究的难点。本文针对该问题的研究内容及成果如下。本文针对多智能体系统在正常情况和通信失效情况下的聚集问题分别进行了研究,并提出了相应的聚集控制算法实现了系统的一致性。几种新算法在传统算法的基础上,根据邻域信息对候选点的计算方式进行改进,并探究了相对邻居图作为拓扑连通结构对系统性能的影响,在特定的场景下这些新算法可以使多智能体系统获得更好的聚集性能。多智能体系统正常运行时,提出了两种用于解决离散时间下有限通信范围内的多智能体聚集问题的分布式算法。首先设计了一种凸包组合算法(CHCA),每个智能体可以根据通信范围内的邻居计算出两种候选点,并结合约束集计算出更有利于智能体向凸包内部运动的候选点。与传统圆心算法相比,凸包组合算法可以减少初始低密度拓扑分布下的系统聚集时间。其次,通过将相对邻居图作为约束集与凸包组合算法相结合,得到的新算法可以减少初始高密度拓扑分布下系统的聚集时间。然后,结合相关定理对两种算法达成一致性的充分条件进行了证明。最后,大量的仿真实验表明在相应的初始拓扑分布下,与传统的圆心算法相比,两种新算法可以使系统更快地实现聚集。当系统中出现通信失效的状况时,提出了一种极限凸包算法(LCH),该算法在传统框架基础上,结合历史通信邻居和现有通信邻居的状态信息构建出一种最小可能凸包,智能体依据该凸包圆心作为候选点向内部聚集。这样一方面增大了智能体的邻域参考范围,另一方面可以确保系统的收敛性。同时,也探究了将初始相对邻居图作为约束集对系统聚集性能的影响。之后,利用传统聚集框架的相关定理对通信失效下的新算法进行了一致性分析证明。最后,通过仿真实验说明了与传统算法相比,新算法可以使系统在通信失效较为频繁的情况下减少聚集时间和移动距离。