多智能体系统分布式编队控制是协同控制方向中的一个核心问题。协同控制是人工智能体领域中的重点研究方向之一。近年来,由于多智能体系统的灵活性和可扩展性,被广泛地运用在卫星通讯、仓储物流,以及智能勘测等领域。随着科学技术的发展,被控系统日益复杂。此时,利用传统系统辨识方法来获得被控系统的动力学模型,已面临巨大的挑战。因此,研究如何设计数据驱动控制算法,以实现未知动力学模型非线性多智能体系统的双向编队控制,具有重要的实际意义。本文主要在无模型自适应控制理论的基础上结合了分布式控制算法、迭代学习控制算法、神经网络预测算法,以及强化学习算法,针对动力学模型未知的非线性多智能体系统编队控制中由简到繁的场景设计了相应的控制策略,提出了相应的数据驱动双向编队控制算法,给出了收敛性证明,进行了实验验证,构成了一个体系化的数据驱动双向编队控制理论框架。论文的主要研究内容概括如下:1.针对非周期性运行的未知动力学模型非线性多智能体系统,利用其输入输出数据沿时间轴方向建立了一种动态线性化数据模型,并结合分布式控制算法提出了一种分布式无模型自适应双向编队控制算法框架。随后,在此框架的基础上提出了饱和数据驱动双向编队控制算法和防御数据丢包的数据驱动双向编队控制算法,进一步解决了被控系统的输出数据饱和问题和数据丢包问题。2.针对周期性运行的未知动力学模型非线性多智能体系统,引入了迭代学习的概念,根据其输入输出数据沿迭代轴方向建立了一种动态线性化数据模型,提出了一种分布式无模型自适应迭代学习双向编队控制算法框架,并进一步提出了量化数据驱动双向编队控制算法和防御信道衰减的数据驱动双向编队控制算法,有效地解决了被控系统的信号量化问题和信道衰减问题。3.针对大规模、网络化的未知动力学模型非线性多智能体系统,在其输入输出数据的基础上进一步利用其通讯拓扑信息,建立了一种增强的动态线性数据模型,并结合神经网络预测算法提出了一种完全分布式无模型自适应神经网络双向编队控制算法框架。此外,针对被控系统中存在的主要网络攻击问题,设计了相应的防御机制,提出了相应的数据驱动双向编队控制算法,有效地解决了相应的网络攻击问题。4.针对高度复杂、网络化的未知动力学模型非线性多智能体系统,引入了理想控制器的概念,根据其输入输出数据和通讯拓扑信息建立了一种增强的动态线性化理想控制器模型,并结合强化学习控制算法提出了一种在线学习完全分布式无模型自适应强化学习双向编队控制算法框架。随后,设计了自适应事件触发的无模型强化学习数据驱动双向编队控制算法和考虑输入受限的无模型强化学习数据驱动双向编队控制算法,有效地解决了被控系统的输入输出受限问题。