与遗传算法和蚁群算法一样,蜂拥算法(Flocking)源自自然界奇妙现象,在分布式控制领域有着得天独厚的优势,一直被各个领域的研究者们所重视。近年来蜂拥算法在可移动机器人网络,移动传感器网络以及无人飞行器(Unmanned Arial Vehicles, UAVs)等领域的应用,则使其成为分布式控制领域一个新的研究热点。本文以蜂拥算法及其在移动传感器网络中的应用为研究课题,主要研究了以下三部分内容。一、考虑蜂拥算法在实际应用过程中可能遇到的实际因素,从考虑速度时滞,引入多跳网络,多领导者情况以及部分智能体接收到领导者信息的情况等方面入手,对现有的蜂拥算法进行了多方面的扩展。其中,多跳网络的引入提高了网络的连通度,进而提升了系统速度一致的收敛速度；多领导者蜂拥算法则在传统多领导者蜂拥算法的基础上,引入一个排斥势能函数,减少“尴尬”位置关系的存在,缩短了系统达到渐近稳定需要的时间：部分智能体接收到领导者信息情况下的蜂拥算法则能保证整个系统蜂拥群的形成。二、定性地分析和比较了现有的一致性滤波算法,主要包括分布式卡尔曼滤波算法(Distributed Kalman Filter, DKF),卡尔曼一致性滤波算法(Kalman Consensus Filter, KCF)以及次优离散卡尔曼一致性滤波算法(Sub-Optimal Discrete Kalman Consensus Filter, SOD-KCF)。同时,仿真实验验证了在不同连通度和节点观测噪声情况下,SOD-KCF算法在平均估计误差和一致性参数方面优于其余两种算法,为耦合目标跟踪(Coupled Target Trakcing, CTT)算法中一致性滤波算法的选择提供了参考。三、设计了应用在移动传感器网络中的离散时间耦合目标跟踪算法,并通过理论推导和仿真实验验证了算法的稳定性。在此基础上,从考虑速度时滞,引入多跳网络,多目标情况以及部分传感器节点能感知到目标状态的情况等方面对算法进行了扩展,并通过理论推导和仿真实验验证了算法的稳定性。最后,从估计误差,估计一致性参数以及网络连通度等方面对所设计的算法进行了评估。