多智能体之间的协调与合作可以提高单个个体行为的智能化程度,更好地完成很多单个个体无法完成的工作,因此多智能体协调控制成为众多领域的研究热点。现有关于多智能体系统协调控制的绝大多数结果都是只关注了在时间域上的收敛性。然而,为了精确地实现多智能体的一致性目标,迭代学习控制的方法在多智能体一致性方面的应用受到了关注。目前,利用迭代学习研究多智能体的一致性还处在初步研究阶段。本文主要充分利用了分布式多智能体系统和学习控制的特点,研究了具有重复性质的多智能体系统完全一致性问题。设计出了分布式的学习协议,使得多智能体能够达到完全一致。实现了学习控制理论与分布式多智能体系统的有效结合。本文的主要工作有1.利用迭代学习控制的方法研究带有头节点的线性多智能体系统的一致性问题。假设头节点是全局可达的,分别针对单积分多智能体系统和一般的线性多智能体系统设计出了分布式迭代学习算法,并且得到在有向拓扑连接下达到完全一致的充分条件。使得每一个从节点在有限时间区间[0,T]上能完全地跟随上头节点。2.利用自适应迭代学习控制的方法来研究带头结点的一阶参数化非线性多智能体系统的一致性。结合自适应迭代学习控制的特征和分布式系统的特点,设计出了一个新的自适应迭代学习控制协议。所提出的分布自适应迭代学习协议保证了所有的从节点在区间[0,T]上能完全跟随上头节点。同时研究了二阶不确定多智能体系统在有限时间区间上的完全一致性和编队控制问题,利用自适应迭代学习控制的方法,设计出了分布式的自适应迭代学习协议,使得每一个从节点都能够在有限时间区间[0,T]上和头节点达到完全一致。此外,所设计的控制协议还有效地解决了多智能体的编队控制问题。3.通过模糊自适应迭代学习控制的方法研究带有头节点的一阶未知非线性多智能体系统的协调合作控制问题。利用模糊逻辑系统对每一个从节点的未知非线性函数进行逼近。为了避免使用初始重置条件,对每一个从节点设计了分布初始状态学习协议,使得每个从节点初始状态可以任意的选择。对未知参数设计了微分-差分型的自适应律。在该智能体通信拓扑满足连通的条件下,所设计的分布式自适应模糊迭代学习控制协议使得非线性多智能体系统在有限时间区间[0,T]上实现完全一致性以及编队控制。接着研究了任意高阶非线性多智能体系统的协调合作控制问题。对任意的高阶非线性多智能体系统,设计了分布式初始状态学习和微分-差分型自适应学习律。所设计出的统一的自适应模糊迭代学习控制协议可以保证每一个从节点在区间[0,T]上都能和头节点达到完全一致。此外,所设计出的协议解决了未知非线性多智能体的编队控制问题。4.利用迭代学习控制的方法讨论了一类带有头节点的异质多智能体系统在有限时间区间上的协调合作控制问题,其中异质多智能体系统包括一阶和二阶动态。头节点具有二阶动态并且它的状态只有一部分从节点可以得到。为了避免使用迭代学习控制中的初始重置条件,对每一个从节点都设计出了分布式的初始状态学习协议,从而使得每个从节点的初始条件可以任意选取。利用迭代学习控制的方法,当智能体通信拓扑连通时,在固定拓扑以及切换拓扑的情形下,分别设计出了分布式迭代学习协议,使得所有的从节点在有限时间区间上都能精确地跟踪上头节点。此外,将所设计的方法推广到了异质多智能体系统的编队控制中。5.本章主要利用自适应重复学习的方法,给出了解决不确定的非线性多智能体系统协调控制的框架。基于这个框架,针对含有时变参数不确定性的非线性多智能体系统,通过对周期不确定性的学习并设计出了基于学习的自适应律来补偿周期时变参数。假设从节点都得不到头节点的动态信息,因此对每一个从节点都设计出一个辅助控制来处理头节点的动态。从而,所设计出的学习控制协议可以保证所有的从节点与头节点达到一致。此外,将结果推广到多智能体系统编队控制中,得到了编队控制协议。