通过选取合适的反馈增益,取得所要求的一致性收敛速度。将一致性过程作为最优线性迭代过程,通过求解通讯连接的最优权重来提高一致性速度。在随机切换网络拓扑结构下,研究离散时间智能体系统的一致性收敛速度。提出了多一协议,使多-hop relay协议在没有改变网络拓扑的情况下增加网络的代数连通度,从而提高了一致性的收敛速度。
3.4.3  鲁棒性一致性研究
鲁棒性是多智能体网络的重要性能指标，目前有很多文献用不同的方法从不同的方面研究多智能体网络的鲁棒性。文运用LMI方法研究了具有模型不确定性的多智能体网络的 性能的一致性问题,给出了满足所要求的 性能下的鲁棒一致性条件。对有外部干扰的网络,提出一个稳定的控制策略使智能体沿着噪声环境的梯度来取得一致性。Hong对有动态leader多智能体系统一致性的跟踪控制,给出了基于邻居状态估计规则的局部控制器。
目前只有较少的文献研究带有噪声和不确定性的一致性算法。运用 滤波来研究多智能体网络的分布式一致性。对含有不确定性的网络,运用分散化 滤波来研究一致性。
从拉普拉斯矩阵特征值出发,通过最大化状态相依图的拉普拉斯矩阵的第二小特征值来提高动态系统的鲁棒性。但是,当系统总是存在干扰时,不能保证取得渐近一致性。因此,系统抵抗干扰的能力是很弱的。提出的新的鲁棒自适应协议来确保网络存在时延和干扰时多智能体系统能取得渐近一致性。
运用鲁棒最优控制作为轨道跟踪控制的设计工具,在环形和链型信息拓扑结构下,对参数不确定的多智能体系统的协同和轨道跟踪作出了最优控制设计。
基于终端滑膜(TSM)控制,提出更加实际的有限时间一致性跟踪算法,对二阶的leader-follower多智能体系统,切换控制律可以确保在TSM面上取得全局有限时间一致性,所提出的一致性控制算法对系统不确定性和输入干扰是鲁棒的。
通过分离一致性动态方法将整个系统降文,将通常的 设计推广到带有参数不确定性和外部干扰的多智能体系统的 设计。与一阶积分器系统不同,所有智能体可能不收敛到一个有限值而是以常数的速度或加速度一起运动,这使更加难以分析。
3.4.4  一致性随机方面的研究
在通讯网络中,传输错误、数据包丢失等引起智能体之间连接关系变化,其过程可用随机过程描述。在现有的文献中主要用到两种模型：伯努利模型和马尔科夫链模型[8]。
对伯努利模型网络,主要有以下两种情形,（i）在每个时刻,智能体之间的连接以某一相同的概率丢失；（ii）在每个时刻,不同智能体的连接以可能不同的概率丢失。对于一阶积分器系统,其均方一致性和依概率一致性与平均网络拓扑有关,与连接丢失概率无关。
由于马尔科夫模型可刻画网络连接的丢失过程,因此有很多文献用它来研究网络的一致性问题。对于一阶积分器多智能体系统,只要存在连续有界的时间序列,其连接拓扑结构的并图连通[12],或含有生成树[15][16],则该智能体系统能达到渐近一致；而对于二阶积分器多智能体系统,其一致性条件要求拓扑始终保持连通（或含有生成树）,这个拓扑条件比一阶积分器系统要保守得多。
在有噪声的通讯网络中,Xiao运用凸优化算法使得多智能体系统鲁棒收敛到初态的均值,并设计合适的权重使之达到最小的均方误差。Huang和Li证明在连通的无向拓扑网络结构下,多智能体系统可均方一致性收敛；Kar证明在随机切换拓扑下有相同的结论。
除了白噪声外,智能体在运行过程中时常受到外部干扰，还需要考察存在外部干扰时的多智能体系统的鲁棒一致性。Hong等给出了连续时间二阶积分器系统达到鲁棒一致性的拓扑条件和参数条件；Lin等利用 控制的相关理论给出了一致的线性矩阵不等式条件以及系统以某一概率在有限时间内取得一致性的步长条件。 TrueTime网络环境下复杂系统一致性的仿真(8):http://www.youerw.com/zidonghua/lunwen_2164.html