多智能体系统是由大量可以独立计算,相互感知的计算实体组成,通过通信、合作、竞争,最终实现全局控制的目的。近年来,多智能体系统的协同控制越来越广泛地应用于军事、工业和航空航天等各个领域。一致性问题是研究多智能体系统控制最基础的问题之一,它是指在协议算法的作用下,所有的智能体的状态达成一致。在实际的复杂网络环境中,通信阻隔,信息丢包等外界因素会影响智能体之间通信关系发生变化,我们通常利用Markov链将其建模为一个随机丢失的变化过程。虽然采用Markov模型能准确刻画网络连接的丢失过程,但是因为Markov模型的分析是比较复杂的,所以增加了 Markov切换拓扑下多智能体系统的动力学研究的困难。集值系统广泛存在于网络系统和工业系统等产业中,集值系统的节点输出不能被精确测得,所能获得的信息只知道是否属于一个或多个集合。在集值通信环境下,我们需要利用集值辨识算法对粗糙的集值数据实现高精度的估计,然后在估计的基础上设计一致性控制协议,在该控制下更新智能体的状态。研究学者们已经将双时间尺度一致性算法和递推投影算法两种经典的集值辨识算法成功地应用到具有固定拓扑结构的多智能体的一致性问题研究中。然而,在随机切换拓扑和集值通信环境下多智能体系统一致性问题的研究结果还比较少。基于以上考虑,本文研究了在Markov随机切换拓扑和集值通信环境条件下多智能体系统的一致性问题。主要工作内容如下:1.针对Markov切换有向拓扑和集值通信环境下的多智能体系统,我们基于经验测度法设计了估计与控制交替进行的双时间尺度一致性算法。集值信息的不准确性和拓扑切换的不确定性都给我们算法的设计带来了困难,所以和原有固定拓扑环境下的算法相比,我们在算法中增加了保持时间,从而使节点能够收集到准确的估计值,使集值辨识部分能够达到估计精确度的要求。2.针对一种特殊的Markov切换拓扑,即Bernoulli切换无向拓扑,和集值通信条件下的多智能体系统,我们基于递推投影算法对邻居状态进行估计,然后利用估计值设计一致性控制算法,最后通过估计与控制的合作,多智能体系统最终可以达到一致性。与双时间尺度一致性算法不同,递推投影算法是一种在线辨识算法,不需要等待时间,因此收敛速度更快。本文为Markov切换拓扑和集值通信下多智能体的一致性控制提供了坚实的理论支持,并推进和发展了经验测度算法和递推投影算法两种集值辨识算法的应用。