中文摘要：

本项目针对具有沿迭代轴随机变化因素的不确定系统，研究鲁棒迭代学习控制设计的基本原理和方法，并基此在二维空间中探讨多智能体系统的有限时间一致性问题。主要内容包括外界扰动、初始条件、模型不确定性均是随机迭代依赖的系统的鲁棒迭代学习控制；多智能体系统有限时间一致性的分布式迭代学习协议设计原理和方法；输入受限及传输时滞影响下的多智能体系统有限时间一致性迭代学习协议；多智能体系统在迭代学习协议作用下的仿真研究以及在机器人编队平台上的物理实验验证等。通过本项目的研究，不仅能够提供新的鲁棒迭代学习控制理论与方法，而且能够通过迭代学习控制与多智能体系统两类理论问题的合理交叉研究，为机器人编队等应用领域的一致性问题的解决提供可实际应用的有效迭代学习控制技术，具有重要的科学意义和应用价值。

结论摘要：

鲁棒性问题是迭代学习控制研究中最重要的热点问题之一，其针对诸如初始状态偏移、外界干扰及模型不确定性等的研究一直备受重视。近年来，如何将迭代学习控制方法拓展应用到多智能体系统分布式协调任务的处理中成为了其研究的一个新的热点问题，其中迭代学习控制成功应用于多智能体系统一致性问题的处理中是这类研究的一个基础性问题。本项目针对这两类迭代学习控制问题进行了深入研究。首先，本项目研究了针对初始状态偏移、外界干扰及模型不确定性等因素的鲁棒迭代学习控制算法设计及其相应收敛性分析等问题，给出了基于鲁棒H∞和2-D系统方法的迭代学习控制分析、综合框架，并引入了基于线性矩阵不等式的迭代学习控制器综合方法，能获得使迭代学习控制系统具有最优收敛速率的增益矩阵。对于具有随机迭代依赖不确定性的被控系统，从期望和方差两个统计量角度解决了鲁棒迭代学习控制收敛性分析问题，并能进一步实现单调收敛性，保证良好的瞬态学习响应。此外，分析了被控系统相对度、初始输入选取及时滞等因素对鲁棒迭代学习控制性能的影响。其次，本项目研究了基于迭代学习控制的多智能体系统分布式协调控制算法设计及其相应收敛性分析等问题，通过分析迭代学习控制与多智能体系统协调控制在任务和实现上的共同特点设计了能使两类控制问题在统一框架下合理交叉研究的有效方案。对于多智能系统的有限时间一致性问题，分别提出了基于反馈的闭环分布式迭代学习和基于前馈的开环分布式迭代学习协议，给出了它们沿时间轴和迭代轴两个独立方向的2-D动态分析，并获得了实现有限时间一致性的通讯拓扑条件。针对多智能体系统的完全一致性跟踪问题，提出了分布式迭代学习控制算法，能实现各智能体在一个有限时间区间上自始至终实现一致性，并适用于有任意指定期望参考轨迹和无期望参考轨迹两种情形下的多智能体系统。此外，探讨了传输时滞、通讯拓扑切换和不确定性以及各智能体本身的系统相对度、外部干扰、初始偏移等因素对多智能体系统分布式迭代学习控制协议性能的影响，给出了使各智能体仍能通过互相协作来有效完成一致性的通讯拓扑条件。然后，本项目针对编队机器人系统提出了基于迭代学习控制的分布式一致性设计方法，并获得了基于一致性思想的有效编队机器人控制技术，能确保各机器人实现相对编队任务。通过本项目的研究，提供了新的鲁棒迭代学习控制理论与方法，并提出了迭代学习控制与多智能体系统分布式协调控制合理交叉研究的新思想、新方法。