近年来网络化多智能体系统研究展现出巨大的应用潜力,吸引了越来越多的研究人员进入这一领域进行研究,并取得了许多令人瞩目的研究成果。这些研究成果中,不仅包含了理论研究,还有许多被广泛验证了的实验和实践应用。其涵盖的主题包括多智能体的一致性应用、智能体蜂拥、机器人编队控制、动物群集等各个方面。其中,对多智能体系统一致性的研究是比较重要的一个研究分支,因为一致性问题是多智能体之间协同合作的基础,在研究中起到了很重要的平台支撑作用。多智能体系统一致性控制算法是确保系统中的个体在某些特定控制方式下其状态信息趋于一致的控制协议,是本文所研究的主要问题。涉及到使用数字化硬件平台时,典型的协调控制方法是假设每个个体采用周期性的采样控制。然而这一假定在应用中通常受到个体有限软硬件资源的限制,有鉴于此,本文引入一种非均匀采样方法,即事件触发方法来解决资源限制问题,在一致性控制的背景下重点研究基于事件触发机制的协调控制方法。本文提出了带有最小采样时间的事件触发一致性算法,并在该算法基础上进一步研究出了一种改进的新型自触发控制算法,其目的都是为了减少多智能体系统的总事件触发次数,降低个体之间的信息通信量。算法中,对多智能体状态的测量,采用了一种新型组合式方法,以使每个智能体只在自己的状态触发时刻进行控制输入更新操作。在设计过程中,我们采用了带有最小采样时间的采样方式来避免Zeno现象。与现有方法的比较表明,所提出的方法能有效减少事件触发次数、控制输入更新次数和通信量。同时,本文还提出了一种基于动态触发机制的集中式事件触发控制算法。该算法通过引入非线性的内部动态变量来改进现有的基于静态阈值的事件触发设计方法。由于动态变量的引入,多智能体系统中智能体的触发条件不仅受到智能体当前状态的影响,还与智能体之前的状态有关,触发条件的设定也更加具有可操作性。本文的最后一部分,对整篇研究结果进行了总结,并探讨了多智能体系统一致性控制算法的研究方向和未来可能的应用领域。