多智能体系统可以完成个体智能难以胜任的任务，它通过智能体之间协作来实现。多智能体协作控制研究的是大量只具简单功能的个体如何通过分布式的控制，相互合作，产生复杂的群体行为。其一致性问题作为多智能体系统研究的一个重要方向，近年来受到越来越多的关注。在多智能体系统中，“一致性”是指智能体达到某些状态相同，而一致性算法(或模型)是一种定义智能体之间信息交换而使状态趋于一致的法则。预测控制是基于系统预测模型的优化控制。在已知多智能体系统的拓扑结构(预测模型)的基础上，引入适当的优化性能指标进行算法设计，不但可以加快群体状态的收敛速度，而且对于扰动等不确定因素有很好的鲁棒性。本论文重点分析了离散多智能体系统的一致性问题，将预测控制引入一致性算法中，并将该算法运用到变拓扑结构、定值跟踪、连通保持等实际问题中。本论文主要完成了以下三个方面的研究工作：1.基于预测控制的多智能体系统一致性研究。考虑系统拓扑结构的约束，提出适用于一般连通结构的预测控制框架，并设计了基于固定反馈系数的一致性预测控制算法μ-MPC。通过与其他算法的仿真比较，分析了该算法的快速性和鲁棒性。特别对于全连通结构系统，该算法可以实现一步收敛。2.μ-MPC算法的主要参数设计。由于预测控制是一种基于启发式优化指标的算法，因此它的参数设计对系统的响应尤为重要。本文通过大量仿真实例分析μ-MPC算法的五个主要参数，采样步长ε、优化时域H P、控制时域H U、误差权矩阵Q和控制权矩阵R对多智能体一致性能的影响。并对一步预测的特殊情况作了理论分析。3.μ-MPC算法的拓展和应用。分别研究该算法在多智能体系统的拓扑结构发生变化，智能体状态一致到某设定值，智能体状态受到运动学约束和基于连通保持的一致性等更实际问题中的应用。仿真表明对于这些问题，μ-MPC算法具有很好的适用性。