简介这套MATLAB代码面向多智能体网络一致性研究者与学习者重点示范了分布式一致性协议的仿真实现。压缩包共5个文件其中4个为.m脚本、1个为Simulink模型文件整体约17KB轻量易用。脚本覆盖智能体模型构建、一致性权重分配、网络拓扑切换等关键环节可分别用于生成三维网络拓扑、设计加权共识矩阵、模拟动态拓扑变化Simulink模型提供可视化仿真流程便于观察各智能体状态随迭代逐步收敛的过程。已有213人学习浏览适合作为课堂演示、课程设计或论文复现的起步代码。通过运行和修改这些示例能够直观理解Laplacian共识算法、平均共识等经典协议的工作原理比较不同初始条件与网络结构对收敛速度、稳定性的影响同时代码结构清晰、易于扩展可灵活调整智能体规模与通信权重为后续研究异构智能体协同、鲁棒一致性控制等方向提供实验基础。1. 多智能体网络一致性研究在MATLAB里到底是什么先跑通再谈理论很多人第一次搜“多智能体网络一致性 matlab 代码”想找的是一个能直接画出漂亮收敛曲线的脚本结果搜出来的全是论文公式——拉普拉斯矩阵、代数连通度、线性矩阵不等式看十分钟就劝退。这个研究方向用大白话讲就一句话一群智能体每个只知道自己和邻居的状态靠局部交互让全网状态收敛到同一个值。它能解决无人机编队同步、分布式时钟同步、多机器人位置对齐这类实际问题适合正在做毕业设计、写论文或者想把协议往自己工程里迁的从业者。这篇笔记直接从最小可跑通的示例代码开始把图怎么建、协议怎么写、参数怎么定、坑在哪里一次说清。2. 从拉普拉斯矩阵到一阶一致性最小可跑通的仿真脚本2.1 图、邻接矩阵与拉普拉斯矩阵的MATLAB表示图是所有协议的地基。一个无向图由 n 个节点和一组边组成在 MATLAB 里最直接的表征是邻接矩阵 A节点 i 和 j 之间有通信A(i,j)A(j,i)1否则为 0。度矩阵 D 是对角矩阵对角线上放每个节点的邻居个数即 sum(A,2)。拉普拉斯矩阵定义为 L D - A它在一阶一致性协议里的地位类似电路里的导纳矩阵状态差通过它从高电势流向低电势。% 构建5节点无向图1-2-3-4-5-1 再加一条 2-4 边 n 5; A zeros(n); edges [1 2; 2 3; 3 4; 4 5; 5 1; 2 4]; for k 1:size(edges,1) i edges(k,1); j edges(k,2); A(i,j) 1; A(j,i) 1; % 无向图必须对称赋值 end D diag(sum(A,2)); % 度矩阵每行求和放到对角线 L D - A; % 拉普拉斯矩阵这段代码就是从空邻接矩阵出发把每条无向边填成对称的 1sum(A,2) 对每行求和得到度D 由 diag() 变成对角阵。唯一要改的参数是 n 和 edges节点变多时只要在 edges 里追加新连接。注意 A(j,i)1 不能漏漏掉就变成有向图一致性收敛性质会完全不同。L 的性质直接决定仿真能不能跑出理想结果L 是半正定矩阵零特征值的个数等于网络中连通分量的个数。单个连通图只有一个零特征值这就是全网收敛的前提。你在 MATLAB 里跑 eig(L) 会看到 0、正数和正数那个 0 对应的是“所有状态相等”的方向。2.2 一阶积分器模型与一致性协议的实现模型写出来就是 x_i_dot sum_j a_ij (x_j - x_i)每个节点被邻居朝平均位置拉。连续微分方程在 MATLAB 里做仿真必须离散化这正是标题里“多智能体网络一致性研究”和 MATLAB 仿真之间最常见的 gap离散时间系统在 MATLAB 里就是一个 for 循环状态按步长 dt 做差分更新。% 一阶积分器一致性离散差分更新 x rand(n,1)*10; % n×1 列向量初值随机分布 K 0.5; % 协议增益论文里常写作 c 或 gamma dt 0.1; % 离散化步长秒 Nstep 300; % 迭代步数 history zeros(n, Nstep1); history(:,1) x; for t 1:Nstep % L*x 等效于每个节点累加邻居差 sum_j a_ij*(x_j-x_i) x x - dt * K * (L * x); history(:,t1) x; end plot(0:Nstep, history, LineWidth, 1) xlabel(迭代步 k); ylabel(状态值 x_i);核心就一行x x - dtK(Lx)。右边的 Lx 是“朝向邻居平均状态移动”的修正量左边的 x 是更新后的新状态。用矩阵乘法而不是双层 for 循环去算邻居累加节点数上千时也能一次算完这是 MATLAB 里最值得养成习惯的写法。参数上dt 和 K 的乘积直接决定稳定性。乘积越小越稳但收敛也慢设太大则振荡甚至发散。定量地讲稳定条件要求 dt*K 小于 2/λ_max(L)λ_max 是 L 的最大特征值用 eigs(L,1,largestabs) 就能算出来。上面示例里 K0.5、dt0.1乘积 0.05远小于边界所以曲线很平滑。2.3 平均一致性与收敛速度特征值和步长的配合一阶积分器协议收敛到的终值是所有节点初值的平均值 mean(x0)所以也叫平均一致性。终值不受 K 和 dt 影响K 和 dt 只影响收敛速度和稳定性。收敛快慢在理论上由 L 的第二小特征值 λ2 决定也叫代数连通度它越大网络里信息流通的“瓶颈”越宽收敛越快。实操中我分两步调参先固定 K用 e eig(L) 取 e(2) 得到 λ2把步长设成 dt 0.1/λ2 作为起点然后看收敛曲线想更快就把 K 往大调每次加 30% 左右一旦看到振荡就退回上一个值。注意这里存在一个最优 K超过之后收敛反而变慢不要以为 K 越大越好。还有个容易忽略的点论文里的仿真图很多是连续时间微分方程直接解出来的你在 MATLAB 里复现就会碰到离散化问题。离散化不仅多出一个 dt 要调还让你能看到状态一步一步被邻居“拉”到一起的过程这对理解协议本身反而有帮助。至于 dt 取太大导致的翻车现场第 4 章专门讲。3. 加权、领导跟随与切换拓扑把一致性协议改向真实网络单一权重、固定拓扑、所有节点平等的假设在工程里几乎不成立。这一章把协议往三个方向扩展边带权重、领导者信号、拓扑切换。每个扩展都对应明确的代码改动点不涉及新理论框架。3.1 带权重的图与权重矩阵设计带权重的场景很常见通信质量不同或者距离近的该多信一点。权重矩阵 W 代替 A拉普拉斯矩阵改为 L_w D_w - W其中 D_w 是带权度矩阵对角线放 sum(W,2)。权重怎么给常见做法是“距离越近权重越大”直接把相对距离作为权重函数比如 W(i,j) 1/(1d_ij^2)。先给节点随机位置再按公式填权% 生成带权重的拉普拉斯矩阵 pos randn(n,2); % 节点在二维平面上的位置 W zeros(n); for i 1:n for j i1:n d norm(pos(i,:) - pos(j,:)); % 欧氏距离 W(i,j) 1/(1 d^2); % 距离越小权重越大 W(j,i) W(i,j); % 保持对称 end end Dw diag(sum(W,2)); Lw Dw - W; % 带权拉普拉斯矩阵这个权重公式把“通信质量随距离衰减”映射成数值距离无穷大时权重趋近 0距离为 0 时权重为 1。使用的时候直接把第 2 章的更新式里的 L 换成 Lw 即可协议本身一行不用动。参数上真正敏感的是对称性。对称权重保持平均一致性收敛终值还是 mean(x0)非对称权重会让终值偏移偏移量由左特征向量决定第 4.4 节有对应排查方法。想让收敛更快就把分母里的 1 调小比如 1/(10.1*d^2)权重整体变大代数连通度变大代价是远距离节点也有明显权重不一定符合真实通信约束。3.2 领导跟随一致性给网络加一个“参考信号”有一类问题叫领导跟随一致性也叫牵制控制。它解决的不是让全网自己商量出平均值而是让所有节点跟一个给定的参考信号。最常见做法是选一个或几个节点作为牵制节点给它们额外加一项“拉向领导者”的力x_i(k1) x_i(k) dt * [ sum_j a_ij(x_j - x_i) b_i (x_L(k) - x_i(k)) ]其中 b 是牵制向量b_i1 表示节点 i 能看到领导者否则为 0。领导者状态 x_L 可以是常值也可以是斜坡。下面是斜坡参考信号的例子% 领导跟随一致性领导者按斜坡上升节点1和5可接收其状态 b [1; 0; 0; 0; 1]; % 牵制节点标记 x rand(n,1)*2; % 跟随者初值 xL0 0; vL 0.05; % 领导者初始状态和每步增量 dt 0.1; Kc 0.6; hist zeros(n, Nstep1); hist(:,1) x; for t 1:Nstep xL xL0 vL * (t-1); % 领导者当前参考值 neighbor_term -L * x; % 邻居耦合项 pin_term b .* (xL - x); % 牵制项只有b1的节点有 x x dt * (Kc * neighbor_term pin_term); hist(:,t1) x; end这里用到向量化写法。b.*(xL-x) 只有 b1 的节点会被赋值标量 xL 与列向量相减在 MATLAB 里自动广播即使 n 很大、牵制节点只有几个也不会报错。牵制节点的选择会影响收敛速度。直觉上选度数大的节点当领导者“传话筒”信息扩散更快选孤立节点当牵制节点整个网络要绕一大圈才能感知参考信号。参数 vL 定义参考速度vL 越大跟踪滞后越明显Kc 控制内部耦合强度牵制项通常不另设增益。这里有个给初学者挖的坑一阶协议对常值参考能做到无稳态误差对斜坡参考却会存在固定误差原因和解决见第 4.5 节。3.3 切换拓扑在一个循环里换拉普拉斯矩阵编队里通信中断是常态拓扑随时间变化。做切换拓扑仿真的一种常见做法是事先定义一个拉普拉斯矩阵序列在循环里按时段选择当前矩阵。周期性切换是其中最简单的% 周期切换拓扑三种拓扑每50步切换一次 L_list {L1, L2, L3}; % 三个不同拓扑的拉普拉斯矩阵 period 50; for t 1:Nstep idx mod(ceil(t / period) - 1, 3) 1; % 当前是第几个拓扑 L_now L_list{idx}; x x - dt * K * (L_now * x); end这个写法的好处是只改一张索引表就能控制切换顺序和周期。只要每个时刻的图是连通的或者所有时刻的图合并后连通的联合连通一致性依然能保证。参数上注意 period 是迭代步数。周期太短拓扑频繁切换收敛会变慢极端时看到状态来回摆动周期太长则退化成固定拓扑。调试时我先跑三个固定拓扑各自收敛再跑切换拓扑对比收敛终值——切换不改变平均一致性的终值只影响收敛速度。如果终值和固定拓扑跑了不一样回去检查是不是切换过程里图断开了。4. 一致性仿真的五个翻车点避坑与排查很多仿真跑不出预期结果不是协议不对而是离散化、矩阵形状、连通性这些细节在捣乱。这一章全部按“现象 → 原因 → 解决”来写都是我实际调过的场景。4.1 步长设置不当协议照着论文抄曲线却发散现象公式、增益、矩阵全对仿真第一步状态就冲到 1e10或者直接出现 NaN。原因连续时间协议离散化后的稳定条件大约是 dt*K 2/λ_max(L)。很多论文根本不提离散化直接画微分方程曲线换成差分循环的人没注意步长上限乘积一超就翻车。解决先用 e eig(L) 算 e_max max(e)把 dt 初始设为 1/(K*e_max)再往下减一半当安全值。记住增 K 和增 dt 对稳定性的影响是等价的看曲线发散先查这个乘积别去动协议结构。这是最典型的“靠玄学调参不如算一个特征值”的场景。4.2 图不连通曲线分片收敛从不一致现象n 条曲线最终分成若干组每组内部收敛组与组之间各奔东西。原因拉普拉斯矩阵的零特征值个数大于 1。每个连通分量对应一个零特征值分量之间没有信息交换自然无法全网一致。很多情况下是邻接矩阵输入时漏了对称边无向图变成有向图照样分片收敛。解决算一下 rank(L)小于 n-1 就是有多个连通分量给图补边就行。快速检查法是数 eig(L) 里小于 1e-10 的个数这个数就是连通分量数。跑之前看一眼省得后面对着曲线猜半天。4.3 向量方向不一致L*x 报维度错或者更新完维度变成 n×n现象明明写的是 L*x报错说维度不一致或者不报错但更新完结果里出现了矩阵画图时冒出一堆奇怪的线。原因MATLAB 里 1×n 行向量和 n×1 列向量做减法会触发广播结果变成 n×n 矩阵。初值如果写 x rand(1,n)就埋了雷。解决所有状态统一用列向量脚本开头写 x x(:)xL 与 x 做减法时确认 xL 是标量。我在脚本里加一条断言 assert(size(L,2)length(x))一运行就能定位。这类问题不值得花时间盯早断言早省事。4.4 收敛终值不是初值平均非对称权重导致的结果偏移现象所有曲线都收得很干净但终值明显不等于 mean(x0)跟手算的平均值有固定偏差。原因平均一致性成立的前提是权重对称也就是 L 的行和与列和同时为零。权重不对称时协议收敛到加权平均值加权系数由 L 的左零特征向量 w null(L) 决定。解决检查权重矩阵是否对称。想保留非对称权重又想平均一致就做对称化 W (WW)/2 再重构 L。想精确算终值用 w*x0/sum(w) 验证别用 mean。真实工程里非对称权重往往来自单向通信这时候终值偏离平均值是正常的不代表算法错了。4.5 领导跟随对斜坡信号存在稳态误差现象领导者是常值时跟随者能精确收敛到参考值领导者按斜坡变化跟随者总是落后一个固定差值。原因一阶协议只有状态反馈没有参考信号的导数速度信息对斜坡输入只有比例跟踪存在静态误差。这是协议结构决定的不是参数问题。解决改成带参考速度项的协议u_i b_i*(xL - x_i) b_i*vLvL 是领导者的速度。实现时在更新式里加 b.vLdt 即可。常值参考时 vL0原协议是特例。这个改法要求领导者速度对牵制节点可见如果速度不可测就只能接受稳态误差或改控制器结构加积分项。5. 二阶系统与时滞协议升级的两个关键改动一阶积分器模型只是起点。真实被控对象往往要同时管位置和速度比如无人机和移动机器人这是二阶一致性。另一个绕不开的问题是通信时滞——智能体拿到邻居数据时数据已经是 τ 步之前的状态了这个延迟会影响稳定性。5.1 二阶系统一致性位置与速度双通道二阶系统模型是 x_ddot_i u_i一致性协议要同时驱动位置差和速度差u_i -Kp * sum_j a_ij (x_j - x_i) - Kd * sum_j a_ij (v_j - v_i)离散化要分两步更新先更新速度再用新速度更新位置不能一步到位。% 二阶一致性位置-速度双通道更新 Kp 0.4; Kd 0.9; dt 0.05; x rand(n,1)*5; v zeros(n,1); hist_x zeros(n, Nstep1); hist_x(:,1) x; for t 1:Nstep % 邻居位置差 邻居速度差合成控制量 u -Kp*(L*x) - Kd*(L*v); v v dt*u; % 先更新速度 x x dt*v; % 再更新位置 hist_x(:,t1) x; end整体就是欧拉积分关键是 v 的更新用当前 ux 的更新用更新后的新 v这比完全显式欧拉更稳。把状态扩展成 [x; v] 的话系统矩阵变成 [0 I; -KpL -KdL]一次 eig 就能算出所有特征值稳定边界一目了然。Kp 和 Kd 是配对才有效的两个参数。Kp 太小位置收敛慢Kd 太小速度通道衰减不够曲线会震荡Kp 太大会让速度更新剧烈直接把 v 打飞。经验起点是 Kp 取 0.2~0.5Kd 取 0.8~1.2再根据曲线微调。要严格判稳把系统矩阵的特征值实部拉出来看全部为负才是连续意义下稳定。5.2 通信时滞给仿真加一个环形缓存通信延迟在真实系统里不可避免。MATLAB 仿真的优势在于时滞可以很自然地模拟只需要用 τ 步之前的状态来计算当前控制量。这里用一个环形缓存存最近的状态避免每步 shift 的开销% 固定时滞 tau用历史状态计算一致性项 tau 3; % 通信时滞步 delay_buffer repmat(x0, 1, tau1); % 每列对应一个历史时刻 for t 1:Nstep x_delay delay_buffer(:, mod(t, tau1) 1); x x - dt * K * (L * x_delay); % 用延迟状态更新 delay_buffer(:, mod(t1, tau1) 1) x; % 当前状态入缓存 endmod 索引实现环形覆盖没有每步移动整块内存的开销。更新式里用的是 x_delay 而不是 x——邻居传来的数据总是有延迟的这一步让仿真更贴近真实通信行为。参数 tau 的单位是迭代步换算成时间就是 tau*dt。一阶系统通常能容忍一定时滞但 tau 超过临界值后系统会振荡甚至发散。严格判断临界值要用超越方程或多个特征值分析工程上我直接扫描 tau 从 0 到 Nstep画出收敛与发散边界曲线直观且不用推导。时滞仿真里最忌“假装没有延迟”——闭环仿真一旦加入缓存很多参数都要重新调。5.3 参数整定的实用顺序从一阶到二阶的递进参数一多同时乱调就会分不清是谁引起的震荡。我按这个顺序来先跑一阶模型把 K 和 dt 定下来然后固定 K、dt只调 Kd 让速度通道稳定最后才动 Kp。每一步只动一个参数并把曲线留档。下表是常用起点和调整方向参数起点参考调大后的效果调小后的效果K协议增益0.3~0.6收敛更快超调变大超过上限则发散收敛变慢dt步长0.05~0.1单步位移更大容易不稳定更稳但更慢Kd速度阻尼0.8~1.2速度衰减快抑制振荡收敛慢、振荡明显Kp位置增益0.2~0.5位置跟踪更快速度超调大跟踪慢稳态误差变大tau时滞步数0~5相位滞后增大稳定裕度下降无影响验证标准始终一致误差曲线换成半对数坐标后能看到向下的直线段斜率对应收敛速率。这个脚本在第 6 章给出作为所有调参动作的收尾检查。6. 验证收敛正确性从误差曲线到可复现脚本6.1 一个一眼看清收敛快慢的误差脚本一致性仿真不只看状态曲线束在一起还要看误差是否按理论速率衰减。对平均一致性误差定义为每个状态与终值的最大偏差% 一致性误差曲线半对数坐标下应呈直线下降 avg mean(x0); err zeros(1, Nstep1); for k 1:Nstep1 err(k) max(abs(history(:,k) - avg)); end semilogy(0:Nstep, err) xlabel(迭代步 k); ylabel(max |x_i - avg|);半对数坐标里指数衰减画出来就是一条向下的直线斜率与 λ2Kdt 对应。若曲线后半段出现平台通常是浮点误差饱和若中途上翘说明系统已进入不稳定区回查步长和增益。6.2 一键复现断言和参数记录仿真代码最怕变成“黑匣子”——跑过就忘别人拿到手里不知道参数为什么这么定。我现在每个脚本开头放三段边表、参数表、断言。边表保证图结构可改参数表用注释写明每个值的来源断言把连通性、稳定性、维度检查都做掉% 一致性仿真模板可复现代码的三件套 assert(rank(L) n-1, 图不连通检查邻接矩阵); % 连通性 assert(dt*K 2/max(eig(L)), 步长超出稳定边界); % 稳定性 assert(isequal(size(L), [n n]), 拉普拉斯矩阵维度错误); % 维度这三条断言在运行第一步拦住最常见的三类错误。跑通一遍不报错再配上保存的 history 和参数表过一个月回来也能快速还原当时怎么调的。经验之谈我见过很多次“当时能跑后来不能跑”的仿真最后几乎都指向同一个问题——参数没记录初值随机但没固定。让初值可复现的小习惯是 rng(1) 放脚本开头随机初值每次都一样对比实验才有可比性。这个方法不玄学就是让输入可复现、输出可解释省掉的不是调试时间是返工时间。希望帮到你。本文还有配套的精品资源点击获取