近年来,随着人工智能和物联网的蓬勃发展,多智能体系统得到了越来越多的关注,特别是在机器人网络、城市交通系统、分布式计算、神经网络机器人协作、无线传感器等领域。其研究结果表明多智能体系统能够完成许多复杂的控制任务。一致性是指在分布式多智能体系统中,智能体相互之间经过通讯和协作,各个智能体的某些状态或信息达到一致。分布式一致的主要研究热点为收敛性、收敛速度、通讯协议最优化、网络搭建、事件触发、约束条件优化等。在实际应用中,由于外部条件和器材本身的非理想化,量化、编码和噪声也成为必要的研究方向。本文重点分析了带有少量输入噪声的多智能体系统的分布式协同。本文讨论无向网络,并且用一个一阶差分方程来表示这个系统随时间变化的迭代规则,同时用方程组来描述约束条件、量化规则和编码解码规则。首先,本文讨论固定拓扑多智能体系统。我们假设输入噪声是均值为0的均匀分布噪声,并且和每个智能体的值相互独立。因为噪声是一个随机变量,经过迭代后,智能体的状态值组成了一个随机过程,所以这个随机过程有可能最终达不到一致。我们得到当满足一定限制条件后,整个多智能体系统将达到一致,并且其最终状态是一个随机值。最后我们分析了对应的统计特征和收敛速度。其次,我们分析随机拓扑多智能体系统。因为整个系统的结构不固定,其对应的拉普拉斯矩阵是一个时变的矩阵,易知这个随机矩阵过程是一个马尔科夫过程。为了避免量化饱和,首先我们假设量化无界。在马尔科夫过程中,为了随机化量化误差,我们需要加入一个满足Schuchman条件的扰动信号。本文证明了整个智能体系统平均值形成的序列是一个二阶有界鞅过程,利用这个鞅过程证明了整个多智能体系统将依概率收敛到某个相同的值。对于有界量化,我们证明通过控制相关参数和限制条件,能够提高多智能体达到一致的概率,并且给出了这个概率和对应参数的具体表达式。