随着现代分布式理论、去中心化等技术的不断发展,需要处理的数据量也日益增加,基于集中式方法的效率和成本已经不能够满足人们的需求,因而分布式的多智能体系统(Multi-Agent System)应运而生。分布式的多智能体系统首要考虑的是一致性问题,即让系统所有成员达成某个或多个状态值的一致。多智能体系统的交流、协作依托于各个节点组成的通信网络,在拥有大规模节点的智能体网络中,通信将非常复杂且冗余,这不利于系统达成一致性。因此,多智能体系统的网络拓扑优化非常重要。在有限传感范围的多智能体系统中,约束集能够始终保持每个智能体与所有邻居一直保持通信,从而确保全局连通性。但是,当拓扑具有大覆盖范围时,选择所有邻居来计算约束集的收敛效果并不理想。保持连通性并使系统能够在大规模高密度多智能体系统上快速收敛一直是一个巨大的挑战。本文主要研究离散时间下限有传感范围的多智能体系统,对经典的一致性协议进行优化,提出了三种基于优化网络的一致性协议,充分体现多智能体系统审时度势的特点,有效地增强了一致性。在基于网络边界的网络连通性保护算法BCP(Boundary Connectivity Preservation)中,提出了网络拓扑网络边缘的概念。使每个智能体在局部找到网络边界,并通过约束集维护其连通性,最终达到全局边界被维护的效果。同时设计了一种基于维度最值的平均一致性算法DMA(Dimension Maximum Average),它能够减小智能体分布不均对系统带来的影响。更重要的是,DMA保证了智能体在每次迭代中将与邻居是有序的,保证了每个智能体不会超过局部网络边界,从而全局的连通性得到保护。另一方面,BCP算法能够减少大约80%的通信边,在拓扑密度越大时,效果越明显。为了设计更为通用的连通性保护算法。基于密度子图的多智能体网络连通性保护算法中,提出了一种分布式扇区划分基(SDB)一致性协议来加速收敛,以及一种基于密度的保持多智能体系统连通性d-subgragh(DSG)算法。首先,SDB算法令每个智能体将其邻居划分为不同扇区,根据分布情况选择不同策略计算其控制输入并限制其上限。然后通过DSG基于局部密度信息构造多个在一次迭代过程中仍能够保持连通性的连通分量。每个智能体仅根据局部的连通分量情况,通过约束集维护与某些邻居的连通性,以此保护全局连通性。DSG能够运用在不同维度的多智能体系统,且更易于理解和实现,能够拥有更广泛的应用。基于模体的多智能体一致性协议是首次提出的。首先,多智能体一致性协议通常仅通过考虑智能体之间的直接边缘来在低阶结构上进行,而忽略整个拓扑网络的高阶结构。其次,现有工作假设拓扑网络中的所有边缘都具有相同的权重,而没有探索连接的潜在多样性。这样,多智能体系统无法强制达成一致性,从而导致分成多个集群。为解决上述问题,本文提出了一种基于模体的加权多智能体系统(Motifaware Weighted Multi-agent System,MWMS)一致性控制方法。本文更多地关注网络中的三角形图案,但是它也可以扩展到其他种类的图案。首先,使用一种新颖的加权网络,该网络是基于直接通信边的低阶结构和基于模体的高阶结构(即,混合阶结构)的组合。随后,通过同时考虑网络中连接的数量和质量,设计了用于MAS的新颖一致性框架来更新智能体。最后,本文通过理论证明和仿真实验,验证所提方法的有效性和高效性,并且所谈及的连通性保护算法均与一致性是相互独立的,它们均有较强的复用性,能够应用在不同的有限传感范围多智能体系统的问题中。