4. 一致性协议数学基础

在无人系统分布式一致性控制中，最基础也最重要的模型是一阶积分器模型。它把每个无人平台（如无人机、无人车、无人艇）的动力学抽象为“控制输入直接决定状态变化率”的形式，从而把复杂的协同问题转化为图论与线性代数问题。本节围绕连续时间与离散时间两种一阶积分器模型，推导平均一致性协议，给出收敛性证明，并分析稳态值。

4.1 一阶积分器模型

设系统中有 n 个智能体，第 i 个智能体的状态记为 x_i(t) ∈ ℝ，通常代表位置、速度、电压、频率或编队队形参数等标量。连续时间一阶积分器模型为：

ẋ_i(t) = u_i(t),  i = 1, 2, ..., n

其中 u_i(t) 是第 i 个智能体的控制输入。写成向量形式：ẋ = u，x ∈ ℝⁿ。离散时间一阶积分器模型则为：

x_i(k+1) = x_i(k) + ε u_i(k)

其中 ε > 0 为采样步长。离散模型可看作连续模型在采样周期 ε 下的欧拉前向离散化。两种模型的一致性协议设计思路一致：让每个智能体根据自身与邻居的状态差来调整输入。

4.2 通信拓扑与拉普拉斯矩阵

智能体之间的通信关系用无向图 G = (V, E) 描述，V = {1, …, n} 为节点集，E 为边集。若 i 与 j 之间存在通信链路，则 (i, j) ∈ E，且 a_ij = a_ji = 1，否则为 0。定义度矩阵 D = diag(d₁, …, d_n)，其中 d_i = Σ_j a_ij，拉普拉斯矩阵 L = D − A。对于无向连通图，L 是对称半正定矩阵，满足 L1 = 0，且第二小特征值 λ₂(L) > 0，称为代数连通度，它决定收敛速度。

4.3 平均一致性协议

连续时间平均一致性协议定义为：

u_i(t) = −Σ_{j∈N_i} a_ij (x_i(t) − x_j(t))

其中 N_i 为节点 i 的邻居集合。该协议的含义是：每个智能体根据自己与所有邻居的状态差之和来调整自身状态，状态差越大，调整力度越大。将协议代入模型得闭环系统：

ẋ(t) = −L x(t)

离散时间平均一致性协议为 u_i(k) = −Σ_j∈Ni a_ij(x_i(k) − x_j(k))，代入得：

x(k+1) = (I − εL) x(k)

记 W = I − εL，称为权重矩阵。要使离散协议收敛，需选取合适的 ε，通常要求 0 < ε < 1 / max_i d_i，以保证 W 为非负矩阵且谱半径不超过 1。

4.4 收敛性证明

以连续时间为例。由于 L 对称，可对角化。设 L 的特征值为 0 = λ₁ < λ₂ ≤ … ≤ λ_n，对应特征向量 v₁ = 1/√n，v₂, …, v_n 构成正交基。将状态展开为 x(t) = Σ_i=1ⁿ c_i(t) v_i，代入 ẋ = −Lx 得：

ċ_1(t) = 0,  ċ_i(t) = −λ_i c_i(t),  i = 2, ..., n

解得 c₁(t) = c₁(0)，c_i(t) = c_i(0) e^−λ_it。由于 λ_i > 0（i ≥ 2），当 t → ∞ 时，c_i(t) → 0。因此：

x(t) → c_1(0) v_1 = (1^T x(0) / n) · 1

即所有智能体状态收敛到初始状态的平均值。收敛速度由最慢衰减模态决定，时间常数约为 1 / λ₂(L)。λ₂ 越大，收敛越快。

离散时间情形类似。由于 W = I − εL 与 L 共享特征向量，特征值为 1 − ελ_i。当 0 < ε < 1 / max_i d_i 时，|1 − ελ_i| < 1（i ≥ 2），故 W^k 收敛到 (1/n)11^T，从而 x(k) → avg(x(0)) · 1。

4.5 稳态值分析与示例

稳态值由初始状态的平均值决定，与通信拓扑的具体结构无关，只要图是连通的。这一性质称为“平均一致性”。下面给出一个四智能体链式拓扑的示例，用于说明参数选择与收敛过程。

在连续时间协议下，各状态按指数规律趋近 5；在离散时间协议下，迭代约 30~40 步后误差可降至 10⁻³ 量级。实际实现时，可用如下伪代码验证：

L = D - A
x = [2; 4; 6; 8]
epsilon = 0.2
for k = 1:50
    x = x - epsilon * L * x
end
% 预期 x 趋近 [5; 5; 5; 5]

综上，一阶积分器模型下，连续与离散平均一致性协议均能使连通网络中的智能体状态收敛到初始平均值。连续时间收敛速度由 λ₂(L) 决定，离散时间还需满足步长约束。理解这些数学基础，是后续设计编队控制、分布式优化和事件触发协议的前提。