模型预测控制（Model Predictive Control,MPC）能够在线显式处理各种系统约束,因此自诞生以来备受广大学者关注。然而,系统结构复杂且控制目标多样的多智能体系统（Multi-Agent System,MAS）的出现,使得传统集中式MPC算法难以解决可以通信的智能体间存在的控制问题,进而产生分布式模型预测控制（Distributed Model Predictive Control,DMPC）。由于DMPC算法可以利用智能体间的局部信息,实现整体系统的优化性能,因此涌现出不少MAS的DMPC研究成果,不过仍存在一些有待解决的问题。故本文针对多智能体系统存在的智能体间的通信负担大,控制器设计保守性强且在线计算量大等问题,设计出新颖的DMPC算法。本文的主要研究内容包括以下几个方面:（1）针对一类存在约束耦合的线性多智能体系统,提出了一种基于误差上界的DMPC算法以减轻智能体间的通信负担。首先,基于相邻智能体的局部状态误差引入一个需要求解“min-max”的指标函数,从而构建一个邻域误差上界条件来判断是否需要将智能体的状态信息传输给相邻智能体,这样可以减轻智能体间的通信负担。然后,根据建立的误差上界条件,构造一种改进的耦合约束,使终端约束集内的状态同样满足此约束,并通过求解包含终端成本、终端约束集和终端控制器以及约束条件的DMPC优化问题得到最优控制器。最后,通过matlab仿真结果证明了所提算法的有效性。（2）针对一类状态和控制输入相互耦合的多智能体系统,提出了一种具有时变终端约束集的DMPC算法。首先,为了保证系统性能全局最优且降低DMPC的在线计算量,将相邻智能体的耦合影响看作有界扰动,并引入智能体系统对应的标称系统模型,进一步设计出只含有标称系统变量的性能指标函数。然后,在DMPC的结构框架下,给出了一种新颖的时变终端约束集设计方法,并通过求解约束条件下的DMPC优化问题设计出预测控制器。最后,通过matlab仿真结果证明了所提算法的有效性。（3）针对一类具有并联结构的不确定多智能体系统,提出了一种鲁棒DMPC设计方法。根据实际系统的复杂性,考虑这样一类不确定多智能体系统:针对并联结构特点,定义了并联结构系统中的竞争耦合与竞争约束。并采用线性矩阵不等式（Linear Matrix Inequality,LMI）方法,将鲁棒DMPC的无限时域“min-max”优化问题转化为有限时域且包含LMI约束的优化问题,并为每一个智能体设计显式反馈控制律表达式。最后,通过matlab仿真结果证明了所提算法的有效性。