随着以机器人、无人机为代表的人工智能技术的发展,多自主体系统的协调控制问题越来越受到控制理论学者的关注。作为多自主体协调控制领域里的研究热点之一,一致性问题是指自主体通过局部信息交流最终实现状态渐近一致。对于离散多自主体系统而言,收敛速度和采样周期是一致性问题研究中的重点讨论对象,如何在付出较少通信代价的基础上提高系统收敛速度和采样周期阈值以减少能量损耗,具有重要的研究意义。本文利用图论、代数、矩阵论、预测控制等理论研究了基于预测机制的离散多自主体系统的一致性问题。通过赋予自主体预测智能,在实现所有自主体渐近收敛到一致的目标前提下,可以提高系统的收敛速度和扩展系统的采样周期,基于MPC(模型预测控制)的等价解具有计算量小、调节参数少、存储消耗低等特点,可以较好地满足工业环境中的实时性要求,提高了一致性协议的实际应用价值。本文的研究内容主要如下:(1)研究了基于预测机制的一阶同构离散多自主体系统的一致性问题。在经典一致性协议的基础上设计了改进的基于MPC的一致性协议,利用数值仿真分析了改进协议的有效性和优势,并指出了基于梯度下降法得到的MPC最优解的不足之处。(2)针对基于梯度下降法得到的MPC最优解含有逆矩阵不利于一致性分析的问题,利用代数理论和矩阵理论得到了MPC最优解的迭代等价解,给出了一致性收敛的充分必要条件和采样周期上界,并分析了协议参数的选取原则以及参数对系统一致性收敛速度的影响,同时给出了分布式多自主体系统的Lyapunov函数。(3)研究了基于预测机制的二阶同构离散多自主体系统的一致性问题。在基于状态反馈的二阶一致性协议的基础上设计了基于预测项的动态一致性协议,分别给出了基于梯度下降法的MPC传统控制解和其等价解。利用矩阵特征值分析法得到了二阶多自主体系统达到一致性的充分必要条件,并分析了协议参数对系统收敛性的影响。(4)考虑了基于预测补偿的异构时延离散多自主体系统的一致性问题。针对具有反馈时延且输入状态不可观测的离散多自主体系统,首先构造时延状态观测器,用预测补偿的方法处理输出时延,基于观测器的预测值和输出偏差来设计一致性协议,将输出一致性问题转化为闭环系统的渐近稳定性问题。最后通过极点配置调节控制器增益,使闭环系统的所有特征值位于单位圆内,得到了和时延无关的一致性收敛的充分必要条件。