编队控制是一致性控制的延伸，智能体的队形是经过相邻智能体之间的相对距离来描述的，因此，在一致性控制协议的基础上通过线性变换就可以将一致性算法运用到编队控制算法当中去。目前，编队控制的主要方法有：集中控制方法，虚 拟结构式控制方法，分 布式控制方法等等。
集中控制这种方法对主题的依赖性较大，一带主体出现问题整个系统都会产生问题。另外，个体是通过相邻的个体通信而形成编队，个体测量相对误差是具有累加的特性的。也就是说，系统个体的数目越多，系统的稳定性越不好。
虚拟结构控制方法通过对个体运算而生成虚拟的个体。把整个编队视作刚体，个体作为参考点。这样就可以计算出位置轨迹等等。这种方法能够准确的保持编队，但是可扩容性相对较差，比较适用于小型的编队系统而不适合大型编队。
分布式控制是一种比较容易看到的方法，简单而有效。但是要求个体明确与相邻个体之间的期望相对位置，有一点的局限性，并不适用于连接度很高的复杂网络，以及需要切换的网络拓扑。
在编队控制中一个基本问题是如何选取最有效的队形来执行协调任务，常见的队形有线型、柱形、菱形、V型这四种[21]。现在，编队控制在许多方面有着广泛的运用。例如在工业中，利用多移动机器人以特定队形进行搬运货物[22-23]；在军事上，利用多个编队机器人执行巡逻、侦察或搜索[24-25]等等。此外，美国国防部已将飞行器队形控等技术确定为21世纪的关键技术。
1.3.2  聚集控制问题
聚集问题就是在空间中的几个个体，智能体，通过互相交换邻局部信息，最终聚集于一个期望的区域内。多智能体协调控制当中，进行协调的目标可以为一个，也可以为多个，也可以是由很多目标组成的一个集合。不同于只有单独的领导者的一致性控制，聚集问题中存在不止一个领导者，而这些的多领导者只可以发送它们的状态信息给相邻的跟随者，而跟随者却不能将自己的状态信息反馈给领导者。依据目标集合的动态类型可以把聚集控制分为：静 态的聚集控制，动态的聚集控制。在实践应用中，领导者不是一个简简单单的个体，而是一个区域，所以把这个目 标区域模拟变成多个领导者组成的集合。常见的应用有异类的机器人躲开障碍物、狼群对鹿群的猎杀、蚁群搬运食物等等。聚集控制是具有领导者的一致性控制的一种特殊表现，只要把多个领导者组成的集合视为一个的领导者就好了。基于外心算法和人工势能函数方法给了我们能文持网络的连通性的聚集算法。因为多领导者之间没有通信而且没有通过相邻的跟随者的状态来更新自身的状态，除此以外，通信网络存在通信时延、噪声、丢包等很多的不确定性，因此要实现完全无误差的动态目标跟踪，是有着很大的挑战性的。
1.3.3  群集运动
多智能体系统群集(Swarming/Flocking)行为是复杂性科学的一个相当重要研究问题。这是从自然界生物群体的行为中发现的。比如：候鸟在迁徙过程中，为了躲开敌人的攻击，它们会有秩序的排成一列或者一个有次序队列；蚂蚁在搬运食物的过程中，蚁群在聚居地与食物区形成一条“高速公路”，当碰上障碍物时，它们会选择最好的路径绕过；动物群在遇到其它生物攻击时为了躲开暂时出现混乱现象，然后再组成一个合理的编队逃跑。群集行为在实践中的应用包含在复杂环境中布署的分布式传感器节点、军事演习当中的侦查。为了更为生动地描述这类生物群体的群集运动，Reynolds用计算机进行仿真模拟了这类群集运动而且提出了一个有名的模型-Boid模型[26]，同时用三个简单的规则阐述这类生物群集行为方式：(l)防止发生碰撞：防止相邻个体之间发生碰撞；(2)速度、方向匹配：和相邻个体的速度、方向最终渐渐一致；(3)中心聚集：每个个体变化现在的位置同时向其相邻的平均位置靠近收缩。最近，生物群体的群集运动引发各个领域专家学者的大力关注。尤其是在生物学、物理学、社会行为学、计算机科学，控制工程当中的发展很大程度上推动了这方面的研究发展。生物学家通过动物群体之间的内部合作来研究这些群体之间出现的相关规则和现象。物理学家利用建立的各种物理模型来模拟从而认识这些行为。而控 制领域的研究人员则通过设计适当的控制规律来实现对这些群体行为,并且这样的控制律可以用于真实的机器人来实现期望的任务和完成预定的功能。文章 [27]对固定网络拓扑和不固定拓扑网络拓扑结构下的群集控制问题进行了分析研究，还考虑防止与障碍发生碰撞。Saber[28]等对具有躲避障碍物的群集控制问题进行了研究分析，他们定义了一种人工势函数，让个体在没有发生碰撞的条件下，最后实现所有智能体的队形控制和速度匹配。 非线性多智能体系统分布式协调控制(3):http://www.youerw.com/zidonghua/lunwen_30439.html