1. 多智能体协同与“小团体”架构
1.1 为什么真实系统离不开小团体
调多智能体仿真的时候，我越来越发现一个现实：真实系统中的智能体很少跟所有邻居交换信息。编队无人机是按分队飞的，仓储AGV是按区域管的，配电网的分布式控制器也是按馈线分组的。全网全连通这种假设在论文里好看，在工程里基本不成立。所以“基于小团体”（局部子群）的控制架构，就成了多智能体系统落地必须要跨过去的一道坎——每个智能体只跟自己的小组通信，组内完成一致性协调，组间再通过协调机制收敛到全局目标。
所谓小团体，通俗点说就是把智能体按任务、区域或角色分成若干子群。组内连接密、通信频繁、耦合权重高；组间只保留少量关键连接，用来交换组级信息。这种拓扑结构的好处非常直接：通信负载低、局部故障不会立刻拖垮全局、控制律设计可以分而治之。如果你用过大规模多智能体仿真，一定体会过“邻居节点数暴涨导致计算量失控”的痛苦。分组之后，每个节点最多处理几个邻居的数据，这才让仿真和实物部署都变得可行。
我见过不少刚开始接触多智能体的朋友，一上来就把所有节点全连接，仿真倒是能跑通，但一旦节点数量超过几十个，矩阵运算、通信广播、一致性迭代都会出现明显卡顿。更麻烦的是，全连接拓扑下的控制参数很难调，任何一个小扰动都会经过全网传播，震荡很难压住。一个小团队的规模限制为几个到十几个节点，问题就立刻清爽了。
这篇文章要讲的，就是把“组内一致性”和“组间协调”两层控制逻辑叠起来，在MATLAB里实现一个带小团体结构的多智能体系统仿真。我会把数学原理、代码结构、调参经验和踩坑记录一并写清楚，适合刚入门分布式控制、准备做编队或协调控制的同学参考。
1.2 小团体架构的核心数学表达
多智能体系统里，智能体之间的关系用图来描述。节点是智能体，边是通信链路。小团体结构对应的就是“若干个密集子图 + 少量稀疏跨子图连接”。这种图有很多现成的数学性质可以直接用，比如分组拉普拉斯矩阵、子群内部连通性、组间耦合强度等等。
先明确一下基本模型。每个智能体的动态如果简化为一阶积分器，写成：
x'_i = u_i
其中x_i是第i个智能体的状态（位置、速度、温度、电量都可以），u_i是控制输入。所谓一致性，就是设计u_i，让所有x_i最终趋于同一个值。经典的分布式一致性协议是：
u_i = - ∑ a_ij (x_i - x_j)
这里的a_ij是邻接矩阵A的第i,j个元素，代表通信拓扑中节点i和节点j之间的连接权重。如果j是i的邻居，a_ij > 0，否则为0。把整个系统写成矩阵形式：
x' = -L x
其中L是图拉普拉斯矩阵。这个式子看着简单，但它背后有一个很重要的性质：如果图是连通的，L只有一个零特征值，对应的特征向量是全1向量，这就意味着系统状态会收敛到一个共同值。这个共同值就是多智能体系统的“共识”。
小团体结构在这个框架下怎么做？关键在于把拉普拉斯矩阵按子群分块。假设系统分成m个小组，状态向量x按组分段，L就变成块状结构：
- 对角线块L_gg：描述组内连接，决定组内收敛速度；
- 非对角线块L_gk：描述组间连接，决定组间信息交换强度。
控制协议也对应拆成两层：
u_i = - α ∑ a_ij (x_i - x_j)（组内邻居） - β ∑ a_ij (x_i - x_j)（组间邻居） - γ (x_i - r_g)
这里α、β、γ是三个增益系数，分别管组内一致性、组间协调、参考跟随。α大，组内快速齐步走；β小，组间只做缓慢的信息交换；γ存在，则每个小组往自己的参考值r_g靠。通过调节这三个数的比例，可以让各组内部先稳定下来，再慢慢实现全局协同——这正是小团体架构在实际中常用的操作手法。
需要强调一点：组间连接的数量和强度都不能随便选。如果组间连接太强，小团体结构会被冲垮，所有智能体最终混成一个整体；如果组间连接太弱，各组又各自为政，全局任务无法协同。后面第3章的仿真就是围绕这两个约束来设计的。
2. 基于小团体的控制算法设计细节
2.1 一致性基线算法与收敛条件
在多智能体系统的控制算法里，一致性算法是绝对的地基。无论你后面是编队控制、分布式估计还是区域协调，本质上都在做相似的事：让某个状态量在节点之间达到一致。
一阶一致性协议的收敛性分析很成熟，核心结论是：如果通信图无向且连通，那么系统中所有节点的状态会指数收敛到初始状态的加权平均。对于无向图，权重平均就是算术平均。这个结论在MATLAB里验证起来非常快——随机生成一个连通图，给每个节点一个随机初值，跑几十步观察误差，几行代码就能看到收敛曲线。我强烈建议初学者先把这一步跑通，再往上叠加小团体结构。
但要注意，一致性算法的收敛速度跟拉普拉斯矩阵的第二小特征值λ₂有关，也就是代数连通度。λ₂越大，收敛越快。在小团体架构里，组内全连接的时候λ₂通常很大，所以组内收敛很快；但组间只有少量连接时，整个大图的λ₂会被“瓶颈连接”拉低，导致全局收敛慢。这不是坏事，反而是设计者可以利用的特性——你希望组内快速同步，同时允许组间有更长的协调时间。
我在调试中习惯用eigs函数直接算拉普拉斯矩阵的特征值，看λ₂的数量级，评判当前拓扑是不是“亚健康”。如果一个分组系统的λ₂小到1e-4以下，那收敛时间会非常长，这时候要么增加组间连接数，要么调整组间增益β，甚至考虑引入虚拟领导者。
2.2 分组加权协议：组内强耦合、组间弱耦合
小团体结构最核心的控制算法思想，可以总结成一句话：组内强耦合，组间弱耦合。为什么要这么安排？先想想物理含义。组内节点因为执行的是同一个子任务，彼此之间需要频繁对齐状态；组间节点只交换概略信息，不需要精细同步。
具体到协议设计里，就是在原有的邻接矩阵上乘一层权重。我常用如下方式构造权重矩阵：
- 组内连接权重设为α，默认取1或更大；
- 组间连接权重设为β，默认取0.1到0.3；
- 如果每个小组还需要跟随自己的参考值，再加一个γ(x_i - r_g)项。
这种方法的好处是代码实现特别简单——你只需要把邻接矩阵A正常建出来，然后在控制器函数里判断两个节点是否属于同一个小组，再分别乘α或β。不需要单独构造复杂的矩阵，改参数也直观。
一个容易踩的坑是：组间弱耦合不等于组间完全不耦合。我自己刚开始调的时候，把β设为0，想看看纯分组控制的效果，结果各组永远各飞各的，全局协同指标一直无法收敛。后来才意识到，组间连接的作用是“交换组之间的偏差信息”，只有这层信息持续存在，各个小组才能意识到自己跟总体目标的差距，并逐步修正。β设小一点是可以的，但绝不能为0，除非你真的只需要完全独立的分组控制。
2.3 组间协调策略：虚拟参考与偏差补偿
有了组内一致性和组间弱耦合，最后一块拼图是组间协调策略。小团体系统只做到“组内一致”还不够，还要回答一个问题：各个小组的共识值之间，最终应保持在什么关系上？
我常用的方案有两种。第一种方案最简单：给每一个小组设置一个参考值r_g，每个组都跟随自己的r_g。这在分组编队里很常见——一组无人机飞到第一行，二组飞到第二行，各管各的。实现起来相当容易，每个智能体的控制律里加一项-γ(x_i - r_g)就行。
第二种方案适合需要整体协同的场景：不直接给不同的r_g，而是给一个全局参考值r，每个小组通过组间连接逐渐同步到r。这种情况下，组间弱耦合承担了“组间偏差补偿”的角色。当某小组的均值和r偏差较大时，组间连接的存在会把这种偏差反馈回组内节点，推动整个组向r移动。
更精细一点的做法是，每个小组内部选出一个“组代表节点”，只有组代表节点跟其他小组的代表节点通信。这种方式能大幅降低通信连接数，尤其适合组内节点多、组间通信带宽受限的场景。在MATLAB仿真里，这相当于只在邻接矩阵的特定位置放非零元素。我给代码模板默认用的就是这种“组间单点连接”设计，详见第3章。
还有一点想提醒：如果你需要的是快收敛，γ就不宜太小；如果担心系统震荡，γ也不宜过大。我一般先试α = 5、β = 0.5、γ = 1.0，再逐步调整。具体怎么判断效果，看第4章的调参经验表格。
3. MATLAB代码核心模块与仿真实现
3.1 初始化与拓扑生成
写MA TLAB仿真前，先把整体结构想清楚。我的代码习惯是分成四个部分：初始化与拓扑生成、控制律计算、状态更新、结果可视化。这种分层方式的好处是改动某一层不影响其他层，你换拓扑结构、换控制算法、换积分方法时都可以平替。
初始化阶段最重要的两个数据结构：邻接矩阵A和分组向量group_id。分组向量长度等于智能体总数，每个元素表示该智能体属于哪一组。这个向量在计算控制律时要反复查询，务必保持简单紧凑。
下面给出一段可直接运行的拓扑生成代码，默认配置为24个智能体，分成4个小团体，每组6个节点，组内全连接，组间只靠相邻小组的首尾节点通信：
%% 参数设置 n_group = 4; % 小团体数量 group_size = 6; % 每组智能体数量 n_agents = n_group * group_size; alpha = 5.0; % 组内耦合增益 beta = 0.5; % 组间耦合增益 gamma = 1.0; % 参考跟随增益 dt = 0.01; % 仿真步长 T = 30; % 仿真时长 %% 分组编号 group_id = repelem(1:n_group, group_size)'; %% 邻接矩阵：组内全连接 A = zeros(n_agents, n_agents); for g = 1:n_group idx = (g-1)*group_size + (1:group_size); for i = 1:group_size for j = i+1:group_size A(idx(i), idx(j)) = 1; A(idx(j), idx(i)) = 1; end end end %% 组间稀疏连接：相邻小组的首尾节点相连 for g = 1:n_group-1 left = g*group_size; % 本组最后一个节点 right = g*group_size + 1; % 下一组第一个节点 A(left, right) = 1; A(right, left) = 1; end这段代码生成的拓扑有一个显著特点：大图整体连通，但组间只有3条“桥接边”。如果你画一下这个图的连通度，会发现组内节点高度耦合、组间只靠一条窄带传递信息——这正是“小团体”的典型结构特征。
3.2 控制器与状态更新
控制律的实现是整个仿真最核心的部分。我倾向于把控制律写成一个独立函数，输入是当前所有状态x、邻接矩阵A、分组向量group_id以及三个增益，输出是每个节点的控制量u。这样后面无论换成非线性动力学、加入通信时延或改成事件触发，都只需要改这一个函数。
以下是控制律计算部分的实现：
function u = cluster_controller(x, A, group_id, alpha, beta, gamma, refs) n = length(x); u = zeros(n, 1); for i = 1:n intra_sum = 0; inter_sum = 0; for j = 1:n if A(i,j) == 0 continue; end if group_id(i) == group_id(j) intra_sum = intra_sum + (x(i) - x(j)); else inter_sum = inter_sum + (x(i) - x(j)); end end u(i) = -alpha * intra_sum - beta * inter_sum ... - gamma * (x(i) - refs(group_id(i))); end end仔细看这段代码，包含三层作用：
- 第一层-α×组内差值：让同一组的节点快速对齐，这是组内一致性的来源。
- 第二层-β×组间差值：让不同组之间交换偏差信息，这是组间协调的来源。
- 第三层-γ×(x_i-r_g)：让本组整体向参考值靠拢。如果你把它去掉，系统就只做纯粹的组内和组间一致性；如果保留，就可以让不同组停在各自目标值上。
这种逐节点for循环实现的优点是逻辑透明、容易理解，缺点是大规模系统下计算效率低。如果你测试几百个节点，建议改成矩阵运算形式，用拉普拉斯矩阵一次性算。但我个人建议初学阶段先用for循环，搞清楚物理含义后再优化。
状态更新阶段，默认使用欧拉积分。虽然欧拉积分精度一般，但胜在稳定且易调参。代码如下：
%% 初始状态 rng(42); x = 10 * randn(n_agents, 1); % 随机初值 %% 每组参考值 refs = [2.0, 5.0, 8.0, 11.0]; % 四个组收敛到不同目标 %% 仿真主循环 steps = round(T / dt); x_history = zeros(n_agents, steps + 1); x_history(:, 1) = x; for k = 1:steps u = cluster_controller(x, A, group_id, alpha, beta, gamma, refs); x = x + dt * u; x_history(:, k + 1) = x; end这里refs设置了四个不同的目标值，每组分别收敛到2、5、8、11。用这个配置，你可以直观看到“组内一致、组间分离”的效果。
3.3 仿真实例：四组三桥的收敛效果
为了验证上面的代码，我跑了一个基准算例。系统包含24个智能体，初值服从均值为0、标准差为10的高斯分布。四组的参考目标分别是2、5、8、11。其他参数如代码所示。
从仿真结果看，大概前5秒内组内状态就快速聚拢了，6个节点的曲线在各自参考值附近形成一束紧曲线；到10秒后，组间差距已经很明显，四束线分别停在四个目标附近；到20秒后，曲线基本水平，系统达到稳态。这个结果跟理论预期吻合：组内强耦合负责快速收敛，组间弱耦合不破坏分组格局，γ项负责把各组钉在目标值上。
值得注意的是，组间那3条桥接边虽然权重很小（β=0.5），但并不是无效的。如果把β调成0，各组之间完全失去信息通道，那么同一组的节点即使跟随同一个参考值，也会因为初值差异和数值误差而出现微小漂移；更重要的是，如果全局任务需要所有组最终达到同一个值，没有组间通道就完全不可能实现。
3.4 结果可视化与指标评估
多智能体仿真最忌讳只看数值不画图。状态曲线一眼就能看出收敛过程是否健康，所以我习惯画两类图：
第一类是状态轨迹图——把所有节点的x随时间变化画在同一张图上。通过观察每组曲线是否聚拢、是否平滑无震荡、是否最终停在目标值附近，可以直观判断控制参数是否合适。
第二类是误差指标图——计算每个组内节点的状态标准差，以及各组均值与目标参考之间的偏差。这类图适合写报告和论文，能量化“收敛速度和精度”。
MATLAB里的实现很简单，直接用plot依次画出各节点曲线，再用legend标注分组即可。如果你想让同一组的曲线颜色一致，可以用group_id作为ColorOrder的索引。画误差指标时，建议用semilogy画对数坐标，可以看到收敛是否呈指数级衰减。
4. 常见问题与排查技巧实录
4.1 参数调试速查表
调控制算法参数这件事，说难不难，说容易也容易翻车。我把常用参数范围和调整逻辑整理成一张速查表，方便你拿来即用：
| 参数 | 取值范围参考 | 作用 | 调高效果 | 调低效果 |
|---|---|---|---|---|
| α（组内增益） | 3~10 | 决定组内收敛速度 | 组内快速同步，但过大易震荡 | 组内收敛慢，曲线散 |
| β（组间增益） | 0.1~0.8 | 决定组间协调强度 | 组间整体性增强，防止各组跑偏 | 各组独立性增强，相互感知弱 |
| γ（参考跟随） | 0.5~2.5 | 决定跟随参考值的力度 | 收敛到目标更快 | 可能停在偏离目标的位置 |
| dt（仿真步长） | 0.001~0.02 | 积分步长 | 仿真快，但易发散 | 精度高，但仿真耗时 |
需要特别说明的是，这三个增益不是独立工作的。α和β的比例决定“小团体性”是否成立；γ和β的比例决定“分组跟随目标”和“组间协调”哪个占主导。我见过不少同学把α调得巨大、β也调得巨大，结果系统整体变成一个几乎全连通的网络，小团体结构名存实亡。一个靠谱的检查方法是：仿真结束后统计组内节点最终值的标准差和组间均值差，如果组内标准差已经很小，但组间均值差也几乎为零，说明你的β过大了，小团体架构被冲垮了。
4.2 组间收敛不齐：如何定位瓶颈
多智能体系统最常见的现象是：组内早已一致，组间却迟迟不能协调。大多数情况下，这不是算法本身错了，而是组间连接太稀疏导致的“信息瓶颈”。
如果图只有一条很窄的桥接边，全局拉普拉斯矩阵的λ₂就会非常小，收敛速度慢得让你怀疑程序写错了。定位方法很简单：用MATLAB自带的graph和conncomp检查图的连通性，再用eigs计算拉普拉斯矩阵的特征值。如果λ₂的数量级在1e-3以下，基本可以断定问题出在组间连接上。
解决办法有几个层次：最简单的是增加组间连接的数量，从每组只有1个代表节点通信，改为每组2到3个节点参与组间通信；或者提高β的数值。如果不想改拓扑，也可以换个思路，在控制协议中加入一个组级虚拟状态量，把“组均值一致”作为控制目标，这会绕开部分稀疏连接导致的信息瓶颈问题。
我自己的经验是：先画状态轨迹图，观察哪些组慢、哪些组快，再回到拓扑和特征值上找原因，不要盲目调大β。盲目调大的结果是所有组扎堆到中间某个值，分组彻底失效。
4.3 震荡发散：步长与增益的匹配
仿真发散、曲线震荡，是最容易让新人崩溃的问题。我踩过这个坑，后来慢慢总结出两个主要原因：一是欧拉积分步长太大，二是增益和步长的乘积超过了稳定域。
对于一阶积分器模型，简单判定条件是：对于最大节点度数为d_max的系统，α×d_max×dt不宜超过一个量级范围，粗略经验值是小于1。如果发现发散，优先把dt缩小到原来的1/5，看看是否好转。如果dt缩到很小还震荡，那就是增益本身太高了，先降α再降β。
另外，观察震荡形状也有帮助。如果是高频小抖动，多半是积分步长略大；如果是发散式的炸开，多半是组合增益过大。逐步调整时，每次只改一个参数，改完跑一遍，记录结果，再改下一个。这种“单变量调参法”看似笨拙，但最大好处是你能明确知道每个参数的影响。
4.4 初值对收敛的影响与随机性处理
很多人在仿真中发现，同样的参数，换一组初值，收敛曲线变化很大，于是怀疑代码写错了。实际上这很正常：一阶一致性系统的收敛速度受初值分布影响较小，但带参考跟随项之后，初值离参考值越远，系统需要越长时间才能追上目标。
如果你希望实验结果可复现，务必固定随机数种子，也就是在初始化时用rng(42)这类语句。如果你希望结果更接近真实系统的多样性，可以多跑几组随机初值，把结果放在同一张图上做阴影带，观察系统在不同工况下的收敛包络。
更重要的一个经验是：不要把所有智能体的初值都设成接近目标值。那样仿真曲线很好看，但掩盖了控制律的真实调节能力。我一般用均值为0、标准差为目标值一半的中等随机初值，既能看出收敛过程，又不至于让控制器饱和到异常。
4.5 通信中断与节点失联的模拟
小团体架构一个不容忽视的优势是鲁棒性。当某个组出现节点掉线时，影响会被限制在组内和相邻组，不会沿着全连接网络瞬间扩散到整个系统。
如果你想模拟这种场景，最简单的做法是在某个时刻把邻接矩阵A对应行和列置零，也就是移除故障节点的通信边。然后观察剩余节点是否仍能收敛。我测试过在4组系统中随机移除3个节点，只要每个组的剩余节点数不少于2且大图保持连通，系统依然可以收敛到目标值，只是收敛速度明显变慢。这说明小团体结构天然具备一定的容错能力。
这个现象背后的道理在于：分组拉普拉斯矩阵在移除少量节点后，λ₂只是变小，不会突变到0；而全连接拓扑在同样故障下，虽然整体连通性也不受影响，但通信开销和耦合面太大，故障影响面积会明显扩大。对做实物系统的朋友来说，这是选择小团体架构的核心理由。
5. 扩展方向与下一步建议
5.1 从一阶模型到高阶与二维运动
这篇文章的例子全部基于一阶积分器模型，也就是最基础的状态一致性。实际应用中，很多被控对象是二阶动态、非线性动态，或者状态本身是二维甚至三维坐标。以无人机编队为例，每个无人机的位置是三维向量，速度是另外三个分量，控制输入作用在加速度上，这就不适用一阶模型了。
扩展的方法不复杂。你可以把状态向量从标量变成多维向量，控制协议在每一维上分别执行一致性运算；如果每维还是耦合的，那就要把控制律改成和加速度相关的形式，例如u_i = -K_p (x_i - x_desired) - K_d (v_i - v_desired)。这个思路跟本文的分组加权协议是兼容的——你只需要把每个智能体内部的动态方程换掉，外层的小团体结构和组间协调逻辑完全不用动。
5.2 加入时延、丢包与事件触发
真实系统里的通信不是理想同步的，时延和丢包不可避免。小团体架构在这方面有天然优势：通信距离短、路径少、局部信道状态容易建模。你在MATLAB里加入固定时延和随机丢包，观察一致性收敛是否仍然成立，是一个很有价值的实验课题。
事件触发是另一个方向：不是每个仿真步都通信，而是只有当状态偏差超过阈值时才触发一次通信。这会大幅降低通信频率，但会引入触发序列的复杂度。如果你有兴趣，可以从每个组选一个“组长”开始做起，只有组长的状态偏差超过阈值时，组长才向其他组发起协调通信。这样做既保留了小团体结构，又大大降低了通信负载。
5.3 从仿真到实物的小心提醒
最后提醒一句：MATLAB仿真能跑通，不等于实物系统能直接照搬。实物系统中存在传感器噪声、执行器饱和、通信延迟、异步时钟等一堆仿真里没建模的因素。我的建议是：先保持小团体结构不变，把控制律里的理想状态值改成带噪声的测量值，观察系统是否仍能稳定；再加入饱和限幅，看是否出现限幅振荡；最后把通信周期从每个仿真步一次改成固定周期一次，确认性能不会断崖式下降。一步步逼近真实，每一步都能让你对算法本身的理解更扎实。
我个人做这套系统最大的体会是：控制算法本身并不需要很花哨，关键在于拓扑设计和参数匹配。小团体架构能解决大系统协同中的通信、鲁棒和复杂度问题，但也要求你更精细地设计组间连接和权重比例。把本文的代码跑通一遍，改几个参数感受一下，再换一个拓扑结构试试，你会在实际操作中对一致性算法和分组控制产生远比书本更直观的理解。
