黎小葱做多智能体系统协同控制研究，Matlab仿真几乎是绕不开的一环。前阵子为了把“分群牵引控制”完整跑通，我在代码、参数和拓扑设计之间反复折腾，踩了不少坑，最后整理下来发现这类问题的套路其实非常固定。这篇文章我想把整个仿真过程从头到尾捋一遍，从数学模型到代码实现，再讲到结果怎么判断、参数怎么调，尽量把我在实际操作中遇到的关键点都交代清楚。如果你正在做多智能体系统方向的研究或课程项目，又对分群牵引控制的仿真流程有点拿不准，这篇文章应该能帮你少走不少弯路。
1. 分群牵引控制到底在做什么：先说清楚问题
1.1 多智能体协同控制里的“一致性”是什么
所谓多智能体系统，就是一群具备感知、通信和决策能力的个体组成的网络，典型例子包括无人机编队、移动机器人集群、卫星星座，甚至电网里的分布式发电单元。每一个智能体都有自身状态（位置、速度、姿态，也可能是抽象的物理量），而协同控制的核心目标，是通过智能体之间的局部信息交互，让全网络涌现出某种期望的全局行为。
这里面最常听到的概念是一致性。可以把它理解成一群人开讨论会，大家七嘴八舌聊到最后看法趋同了。放到控制问题里，一致性要求所有智能体的状态收敛到同一个值。数学上，如果智能体 i 的状态记作 x_i(t)，一致性就要求对任意 i、j，当 t 趋于无穷时 |x_i(t) - x_j(t)| 趋于 0。一致性协议最早可以追溯到 Vicsek 模型和 Olfati-Saber、Murray 等人的严格理论分析，现在已经是多智能体控制里讲解的第一个定理级内容。
1.2 分群控制：有些任务根本不需要“大家一起变成一个人”
但实际工程里，“所有人状态完全一致”其实不是唯一需求。一个典型的反例是无人机分区域侦察：整个编队被划分为北部区域组和南部区域组，组内要保持紧密编队，但两组的目标位置、巡逻航线完全不一样。如果强行要求整个系统达成全体一致，反而破坏了任务语义。
这个场景对应的学术问题就是集群一致性，也叫分群一致。它的目标更精细：智能体被预先划分为若干子群，子群内部最终收敛到同一个状态值，但不同子群的收敛值允许不同，甚至可以由任务动态指定。以我前面举的编队侦察为例，子群 A 收敛到区域 A 的期望位置，子群 B 收敛到区域 B 的期望位置，组内紧密、组间独立，这就是分群一致性要解决的典型问题。
1.3 牵引控制的工程价值：少控制几个，带动一大片
明确了“分群”之后，下一个问题是谁来告诉每个子群“你们的目标值是多少”。如果采用全广播方式，控制器需要和所有智能体通信，通信代价高、工程实现难。更常见的做法是牵引控制（Pinning Control）：只对每个子群里少数几个智能体直接施加外部控制信号，其他智能体只通过内部通信网络间接地受影响。
这里可以用一个比喻理解：教练不可能同时给所有队员下达每一脚的跑位指令，他只需要给场上队长交代清楚战略意图，队长再通过队员之间的传话把意图扩散到全队。在分群场景里，每个子群选一个或少数几个“队长节点”，把子群目标值施加在它们身上，剩下的节点通过子群内部的通信网络把状态拉齐。
这套逻辑真正跑起来之前，有三件事必须想清楚：每个子群的期望参考值怎么定义、牵引节点的选取策略、通过什么数学框架把“组内收敛”和“组间分离”同时表达出来。下面这部分就是数学模型的设计。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数学建模与控制律设计：仿真前必须理清的四件事
2.1 选一阶还是二阶模型
多智能体系统仿真第一步是确定动力学模型。一阶积分器模型（x_i_dot = u_i）最常见，状态变化率直接等于控制输入，直观且便于理论收敛性分析，适合用来验证分群一致性协议的正确性。二阶模型（x_i_dot = v_i，v_i_dot = u_i）则更贴近真实无人机和移动机器人的运动，引入速度状态后还要额外设计速度一致项，仿真现象更丰富，但参数调节难度也更大。
我的建议是：第一次跑分群牵引控制，先从一阶模型开始。一阶系统状态下，代码短、调试快，能把“分群效果”和“牵引机制”这两个核心问题看清楚。等一阶结果稳定复现了，再上二阶模型。这样思路清晰，出了问题也容易定位是哪一层引入的。
2.2 通信拓扑用矩阵表示
多智能体系统的通信关系由拓扑图描述，节点是智能体，边是通信链路。图的信息用邻接矩阵 A = [a_ij] 存放：如果智能体 j 的信息能被智能体 i 接收，则 a_ij = 1（有权图可以是非零权重），否则为 0。注意这里的下标方向，它决定矩阵是否对称。
无向图里通信是双向的，A 对称；有向图里信息是单向传递的，A 可能不对称。仿真里我建议从无向图入手，因为无向图的 Laplacian 矩阵对称、半正定，稳定性分析简单直观，不容易出奇奇怪怪的数值问题。
由邻接矩阵可以进一步得到度矩阵 D 和 Laplacian 矩阵 L = D - A。Laplacian 在多智能体系统里的地位，相当于“弹簧-阻尼系统”里的刚度矩阵。L 乘以状态向量得到的向量，正好描述了每个智能体收到的邻居状态差之和。举一个简单例子，4 个节点全连接无向图，A 是除对角线外全 1 的 4×4 矩阵，D 是 diag(3,3,3,3)，L 就是每行对角元为 3、非对角元为 -1 的矩阵。
2.3 分群一致性控制律怎么写
在经典一致性控制律 u_i = -Σ a_ij (x_i - x_j) 的基础上，分群牵引控制需要加入两个关键变化：一是把通信范围限制在子群内部（或让组间通信权重远小于组内），二是给每个子群的牵引节点加上参考信号项。
具体控制律可以写成：
u_i(t) = -α · Σ_{j∈N_i} a_ij · (x_i(t) - x_j(t)) - β · b_i · (x_i(t) - r_{g(i)})
其中 α 是子群内在通信耦合增益，β 是牵引增益，b_i 表示智能体 i 是否为牵引节点（1 或 0），g(i) 是智能体 i 所属子群编号，r_{g(i)} 是该子群的参考状态。
第一项的作用是把邻居状态拉向自己，让整个子群状态趋于平均一致；第二项只作用在牵引节点上，把牵引节点向子群参考值拉拽。因为牵引节点和子群内其他节点之间有通信边，参考值会通过第一项逐步扩散到整个子群。这里面有个很微妙的地方：如果不加第一项，普通节点就没有来源知道参考值的信息；如果不加第二项，整个系统只会趋于全局平均，无法分群。两者缺一不可。
2.4 稳定性直觉与参数下限
这套线性时不变系统是否收敛，可以用理论结果来预估。把控制律代入一阶动力学，得到 x_dot = -αL x - βP(x - r_g)，其中 P 是对角矩阵，只有牵引节点对应位置为 1。给定合理的 α > 0、β > 0，系统矩阵 -αL - βP 的特征值实部都为负时，系统收敛。
这个结论给了我们很实用的调参底线：α 和 β 都必须大于零。实际仿真中，如果 α 太小，收敛过程会非常缓慢，仿真时间要拉得很长；β 太小，牵引节点拉不动整个子群，参考值扩散不出来。常见经验是 α 取 1.0~2.0，β 取 2.0~5.0，这个范围在一阶模型下通常表现良好。具体怎么组合，我放到第 5 节的调参部分专门说。
3. Matlab代码实现：完整的可运行工程
3.1 第1步：初始化智能体、分组与邻接矩阵
我以一个 9 智能体系统为例，分成 3 个子群，每个子群 3 个节点。分组编号写成向量 G，每个智能体的参考值根据分组从向量 r 里取。初始化部分直接看代码：
matlab复制% 系统参数
N = 9; % 智能体数量
G = [1 1 1 2 2 2 3 3 3]; % 每个智能体所属子群编号
r = [0; 2; -2]; % 三个子群的参考状态值
% 通信拓扑：组内全连接，组间无通信
A = zeros(N, N);
for i = 1:N
for j = 1:N
if i ~= j && G(i) == G(j)
A(i, j) = 1;
end
end
end
这里的邻接矩阵十分干净：每个子群内部是全连接网络，组间完全不通信。这种设计能保证“分群成功”的结果完全来自牵引控制和组内耦合的协同，而不是靠外部强制手段。做实验时先这样设计，可以确保通信拓扑本身不会靠组间弱连接把子群状态又拉回去，减少不可控变量。
3.2 第2步：构造Laplacian并检查合法性
有了邻接矩阵 A，构造 Laplacian 有两种常见写法。一种是按定义计算：
matlab复制D = diag(sum(A, 2)); % 度矩阵
L = D - A; % Laplacian矩阵
另一种是利用图对象一步到位：
matlab复制graphObj = graph(A);
L = laplacian(graphObj);
我推荐第一种，因为中间变量 D、A 都摆在那里，哪一步出错都能直接检查。构造完 L 之后，有一个必须做的合法性检查：Laplacian 矩阵每行之和必须为 0。这个性质对应一致性协议里“所有智能体收到的状态差之和为 0”的平移不变性，一旦破坏，系统就会出现整体漂移或者数值异常。
matlab复制rowSumCheck = sum(L, 2);
disp(max(abs(rowSumCheck))); % 期望输出接近 0
我在第一次仿真时就是少了这个检查，手动构造矩阵时把某个边写反了，结果所有智能体状态整体往上飘，当时还以为是控制增益取错了，排查了很长时间。所以现在只要是手写 Laplacian，必然会先跑这个检查。
3.3 第3步：控制律与微分方程求解
接下来是仿真的核心部分。我把控制律写成一个独立的函数，输入为当前时间 t 和状态向量 x（每个智能体一个状态），返回状态导数。参考值向量 ref_vec 要根据分组映射到每个智能体：
matlab复制function dx = mas_cluster_pinning(t, x, L, P, ref_vec, alpha, beta)
% 牵引控制输入
u = -alpha * (L * x) - beta * (P * (x - ref_vec));
dx = u;
end
对应到主程序里，需要先把牵引矩阵 P 和参考向量 ref_vec 准备好。每个子群选第一个节点作为牵引节点，代码是：
matlab复制pinnedIdx = [1; 4; 7]; % 每个子群的牵引节点索引
P = zeros(N, N);
for k = 1:length(pinnedIdx)
P(pinnedIdx(k), pinnedIdx(k)) = 1;
end
ref_vec = zeros(N, 1);
for i = 1:N
ref_vec(i) = r(G(i));
end
主循环可以使用 ode45 直接求解：
matlab复制% 初始状态：在各自分组参考值附近随机扰动
rng(42);
x0 = ref_vec + 0.5 * randn(N, 1);
alpha = 1.5; % 耦合增益
beta = 3.0; % 牵引增益
tspan = [0 15];
opts = odeset('RelTol', 1e-6, 'AbsTol', 1e-8);
[t, x] = ode45(@(t, x) mas_cluster_pinning(t, x, L, P, ref_vec, alpha, beta), ...
tspan, x0, opts);
这里有两个细节值得注意。第一是初值不要给得离参考值太远，否则牵引节点要把整个子群“拖”过来会耗费很长时间，仿真图像前半段会非常难看。第二是 ode45 的容差设置，默认容差在某些刚性较强的参数组合下会产生假振荡，我习惯把 RelTol 压到 1e-6、AbsTol 压到 1e-8，计算量增加不多，但结果可靠很多。
3.4 第4步：判据与可视化
仿真跑完之后，先画状态随时间变化曲线，横轴时间、纵轴状态，不同子群用不同颜色区分，同时把三条参考线画上去。这是最直观的分群效果展示。
matlab复制figure;
hold on;
colors = [0.85 0.33 0.10; 0.00 0.45 0.74; 0.47 0.67 0.19];
for i = 1:N
plot(t, x(:, i), 'Color', colors(G(i), :), 'LineWidth', 1.5);
end
for g = 1:3
yline(r(g), '--', ['Group ', num2str(g), ' ref'], ...
'Color', colors(g, :), 'LineWidth', 1.2);
end
xlabel('Time (s)');
ylabel('State x_i(t)');
title('Cluster Pinning Control: State Trajectories');
一组满意的结果应该长这样：9 条曲线从初值位置开始，在 5~8 秒左右收束为三条明显的簇，每个簇的中心分别落在 0、2、-2 三条虚线上，组内曲线几乎没有分离。如果你的图中所有曲线最终合成了同一条线，说明这个仿真实现的全是一致性而不是分群一致性，回头去检查邻接矩阵是不是把组间通信也加进去了。
4. 运行结果与常见异常模式解读
4.1 一张合格的仿真图到底长什么样
很多初学者拿到一组仿真曲线，不知道该怎么判断“分群成功”。我的判断标准有两个维度：第一，组内误差是否趋于 0；第二，各子群收敛值是否与对应参考值一致。
组内误差定义为每个子群内部任意两个智能体状态差的最大值：
e_g(t) = max_{i,j ∈ Group g} |x_i(t) - x_j(t)|
子群收敛精度定义为该子群状态均值与参考值的偏差：
d_g(t) = |mean(x_{i∈Group g}(t)) - r_g|
这两个指标可以直接在 Matlab 里计算，并画在同一张图上。合格的曲线是 e_g(t) 和 d_g(t) 都随时间单调衰减并趋近 0。如果 e_g 能到 0 但 d_g 稳在某个常数，说明牵引增益不够，子群没有拉到参考值附近；如果 d_g 能到 0 但 e_g 偏大，说明子群内部通信耦合太弱，内部一致性差。
4.2 收敛条数不对：多半是网络连通性问题
仿真里最常见的异常是“该分成 3 簇的结果最终只收敛到 1 个值”。第一次看到这种结果，先别急着怀疑控制律代码，大概率是通信拓扑出了问题。
比如在构造邻接矩阵时，如果循环边界条件写错，一不留神就把子群 1 和子群 2 的节点连了起来。这会导致整个系统从图论意义上是强连通的，牵引信号沿着跨组边从一组传到另一组，最终全局一致。解决方法是把邻接矩阵打印出来肉眼检查，或者画一下拓扑图确认。
matlab复制figure;
plot(graph(A));
这一步极其重要。画出来的拓扑图里，如果看到任何跨子群的连线，而这不是你故意设计的弱通信，那分群效果不出来就很正常了。我的经验是，每次改完邻接矩阵都先画图确认一遍，再跑仿真，可以省下大量无意义的调参时间。
4.3 状态发散：先检查Laplacian而不是盲目调增益
另一种常见异常是仿真曲线数值爆炸，输出 NaN 或者大得离谱。很多人第一反应是把 α 和 β 调小，但我遇到这种情况时，会先检查 Laplacian 矩阵是不是构造错了。
最典型的手滑是邻接矩阵不对称。无向图里 A(i,j) 和 A(j,i) 必须同时为 1，如果只写了一个方向，得到的 L 不再是半正定矩阵，系统就可能不稳定。检查办法很简单：
matlab复制if norm(A - A', 'fro') > 1e-12
disp('邻接矩阵不对称，请检查拓扑！');
end
另外，如果初值选得过大，控制输入初始值也会非常大，ode45 在起步阶段容易因为步长过大而发散。这时候把初始扰动从 0.5 降到 0.2，或者把 tspan 的起始步长限制一下，通常能解决。
4.4 群间“隔离”没做到：牵引参考才是关键
还有一种情况是组内收敛没问题，但所有子群最终收敛到同一个值，而这个值并不是任何一个 r_g。这种现象通常是牵引增益 β 太小、仿真时间太短导致的，系统在“尚未完全牵引到位”的中间状态被截断了。
你可以做一个简单实验：把 β 设成 0.1、仿真时间设成 10 秒，观察结果会发现三条簇还在向中间靠拢的过程中；把仿真时间延长到 100 秒，最终三条簇还是会分开，只是特别慢。所以如果是这个现象，优先调大 β，或者检查每组到底有没有牵引节点（P 矩阵对角线中是否有对应组的 1）。有时候你会忘记给某一组设置牵引节点，那一组因为只有内部平均项，最终会收敛到所有组初始状态的平均数，看起来就像是被“别的组带走了”。
5. 参数调优、踩坑记录与下一步扩展
5.1 牵引节点选择策略
牵引节点不是随便选的。从仿真现象看，同一个子群内部，选择“中心节点”（即和其他节点通信路径最短的节点）作为牵引节点，收敛速度明显快于选择边缘节点。
我做了一个对比实验：同样是 5 个节点的子群，全连接网络下选哪个节点差别不大，但如果是环状通信或者稀疏网络，选中心节点时收敛时间大约缩短了 30%。理论解释很直观：牵引参考值需要通过通信边逐步扩散到全子群，中心节点的信息扩散半径最短。所以拓扑图比较稀疏的时候，先算一下每个节点的度，优先选度最大的节点做牵引节点，这是零成本但效果明显的优化。
5.2 耦合增益与牵引增益的搭配经验
α 和 β 的搭配，我从多次试错里得出一条比较省事的路线：先把 β 固定为 3.0，把 α 从 0.5 开始往上调，观察组内误差 e_g(t) 的收敛速度。α 太小时组内误差收敛慢，图像上曲线会很松散。α 调到 1.5 左右，组内曲线基本已经肉眼难分。然后保持 α = 1.5，调 β。β 太小，子群均值离参考值近不了；β 太大，牵引节点的控制输入很大，初始阶段曲线会出现明显的“过冲”，甚至有轻微的振荡。
我常用的参数组合是 α = 1.5、β = 3.0。如果想加快收敛，同步调大两个参数，比如 α = 3.0、β = 6.0，收敛时间大约能缩短一半，但前提是拓扑网络没有弱连接导致的高频振荡。参数调优过程要记录每组参数对应的曲线形态，不要靠肉眼扫一次就完事。
5.3 二阶模型与通信时延的扩展思路
跑通一阶模型之后，向二阶模型扩展是顺理成章的方向。二阶动力学下，系统状态变成位置和速度两组变量，控制律里需要增加速度阻尼项和速度一致项。我在二阶模型里遇到过一个问题：如果只对位置状态施加牵引，不处理速度，系统会在参考值附近来回振荡，收敛非常慢。解决办法是给牵引节点同时施加速度参考（通常是 0），也就是让子群最终停在目标位置而不是飞过去。
更进一步，可以加入通信时延。Matlab 里带时延的微分方程可以用 dde23 求解，它比 ode45 多一个“历史函数”的概念，需要手动指定某个时刻之前的状态值。时延的存在会明显改变系统的收敛性和稳定性边界，感兴趣的话可以从一个小的固定时延开始试，观察临界时延和参数的关系。这一步做完，基本就能把分群牵引控制从“能跑”推进到“能分析”。
5.4 后续学习路径
从仿真进阶到实物是不少人的下一步目标。多智能体分群控制的算法在 ROS 和 Gazebo 的仿真环境里也可以验证，把控制律写成 ROS 节点，让每个智能体通过话题通信交换状态，再接入 Gazebo 里的机器人模型，效果比纯 Matlab 仿真真实得多。不过我的个人经验是，Matlab 阶段的价值在于把算法逻辑和参数影响彻底搞清楚，带着这些理解去写 ROS 节点，基本不会遇到“算法看不懂”的问题，只会遇到工程层次的问题。这也是为什么我一直建议把 Matlab 仿真当作多智能体控制的第一站。
做分群牵引控制仿真这段时间，我的最大体会是：这类系统出问题时，90% 的根源不在控制律本身，而在拓扑构造和参数量级。先画图确认拓扑，再检查 Laplacian 合法性，然后固定一个增益只调另一个，一步步走流程，比盯着曲线瞎猜要快得多。仿真本身只是工具，真正值钱的是你通过曲线读懂系统动态的那点手感，这种手感只能靠反复调参积累，别人没法替你完成。