多智能体事件触发、一致性控制 状态轨迹图、控制输入图、事件触发图… 易于上手，有注释，有参考文献（与参考文献略有区别，适当变换能得到与参考文献相应的图形） 与文章不完全一致 图一：程序运行后的图形 图二：原文图形 图三：参考文献标题

一、代码整体定位

本代码面向线性多智能体系统，基于事件触发/自触发策略，在一般有向图拓扑结构下实现分布式一致性控制。核心目标是通过设计合理的触发机制与控制输入更新规则，使系统中多个智能体的状态最终收敛到相同值，同时减少不必要的通信与计算资源消耗，适用于多机器人协同、分布式传感器网络等需要群体一致性控制的场景。

二、核心模块与功能拆解

（一）系统初始化模块

该模块为多智能体一致性控制提供基础参数配置，确保系统从预设初始状态启动，具体功能包括：

1. 拓扑结构定义：通过构建拉普拉斯矩阵，刻画多智能体系统的有向通信拓扑。矩阵中元素的数值与正负代表智能体间的通信连接关系与影响方向，决定了信息在系统中的传递路径。
2. 初始状态设置：为每个智能体分配初始状态值，该值是系统运行的起点，直接影响状态轨迹的初始分布。
3. 控制参数配置：设定关键控制参数，包括衰减系数、阈值系数、仿真总时长与时间步长。其中，衰减系数与阈值系数共同决定事件触发阈值的动态变化规律，时间步长则影响状态更新的精度与计算效率，仿真总时长界定了系统运行的时间范围。
4. 存储变量初始化：创建用于保存仿真过程数据的变量，涵盖智能体状态、估计状态、测量误差、触发函数值、触发阈值、控制输入及触发时刻等，为后续数据可视化与结果分析提供数据支撑。

（二）测量误差计算模块

该模块实时监测智能体实际状态与估计状态的偏差，是事件触发判断的核心依据，功能实现逻辑如下：

1. 误差实时计算：在每个时间步长内，对比智能体的当前实际状态与上一次触发时刻保存的估计状态，逐一对每个智能体计算两者的差值，得到单个智能体的测量误差。
2. 误差集合构建：将所有智能体的单个测量误差整合为误差集合，全面反映当前时刻整个系统的状态偏差情况。
3. 误差数据存储：按时间顺序将每次计算得到的误差集合以行的形式存储到指定变量中，形成完整的误差时间序列，便于后续观察误差随时间的变化趋势。

（三）事件触发判断模块

该模块基于预设的触发规则，判断是否需要触发控制输入更新与状态估计刷新，是实现“按需触发”、减少资源消耗的关键，具体功能包括：

1. 动态阈值生成：根据预设的衰减系数与阈值系数，结合当前运行时间，生成随时间指数衰减的事件触发阈值。随着时间推移，阈值逐渐降低，对系统状态偏差的容忍度逐渐严格。
2. 触发函数计算：针对每个智能体，将其测量误差的范数与当前触发阈值作差，得到触发函数值。该值的正负直接反映当前状态偏差是否达到触发条件。
3. 触发条件判断：若某个智能体的触发函数值大于等于0，判定该智能体满足触发条件，随即执行状态估计更新操作，将当前实际状态赋值给估计状态，并记录此次触发的时刻；若未满足触发条件，则保持估计状态不变，不进行额外操作。

（四）状态与控制输入更新模块

该模块根据触发机制与控制规则，实现智能体状态的动态演进与控制输入的更新，确保系统向一致性目标收敛，具体功能如下：

1. 控制输入计算：基于拉普拉斯矩阵与最新的估计状态，按照预设的控制律计算每个智能体的控制输入。控制输入的数值大小与方向由系统拓扑结构和当前估计状态共同决定，用于引导智能体状态调整。
2. 状态迭代更新：利用欧拉数值积分方法，结合当前控制输入与时间步长，对每个智能体的状态进行迭代更新，得到下一时刻的实际状态，使系统状态随时间逐步演进。
3. 数据存储更新：将每次计算得到的控制输入按时间顺序存储，形成控制输入时间序列，为后续分析控制输入的变化规律提供数据支持。

（五）数据可视化模块

该模块将仿真过程中存储的数据以图形形式展示，直观呈现系统运行效果与关键指标变化，主要包括五大类图形：

1. 状态轨迹图：以时间为横轴、智能体状态为纵轴，绘制所有智能体的状态随时间变化的曲线，可直接观察各智能体状态是否逐渐收敛，判断一致性目标是否实现。
2. 控制输入图：展示每个智能体控制输入随时间的变化趋势，反映控制输入的动态调整过程，可用于分析控制策略的合理性与控制能量消耗情况。
3. 测量误差与阈值对比图：采用子图形式，将每个智能体的测量误差范数与动态触发阈值曲线绘制在同一坐标系中，清晰呈现误差是否被阈值有效约束，验证触发机制的有效性。
4. 触发时刻分布图：以智能体编号为纵轴、时间为横轴，用不同符号标记各智能体的触发时刻，直观展示各智能体的触发频率与触发时间分布，评估事件触发策略对资源节约的效果。
5. 触发间隔统计图：针对单个智能体，绘制其相邻两次触发时刻的时间间隔变化曲线，分析触发间隔的动态特性，为优化触发阈值参数提供参考。

三、关键技术特性

1. 分布式控制架构：每个智能体仅根据自身及与其有通信连接的邻居智能体的状态信息计算控制输入，无需中心节点统一调度，提高了系统的鲁棒性与可扩展性，避免了中心节点故障导致的整个系统瘫痪风险。
2. 事件触发机制优势：区别于传统的周期性触发，仅在测量误差达到触发阈值时才进行状态更新与通信，大幅减少了通信次数与计算频率，降低了系统的资源消耗，尤其适用于资源受限的多智能体应用场景。
3. 动态阈值设计：触发阈值随时间指数衰减，在系统运行初期允许较大的状态偏差，加快系统初始调整速度；随着时间推移，阈值逐渐减小，使系统状态偏差不断收敛，保证了一致性控制的精度。

四、典型应用场景适配

1. 多机器人协同导航：在多机器人编队行驶场景中，将机器人视为智能体，通过本代码的控制策略，使所有机器人的位置、速度等状态保持一致，实现稳定编队，同时减少机器人间的通信频率，延长设备续航。
2. 分布式传感器网络数据融合：在环境监测等传感器网络应用中，各传感器节点作为智能体，利用本代码使节点采集的数据（如温度、湿度）快速收敛到一致的真实值，降低节点间的数据传输量，提升网络运行效率。
3. 无人机集群协同作业：针对无人机集群执行侦察、测绘等任务，通过代码实现无人机飞行状态（高度、速度、位置）的一致性控制，确保集群队形稳定，同时减少无人机间的通信开销，保障任务持续执行。