在过去的几十年中，研究人员从自然界中动物群体的行为中获得灵感来设计多智能体系统。通过多个智能体的协作，系统的整体性能得到了显著提升，从而能够满足更复杂的任务需求。根据不同的目标，已经扩展了几个核心问题：共识跟踪控制[1]、编队控制[2]和包容控制[3]。其中，包容控制在实际应用中显示出了不可替代的重要性，这促使学者们在这个方向上投入了大量努力。目前，在人机交互[4]、航空航天[5]和自主水面船舶[6]等领域已经取得了一系列成就。上述成果都是在系统模型可用的理想化假设下进行的。即使是像模糊包容控制[7]、[8]、[9]这样的先进方法，尽管处理了特定的不确定性，仍然依赖于结构化模型框架。实际上，由于环境的不确定性，系统经常面临模型信息不完整的难题。在这种情况下，使用传统的基于模型的控制技术来解决这个问题是不切实际的。因此，实现无需模型信息的有效包容控制是一个亟需解决的关键问题。
在这种背景下，出现了数据驱动的控制方法[10]、[11]、[12]，主要包括PID控制[13]、虚拟参考反馈调整[14]和无模型自适应控制（MFAC）[15]。为了避免建立模型的麻烦，这些方法利用受控系统在实际运行过程中积累的丰富数据来设计控制器。在MFAC的指导下，开发了具有输出饱和约束的多输入多输出（MIMO）多智能体系统的包容问题[16]。此外，在[17]中提出了协作控制框架，用于完成多个欠驱动无人水面船只（USVs）的包容编队。后来，在[18]中提出了考虑分布式二次指标的事件触发方案。应该注意的是，上述工作主要考察了时间趋于无穷大时误差的收敛性，即系统的稳定性和准确性。然而，在某些领域，如车辆的紧急避障，系统对控制性能有极其严格的要求。为了提供坚实的保障，探索更有效的解决方案变得至关重要。
鉴于以往方法的局限性，无模型自适应迭代学习控制已在[19]、[20]、[21]中得到了深入研究。该控制算法的核心优势是通过迭代学习过程不断改进控制策略，以便在短时间内达到预期效果。在[19]中分析了具有固定和时变拓扑结构的非仿射非线性系统的共识跟踪问题。在此基础上，[20]讨论了在执行器故障情况下多列地铁列车（MSTs）的速度跟踪问题。考虑到智能体之间的竞争和合作关系，[21]完成了具有事件触发机制的双边编队跟踪任务。尽管如此，上述研究仅关注了无领导者或单领导者场景下的共识问题。实际上，在包容任务中，如在超声肿瘤治疗、化学温度调节和机器人路径规划等领域，也存在着在有限时间内实现高性能的挑战。作为最常见的多领导者控制策略之一，包容控制旨在协调跟随者的运动，确保它们在多个领导者定义的几何区域内移动。在这种情况下，上述结果并不直接适用。因此，应用迭代学习控制来处理包容控制问题是可取的。
此外，随着智能体之间信息交换对网络的依赖性日益增加，网络攻击带来的威胁也显著增加，这在基于云的分布式切换非线性网络物理系统中得到了明显体现[22]。作为一种新的攻击模式，稀疏传感器攻击在许多文献中得到了广泛研究[23]、[24]、[25]。在[23]中，候选集构建算法的目的是识别隐蔽攻击下所有可能的通道集损坏情况。随后，在[24]中设计了一种自适应切换观测器来处理可能受到传感器攻击的状态估计问题。此外，在[25]中引入了分布式投票位置策略来解决由攻击引起的组合问题。这些工作揭示了稀疏传感器攻击的独特性质。作为多智能体系统中不可或缺的部分，传感器在获取环境信息、支持系统决策和促进协作操作方面发挥着关键作用。上述结果基于状态空间模型，提供了重要的理论支持。然而，在建模困难的情况下，需要对稀疏传感器攻击进行进一步研究。
在受到稀疏传感器攻击的多智能体系统的包容控制背景下，本文设计了一种新颖的数据驱动迭代学习算法。尽管传感器受到不同类型攻击的影响，所提出的入侵检测机制和自适应切换策略仍能确保系统的稳定运行。主要贡献总结如下：
1) 考虑到跟随者与多个领导者之间的信息交换特性，提出了分布式数据驱动迭代学习包容控制方案，可以确保所有跟随者收敛到领导者形成的凸包中。
2) 基于冗余传感器通道，设计了一种自适应切换策略来实现传输路径的精细管理。该策略可以及时断开受攻击的通道并自动调整到正常工作模式，从而确保数据传输的可靠性。
3) 与为特定攻击类型设计的现有解决方案[26]相比，构建的死区入侵检测机制能够在多源混合攻击下检测异常行为，这是通过利用分布式包容误差实现的。
本文的结构如下。第2节提出了问题表述。第3节给出了分布式无模型自适应迭代学习包容控制方案的理论分析。第4节提供了两个示例来说明所提方案的控制效果。第5节总结了研究结果并总结了研究。
