多智能体系统是伴随着嵌入式技术、网络技术发展形成的新型概念,它能够完成原先单个智能体或者人工无法完成的复杂任务。一致性是多智能体系统中研究最为广泛的问题,其主要包括分布式控制协议和网络通信拓扑结构两部分。在分布式控制协议中,网络拓扑连通性通常是达成一致性的必要条件。然而目前已存在的攻击可轻易破坏这种拓扑连通性。网络鲁棒性或称(r.s)-鲁棒性,是当前常用来衡量抵御攻击能力的网络拓扑属性,但对其评估判定是一个NP难问题。本文基于智能优化算法,深入研究了多智能体系统的网络鲁棒性评估方法。针对基于穷举思想的网络鲁棒性判定算法存在指数级时间复杂度的问题,提出了一个基于多层感知器的网络鲁棒性评估方法。该方法首先手工从图数据的入度分布以及频谱空间中提取了特征,然后使用该特征对多层感知器模型进行训练调优,最后实现了网络鲁棒性的评估。仿真实验结果表明,该模型在测试数据上的评估平均准确率超过85%。针对传统神经网络模型需要大量人工处理的问题,提出了一个基于表征学习的网络鲁棒性评估方法。该方法在预处理阶段先对邻接矩阵进行重排,然后利用卷积神经网络自动从邻接矩阵中学习特征,最终了实现在少量人工处理的情况下对网络鲁棒性的评估。仿真实验结果表明,该方法在测试数据上的评估平均准确率比起原有方法至少提高4%。针对基于神经网络方法需要大量数据训练的问题,提出了一个基于模拟退火算法的网络鲁棒性评估方法。该方法主要设计了添加、删除和替换三种状态转移方式,并利用模拟退火实现了网络鲁棒性的评估。仿真实验结果表明,该方法在无需数据训练的情况下,在测试数据上对网络鲁棒性的评估准确率与基于神经网络的方法相当,但随着节点数的增加计算效率会逐渐下降。综上所述,本文在恶意攻击下多智能体网络鲁棒性的评估方法上开辟了新路径,仿真实验结果表明本文提出的方法能够有效评估网络鲁棒性,因此本文的方法是具有一定理论价值的。