本研究聚焦网络攻击下异构多智能体系统的协同控制安全问题，综合运用信息物理系统理论、滑模变结构控制与神经网络自适应技术，设计一种具有弹性的分布式控制器。在理论层面，首先建立由异构非线性智能体构成的系统模型，并建模典型网络攻击（如欺骗攻击）；进而设计积分终端滑模面以保证有限时间收敛性，利用径向基函数神经网络逼近系统非线性动态及攻击引起的集总不确定性，结合自适应律在线调整参数，提出一种新型弹性神经网络自适应滑模控制策略，并基于Lyapunov稳定性理论严格证明闭环系统的一致最终有界稳定性。

在方法与手段上，采用数值仿真与理论分析相结合的研究路径：通过MATLAB/Simulink构建包含异构智能体的仿真平台，设计多场景（正常工况、遭受攻击、存在扰动）对比实验，从跟踪误差、控制输入抖振、抗攻击能力等维度综合评价控制性能；同时，注重文献资料的应用与创新，深入研读参考文献中弹性控制框架与神经网络设计方法，广泛检索近五年的相关成果，以保障研究的前沿性。

数据分析处理环节要求对仿真结果进行定量和定性分析，关键数据包括系统状态跟踪误差（如均方根误差RMSE、稳态误差）、控制输入信号、神经网络逼近效果、事件触发次数与频率等，并通过绘制时间响应曲线等直观展示控制性能。图纸质量方面要求生成高质量且符合工程规范的图纸，包括异构多智能体系统与混合攻击模型的结构框图、弹性事件触发控制器整体设计原理图、仿真结果对比图（状态轨迹、跟踪误差、控制输入、事件触发间隔等），所有图纸需清晰标注，图题和坐标轴标签准确。

技术或观点创新主要体现在将事件触发机制、神经网络自适应与滑模控制相结合，专门针对遭受网络攻击的异构非线性多智能体系统设计弹性控制器，通过神经网络在线逼近和补偿由攻击及不确定性引起的未知动态，降低对精确数学模型的依赖，并创新性地设计一种自适应事件触发条件，在节约网络通信资源的同时保证系统稳定性，此外还可能探讨所设计控制器在参数摄动和执行器故障等场景下的适应性，以提升系统的整体鲁棒性。

第1-4周：完成文献调研与开题，深入研读弹性控制、多智能体协同及神经网络滑模控制相关文献，明确研究思路与技术路线；

第5-8周：重点进行系统建模与控制器设计，建立遭受攻击的异构多智能体系统模型，完成弹性神经网络滑模控制器的设计与稳定性证明；

第9-11周：开展仿真验证与分析，搭建MATLAB/Simulink数值仿真平台，进行多场景仿真并与传统控制方法对比；

第12-14周：系统撰写毕业论文，完整呈现理论设计、仿真验证与结果分析；

第15-16周：完成毕业/设计论文，准备答辩。

[1] Khoshnevisan L, Liu X. Resilient neural network-based control of nonlinear heterogeneous multi-agent systems: a cyber-physical system approach[J]. Nonlinear Dynamics, 2023, 111(20): 19171-19185.

[2] Khoshnevisan L, Liu X. Resilient neural-sliding-mode distance regulation in merging control of heterogeneous connected automated vehicles subject to deception attacks[J]. IEEE Transactions on Intelligent Vehicles, 2024.

[3] Khoshnevisan L, Liu X. A neural-lyapunov-based adaptive resilient cruise control of platoons subject to cyber-attacks on leaders[J]. IEEE Control Systems Letters, 2023, 8: 7-12.（外文翻译）

[4] Xiao J, Liu Y. Adaptive neural network dynamic event-triggered consensus control for nonlinear multi-agent systems subject to sensor deception attacks and actuator faults[J]. Nonlinear Dynamics, 2024, 112(22): 20019-20034.

[5] Chen W D, Niu B, Zhao X D, et al. Adaptive event-triggered consensus control for nonlinear multiagent systems against deception attacks[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2024.

[6] 孙一仆, 陈鑫, 贺文朋, 等. 异构非线性多智能体系统无模型输出一致性控制[J]. 自动化学报, 2025, 51(03): 604-616.

[7] 周林娜, 叶红梅, 马磊, 等. 欺骗攻击下异构多智能体的编队跟踪异步脉冲控制[J]. 控制理论与应用, 2025, 42(07): 1417-1425.

[8] Xu Y, Guo G, Yu S. An adaptive dynamic programming method for observer‐based sliding mode control of connected vehicles subject to deception attacks[J]. International Journal of Robust and Nonlinear Control, 2024, 34(6): 3659-3678.