1.基于协同训练模型改进IQL的多智能体协同控制方法，其特征在于包括以下步骤：S1、对传统生成式对抗网络GAN进行改进，建立跨域生成对抗网络CoGAN，步骤包括：S11、构建各个智能体的动态过程，其中包括两个智能体之间的相互作用；

S12、对于两个智能体之间的相互作用进行优化；

S13、获取各个智能体在训练过程中的对抗损失函数；

S14、建立关于反向平衡器的虚拟控制系统；

S2、构建鱼鳞预测算法，并鱼鳞预测算法将引入CoGAN中；

S3、基于鱼鳞预测算法和CoGAN，建立非线性协同系统，完成对深度协同对抗训练模型DCATM的构建，即为完成对IQL的改进，获得基于改进IQL的多智能体协同控制方法；

所述的S11中，构建各个智能体的动态过程的步骤为：S111、应用场景下的智能体数量设定为N，智能体集合agent表示为；第i个智能体对应的状态变量为 ，；每个智能体对应一个生成器网络 ，用于生成该智能体在当前状态下采取的动作策略，将每个智能体的智能体状态 作为输入，并生成每个智能体的动作策略 ，其中， 的参数表示为 ，则 ；

S112、第i个智能体的动态过程表示为：（1）；

式中， 是第i个智能体的状态增长率，用于反映智能体在多智能体协同控制中的动态行为； 为智能体j对i的作用系数，即为两个智能体之间的相互作用， 且j≠i；

和 分别为第i个智能体的环境容量、自我抑制系数和外部影响系数；t为时间；

所述的S12中，对两个智能体之间的相互作用，即为对 进行优化的方法为：对于第i个智能体，其余N‑1个智能体对第i个智能体的综合影响表示为 ，外部环境对第i个智能体的影响表示为 ，此时的 表示为：（2）；

式中， 表示外部因素对第i个智能体的作用系数；

所述的S13中，获取各个智能体在训练过程中的对抗损失函数的步骤为：S131、设定判别器网络为 ，通过 评估 生成的动作策略的质量； 接收的真实动作记为 ， 输出的动作策略即为 ；将 和 均作为 的输入， 的参数用 表示，则：（3）；

式中， 为 的判别输出； 为 中的真实动作判别输出； 为 中的生成动作判别输出； 用于调节 和 ； 以及 不断调节 和 ；

S132、第i个智能体在训练过程中的对抗损失函数 表示为：（4）；

式中， 为真实动作个数； 为噪声分布个数； 和分别为 和 的期望； 是关于 以及 的判别； 是关于 的判别；

所述的S14中，建立关于反向平衡器的虚拟控制系统的过程为：S141、将 的虚拟控制器设定为 ； 是智能体在环境容量下，输出动作和真实动作的反向平衡器， 是在 中引入的生成器网络参数，用于形成虚拟控制器；

S142、关于反向平衡器的虚拟控制系统表示为：（5）；

式中， 为第i个智能体的反向平衡器； = ，即同样表示智能体在环境容量下， 输出动作和真实动作的反向平衡器；

S143、公式（5）使得：（6）；

（7）；

式中， 和 是第i个智能体的初始判别器网络和初始输出动作； 是动作策略为 时的初始判别器网络； 是关于 渐近增长率的上限；

S144、由于 是 的输入，因此：（8）；

（9）；

式中，即为哈密顿算子；

S145、将公式（8）和公式（9）带入公式（6），得到：（10）；

S146、由于 ，因此 的变化会影响 ， 的变化会导致 发生变化，此时的 会加强对来自 中真实动作的判定，因此，在每一轮判定中 都会增加，由此得到：（11）；

式中， 为 在新一轮迭代中的表达式；

S147、 的增加会导致 产生更多的 ，同时 也将增加， 受到来自其余智能体的影响，设定虚拟控制系统的临界变化率为 ，则；

当 时，虚拟控制系统处于过拟合状态，出现不收敛现象；

当 时，虚拟控制系统处于欠拟合状态；

当 时，虚拟控制系统处于稳定状态；

其中， 为 变化的时间间隔； 为 在 内的变化量；

S148、对公式（5）进行移项，得到 ；通过对 的变化进行控制，得到：（12）；

式中， 为 在新一轮迭代中的表达式； 为 在新一轮迭代中的表达式； 为 在新一轮迭代中的表达式；

通过公式（12），利用 调节了 的平衡，完成对于GAN的改进，获得CoGAN；

所述的S2中，构建鱼鳞预测算法的步骤为：S21、鱼鳞预测算法中，鱼鳞个数为N，即为与智能体的数量相同，每个鱼鳞对应一个智能体 ，每 个 鱼鳞 的 维 度为 D ，所有 鱼 鳞 的 初始 数 据 集合 表 示 为 ：，每个鱼鳞的初始数据都是n个数据的融合，即为D=n；

S22、每个鱼鳞关于调控对象的期望范围为 ，其中p1为期望范围的最低标准；p2为期望范围的最高标准；

S23、定义鱼鳞预测算法的参数差异为 ，且； 为稳态参数，用于调节 中的的稳定性， 的大小在一个长度为的领域范围内，即 ；因此，当 时，参数异常；

S24、通过鱼鳞差异矩阵 来表示每个参数差异的状态：（13）；

关于 的结构矩阵 表示为：（14）；

S25、设定 为扰动因子，建立扰动平衡方程：（15）；

式中， 表示鱼鳞预测算法的抗干扰输出； 为鱼鳞预测算法的稳态输入参数； 为鱼鳞预测算法的控制输入参数； 为鱼鳞预测算法当前的输入；

S26、迭代后的鱼鳞参数 表示为： ； 代表每次迭代的学习率；第k个鱼鳞的参数适应度函数 表示为；

（16）；

（17）；

（18）；

（19）；

式中， 为第k−1个鱼鳞的参数适应度函数； 为第 k 个鱼鳞的分配权重； 为第 k 个鱼鳞对应参数的稳定误差； 和 表示 和对迭代更新的影响函数； 为迭代优化后的鱼鳞参数；公式（17）表示 隶属于 ；公式（18）和公式（19）为约束条件；公式（18）表示 满足 的领域范围之内； 代表鱼鳞参数的迭代范围； 代表迭代后所组成的参数向量；

所述的S3中，建立非线性协同系统，完成对深度协同对抗训练模型DCATM的构建的步骤为：S31、关于 和 的非线性协同系统表示为：（20）；

式中， 和 分别作为 的主系统和子系统，并将 和 设置为随时间的变量； 和 是关于 的参数适应度函数； 是关于 的参数适应度函数； 是第i个智能体在 影响下的状态增长率； 是环境发生动态变化后外部因素对智能体的作用系数； 是第i个智能体的平衡参数；

S32、关于主系统的限定定理为，令 ，； 和 为智能体拥

有l个状态变量的扰动集合；若每个状态变量始终小于 ，则存在非负参数适应度函数和 ，在公式（20）的基础上，使得公式（21）成立：（21）；

式中， 和 作为 的稳态输入参数； 作为 的稳态输入参数； 表示 ；

S33、在 中，假设每个智能体都提供一个关于和 的状态置信系数 ；

通过 生成关于 和 的抵消参数，以抵抗来自 和 变化所引起的非正常主系统；

和 的最低期望标准为 ；

S34、为便于表示，令 ；当 和 发生过度变化时，会导致 发生过度变化，使得 ；为达到扰动平衡的目的，根据主系统的限定定理，关于 的扰动平衡方程表示为：（22）；

式中， 为每一次发生动态变化后的抗干扰输出；

S35、 和 的过度变化会导致M中的 增加，使 的对抗性增加，则会发生以下变化：

（23）；

式中， 是动态变化之后的 ； 和分别为动态变化前、动态变化后关于 的变化量；

S36、通过S31‑S35可知，当虚拟控制系统发生变化时，通过限定定理不断缩放以满足平衡条件，而当过度变化发生时，公式（22）的扰动平衡方程又会根据公式（23）产生反向逆变，即 ，通过正向和逆向对来自 和 的变化进行抵抗；

S37、 满足：

（24）；

（25）；

式中， 和 为动态变化后的 ； 代表不同的状态；

S38、通过公式（24）和公式（25）可得，每一次 在环境容量的影响下均大于的上限；

若 ，或者

，则 ，即

，直到满足公式（24）和公式（25）为止；

S39、对价值函数 进行扩展：（26）；

（27）；

（28）；

式中， 是关于行动为 和 的价值函数； 是在的影响下的 ；l的数值在智能体协同控制过程中不断更新； 和 的影响下的 不断扩展到 中，对 和 进行预测和抵抗。

2.根据权利要求1所述的基于协同训练模型改进IQL的多智能体协同控制方法，其特征在于：所述的S2中，通过鱼鳞预测算法完成对 和 的实时监测。

3.根据权利要求1所述的基于协同训练模型改进IQL的多智能体协同控制方法，其特征在于：所述的S34中，过度变化为，设置一个阈值变化量FD，若变化量≥FD，则代表过度变化。