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S112、第i个智能体的动态过程表示为：式中，

所述的S12中，对两个智能体之间的相互作用，即为对对于第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式中，

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、设定判别器网络为式中，

S132、第i个智能体在训练过程中的对抗损失函数式中，

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

S142、关于反向平衡器的虚拟控制系统表示为：式中，

S143、公式（5）使得：式中，

S144、由于

式中，

S145、将公式（8）和公式（9）带入公式（6），得到：S146、由于

式中，

S147、

当

当

当

其中，

S148、对公式（5）进行移项，得到式中，

通过公式（12），利用所述的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S22、每个鱼鳞关于调控对象的期望范围为S23、定义鱼鳞预测算法的参数差异为S24、通过鱼鳞差异矩阵关于

S25、设定

式中，

S26、迭代后的鱼鳞参数式中，

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

式中，

S32、关于主系统的限定定理为，令式中，

S33、在

通过

S34、为便于表示，令式中，

S35、

式中，

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S37、

式中，

S38、通过公式（24）和公式（25）可得，每一次若

S39、对价值函数式中，

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

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。