在实际工程问题中,经常需要根据一定的约束和需求在问题空间中搜索最优或近似最优解。与传统优化问题相比,应用于实际工程问题的搜索算法需要较小的计算复杂度,可以适应复杂的问题环境,并具有良好的维护性。本文提出了基于复杂自适应理论(CAS)的智能体进行问题求解的方法框架。该智能体可以感知局部环境信息,根据环境条件选择行为规则实现目标。在决策更新过程中,CAS智能体可以评估行为规则的有效性并修改相应规则的适应度,从而实现对于不同问题环境的自适应性。同时CAS智能体具有结构简单、易于扩展的优点。文章包括以下几部分内容：本文具体介绍了基于CAS智能体构建的多智能体态势模型。该模型通过自底而上的特征提取和模式匹配过程实现态势信息的融合,从而采用分布式的策略解决了复杂环境下的态势表示与识别问题。在态势识别过程中,智能体可以比较态势推理结果与实际环境信息的匹配程度,以调整内部规则的适应度,从而可以处理复杂不完全的输入信息。本文采用概率A星全局引导下的CAS智能体搜索算法(GA-AAS)解决无人机在复杂环境下的路径规划问题。该算法通过全局搜索与局部搜索相结合的策略,避免了智能体陷入局部最优,并在局部对路径进行安全性及平滑度的优化。智能体在全局路径的指引下,根据搜索行为的评估修正条件规则的适应度,以适应不同问题下的环境场景。另外,仿真对于算法的工程应用十分重要。本文介绍了通过MFC和OpenGL实现的三维动态仿真平台。态势评估和路径规划项目中相关算法在该平台下得到了仿真和验证。本文受到西安电子科技大学基本科研业务费资助项目(JY10000902033)资助。