近年来,随着多Agent技术及分布式人工智能的不断发展,对Agent具有自主决策能力的要求也越来越高,将多Agent技术应用于处理分布式结构下复杂问题的决策成为了一个重要研究方向。多Agent系统(Multi-Agent Systems)的运行环境日益趋于大型、开放、动态和不确定,这时就需要应用各种智能技术来构建具有自适应能力的Agent。在MAS中,Agent间通过何种方式完成单个Agent难以完成的任务,是研究MAS的一个关键。同时,MAS通常用于处理多个复杂的任务,这些复杂任务是由若干个不同的子任务组成,这时就需要具有不同资源数量和资源类型的Agent协作共同完成任务,因此,如何提高任务完成的效率、缩短任务完成时间成为本文研究的重点。为此,本文提出了一种综合的MAS自适应机制,分别从任务分配和任务执行的角度展开对复杂任务决策问题的研究,主要工作如下:(1)针对现有的分布式MAS结构的缺点,本文首先对多Agent网络进行建模,采用了一种具有关系权重的连接模型,通过权重的大小来表征Agent间关系的强弱。考虑到Agent在交互过程中需要与其他Agent协作完成任务,并且每个Agent都希望能够找到最具有价值的合作伙伴,本文引入了一种基于社会网络观的信任模型,从信任获取的不同途径(直接信任和推荐信誉)对目标Agent的信任程度进行综合评估。最后利用多步Q强化学习算法让Agent学习如何调整Agent间的关系强度,从而优化了 Agent网络的结构。实验结果证明,本文提出的方法能够优化系统的收益并且减少了任务执行的时间。通过有无权重关系的对比,证明了权重关系对系统性能提升具有较大的作用。(2)当前,不可靠性是MAS的又一个新的问题,由于MAS中存在欺骗型Agent,其在交互过程中采取的欺骗行为(虚报、违约等)会对MAS的综合性能产生恶劣的影响。因此,为了提高MAS的综合性能,本文从任务完成的两个角度:任务分配和任务执行出发,提出了不可靠MAS下的任务分配机制和Agent分割机制。在任务分配方面采用半分布式的任务分配结构,使到达系统的任务通过合理的路径获取更可靠的资源:在任务执行方面根据Agent的任务执行情况,采用分割的方式调整Agent的状态,对系统中Agent的资源、网络连接及任务队列进行有效的划分,实现可靠资源的聚集效应。实验证明本文提出的方法提高了任务完成的效率,同时降低了任务合作的时间消耗。无线传感器网络(WSN)是集数据采集、处理和通信于一体的分布式自适应网络系统。WSN中的传感器节点能量有限,且新的传感器节点加入或现有的节点失效都会影响WSN的拓扑结构,因此需要WSN系统具有适应环境变化的能力。利用本文提出的面向任务分配的自适应调整机制并根据任务完成情况,调整传感器节点间的关系,从而优化WSN的拓扑结构。WSN本身的特性使其更容易受到各种欺骗攻击,利用本文提出的Agent分割方法能够有效对WSN中的节点进行欺骗攻击检测,进而提高WSN系统中的数据传输可靠性和任务完成效率。