伴随着人工智能的发展,智能agent的应用领域也在不断扩大,agent从事的工作也从单一趋于复杂。此外,因为单一 agent工作能力的限制,使得通过agent之间的技能互补,来合作完成复杂任务的多agent团队逐渐成为一种快捷且高效的团队组织形式。在团队组织形式下,团队成员在工作中进行任务的技能交流和资源的共享。国内外许多学者对团队组建中的团队成员选择方法进行改进,并尝试进行突破性的研究,以期能够发现更加切实可行的成员选择方法。基于此,本文的研究内容和具体贡献如下:针对单一任务的团队形成问题,本文提出了一个具有鲁棒性的团队形成机制。机制利用协调者选择算法选择负责团队成员协调工作的协调者,并通过团队协调者与agent协商,实现双方共同决策的目的。然后通过对团队鲁棒度的计算,选择鲁棒度最高的团队执行任务。最后,文章通过实例验证了机制的鲁棒性,并通过实验证明了在增加了团队鲁棒性的同时并没有增加团队的花费。针对多任务的团队形成问题,本文分别提出了贡献度优先团队形成机制和leader决策团队形成机制。贡献度优先团队形成机制,根据任务工作强度的大小依次选择对任务贡献度大且具有任务技能需求的agent加入团队。leader决策团队形成机制,利用无向图中最短路径生成算法选择团队的leader,通过leader对任务的实时分析以及对agent的调动,实现对任务组的整体规划。与现有多任务团队形成机制相比,贡献度优先团队形成机制提高了对agent有效技能的利用率,leader决策团队形成机制通过对任务的整体规划,保证了任务的高效完成。针对团队的内部收益分摊问题,本文提出了关于买家收益的分段式分配机制和贡献支付机制以及关于卖家的自保护定价函数。其中分段式分配机制根据买家的报价进行分段,使得买家获得的收益与其对团队的贡献度成正比;贡献支付机制则根据买家对团队的贡献来确定其的实际支付费用;自保护定价函数则用于保障卖家的收益。随后,本文对分段式分配和贡献支付机制所能满足的个体理性、预算平衡、真实报价和公平性等良好属性进行理论分析。还通过实验分析了自保护定价函数在满足卖家收益单调递增性质的同时,还保证了卖家的收益不会因商品卖出数量的增加而减少。