多智能体系统(MAS)的协作是近年来分布式人工智能领域的研究热点。机器人足球世界杯(RoboCup)仿真比赛是检验各种MAS理论的标准平台,在这个极为复杂的多智能体环境中,多智能体必须通过协作才能完成它们的共同目标:多进球赢得比赛。本文在RoboCup仿真球队的设计中,应用规划、学习和预测技术建立了MAS的协作策略和模型,主要研究工作有: 针对RoboCup足球机器人仿真系统面临的主要协作问题,提出一种双层的MAS协作模型框架,它包含协作策略和动作决策两层,这种结构不仅可以增强整个系统的智能度,而且还有利于多智能体间的动态实时协作。 采用基于状态的规划协作模型,实现了协作智能体对系统的快速实时反应,不仅提高了单个智能体的反应速度,而且还提高了整个MAS协作的效率。从RoboCup仿真比赛进攻的角度提出了一种基于合作意愿矩阵的传球规划协作策略,实现了一种不依赖于通信的显式多智能体协作。 用阵形将多个智能体联接成一个拥有共同目标的团队,并引入角色实现事先给定的任务分配和站位配合,从防守的角度出发,实现了基于阵形变换的多智能体动态防守协作,将案例学习应用到阵形设计中,突破了单凭直接经验设置阵形的局限。可实现积极防守阵形和消极防守阵形两个阵形之间动态变换,满足了不同阶段的防守协作要求,显著提高了球队的整体防守性能。 提出了一种基于亲密度模型进行动态防守协作的方法。在采用人盯人战术时,智能体通过亲密度的计算确定是否需要协助队友完成人盯人任务;在采用区域防守战术时,由阵形确定每个区域的主要责任人,由亲密度确定每个区域的次要责任人,来共同完成区域的防守任务。通过亲密度模型的应用,实现了智能体间更好的协作,解决了盯人失败导致漏人的问题和区域防守中边界无人盯防的问题,达到了分工和协作的统一。 从提高仿真球队的整体协作能力出发,提出了一种基于行为的预测方法,使RoboCup的协作模型设计简单、反应速度快、适应性好和智能度较高。采用基于行为预测的协作模型在CSU_YunLu队中实现了球队的协作决策,如传球和下底传中等小局部配合。