智能体（agent）广泛应用于人类难以到达的领域,如地形探索、恶劣环境搜救等,这些复杂任务对agent路径寻优提出挑战。单agent难以完成复杂路径寻优任务,学者开始对多agent路径寻优展开研究,基于显式通信进行精准计算的精确算法虽然可以求得最优结果,但只有给出严格数学依据才能得出最优解,算法时间复杂度随问题规模和agent数量增长,只适用于整体复杂度较低且路线较少的情况;启发式算法虽然能够在可接受时间内求出可行解,但通信媒介能传达的信息有限,可行解与最优解间偏离程度无法预计,agent易陷入异常状态,同样制约了多agent路径寻优能力。本文主要研究将多agent路径寻优引入混合通信方式,agent通过数据分发服务直接通信,以蚁群算法作为路径寻优动力,提高路径寻优求解质量和收敛速度,增强agent在复杂环境下的适应性。首先,分析agent采用数据分发服务通信的优势,针对当前数据分发服务存在慢订阅者和慢连接问题进行改进,采用多线程技术,基于actor模型消息传递思想,借鉴其强隔离性,引入多线程worker实现订阅者并行接收数据,改进订阅者无状态消息返回发布者可能引起的慢连接问题,建立基于多线程worker的高可靠数据分发服务模型,有效降低数据传输丢包率,不仅通过与零消息队列进行对比实验,表明该模型在接收不同长度报文情况下,能有效降低丢包率,而且通过对模型进行压力测试,验证其降低agent直接通信丢包率的有效性。然后,针对蚁群算法收敛质量,提出适应变化的挥发因子并改进信息素更新策略,在寻优不同阶段采用不同参数配置,增大全局搜索范围,避免过早陷入局部最优,削弱较差路径对寻优质量的影响。通过仿真实验,将改进蚁群算法与AC和MMAS算法进行对比,证明改进蚁群算法提高收敛质量的有效性。最后,设计并实现基于多线程DDS的多agent路径寻优系统,基于多线程worker的数据分发模型设计通信模块,基于改进蚁群算法设计路径寻优模块,通过冲突避让模块和陷阱回退模块解决多agent死锁问题,通过实验验证该系统能提高多agent路径寻优质量和收敛速度,增强系统面对复杂环境的适应性。