双边系统的协商策略机制是目前MAS(Multi-Agent System)研究的重要方向。协商策略研究关注的一个重要方面，就是协商中的动态因素和不确定因素。这方面的研究包括：基于博弈论的研究、基于启发式方法的研究和基于争论的研究。在基于启发式方法的研究中，针对协商议题动态性，Jennings等指出，由于议题的动态变化导致协商问题空间的变化，在协商中允许议题的动态变化给提议生成策略机制的设计带来了很大难度，Faratin等将议题集合处理机制引入到提议生成策略机制中，并提出了一种建立在META策略上的折衷机制，在他们的策略机制中，允许议题的动态变化，但是他们的折衷算法并不能很好地适应议题动态变化。本文详细分析了MAS中多议题协商过程，简要介绍了协商的概念，对协商各个不同的类型进行了详细地介绍。并针对协商过程中的动态性、不确定性进行了单独论述。本文研究在双边多议题协商中，协商双方在信念不完全、协商时间有限的情况下，如何既保证Agent的联合效用和协商时间，又能够适应协商中的议题动态变化。为了实现上述目标，本文提出了一个通用的双边多议题协商模型BLMINM(Bilateral Multi-Issue Negotiation Model)，然后基于多属性效用理论提出了一个双边多议题协商的效用评估决策机制，并利用协商各议题效用的相关性对现有的基于相似度的折衷算法进行了扩展。该策略机制和折衷算法在保证协商参与者整合效用接近Pareto最优、协商时间没有延长的前提下，允许动态调整协商中的议题集合，并结合具体的实验表明了该机制对议题动态变化的良好适应能力。另外，本文研究了现有的基于遗传算法的提议生成策略，针对其基于欧几里德的适应度函数的局限性，基于相似度理论提出了一个新的适应度函数，提出了一个改进后的提议生成策略机制GAS(Genetic Algorithm Strategy)，实验表明，改进后的算法在有非线性效用函数存在时，在协商成功时间和双方联合收益方面都比原算法好，算法的稳定性也通过对比实验进行了分析。