RoboCup城市救援仿真系统(RoboCup Rescue Simulation System,RCRSS)是典型的多智能体系统(Multi-agent System,MAS),异构智能体需要面对复杂、实时、动态的环境,并且在时间和通信条件的限制下完成救援任务。本文基于救援仿真系统研究多智能体协作策略,针对多智能体间信息交流困难、任务下达缓慢以及协作分配不均等问题,将城市地图分区,以此分配多智能体探索区域,智能体根据收集的信息进行自主任务预测,由决策中心汇集预测信息并做出任务分配。主要工作如下:首先,为了在未知环境中快速地构建地图模型,提出基于集群度布谷鸟搜索的地图分区方法。该方法通过建筑物的聚合程度确定初始分区中心点,然后结合布谷鸟搜索算法的寻优能力更新分区中心点,将建筑物聚类并分区,智能体分布在地图分区中进行探索任务,从而更快的构建全局地图模型,实验证明了该方法的有效性。其次,为了提高单智能体处理任务的效率,提出基于马尔可夫链的任务预测模型。针对不同的智能体构建相应的任务预测模型。消防智能体通过建筑物的燃烧情况预测火势蔓延情况,医护智能体通过环境信息判断救援任务的具体位置。智能体根据自主预测任务情况执行任务,可以减少智能体对决策中心的依赖,提高单智能体执行任务的速度。在Berlin、Mexico等五张地图上进行仿真实验,结果证明了预测任务的可靠性。最后,为了提高多智能体的协作效率,在以上两个方法的基础上,提出基于决策树模型的多智能体协作策略。该方法将决策中心所需要的数据信息简化成几个特征属性,根据ID3算法生成决策树,并对过拟合的树枝进行剪枝,得到具体的决策树模型,决策中心通过决策树模型将获取的任务预测信息加以分类,然后分配任务实现智能体间协作。实验证明了该方法可以有效提升多智能体系统的工作效率。