多智能体系统作为一种分析复杂系统的思想方法和工具,在管理和协调各智能体间交流合作方面具有重要的意义。然而,由于参与主体具有自私性和自主决策能力,如何在复杂的场景下快速有效地涌现出合作规范成为系统发展过程中面临的重大挑战。利用计算机技术重现真实系统中的简单主体,提出高效普适的理论模型,让主体在交互过程利用局部信息不断优化自身行为进而涌现出合作规范;并且通过分析仿真结果来认识、理解甚至控制多智能体系统,逐渐成为人工智能和人工社会领域研究的核心问题。本文以多智能体系统为背景,将其发展进程中所面临的问题场景抽象描述为一般性的困境模型,在此基础上进行分析并提出了相应的合作规范涌现机制,主要贡献在于:(1)现有的工作对策略学习规则的研究过于单一,主要依靠收益、信誉等简单的信息设计交互协议,未能充分考虑到主体丰富的认知能力和社会属性,导致提出的理论模型难以准确的描述现实生活中主体真实的复杂行为特征。针对这一问题,本文基于个人影响力提出了带奖惩机制的策略学习规则,该规则中主体的决策行为主要由个体收益和个人影响力这两个属性共同决定。其中,个人影响力主要由调整敏感度和当前策略所持续的时间共同控制,并根据主体的学习行为进行相应的调整。实验结果表明,该学习方法有效的提高了系统整体的合作水平,通过微观分析发现主体间个人影响力的差异是促使合作现象得到改善的主要原因。最后本文验证了小世界网络和无标度网络等复杂网络中的实验现象,研究发现该学习规则能够解决不同复杂网络场景中的困境问题。(2)强化学习已经被证实无法在传统囚徒困境模型中涌现出合作规范,最近基于历史信息进行策略探索的相关研究被证实可以在多策略博弈模型中取得理想的合作效果。针对这一发现,本文提出运用强化学习方法在带剥削的多策略博弈场景下解决合作规范涌现问题。实验结果表明强化学习方法有效的提高了系统的合作水平,并且其提升合作的能力也强于已经被提出的其他策略学习规则。另外,本文阐述了强化学习能够促进合作的原因,揭示了不同类型的智能体在系统发展进程中扮演的角色。