Agent以及多Agent系统是近年来发展起来的一个重要研究领域。多Agent系统的学习和协作是其中的一个基础性内容。该内容的研究对于多Agent系统的理论研究以及实际应用都具有重要意义。本文具体的研究包括多Agent系统的理论基础的研究,多Agent系统的学习与协作模型的研究,以及多Agent系统在影视编辑应用领域的研究。 论文对多Agent系统的理论基础进行了详细的分析和讨论。首先,针对多Agent系统的形式化描述理论基础——集合论中的连续统假设提出:无限是唯一的,Cantor关于无限的假设实际上是关于集合复杂性或者说集合维数的假设。在此基础上,本文进一步指出,“所有集合的集合”的产生机制是具有自指性的,因此这样的集合更为复杂。基于这样的观点,本文提出描述无限集合的更为恰当的方式:x_goX为初始个体集合,g为产生机制。其次,本文对多Agent系统的计算理论基础—逻辑理论进行了讨论。由于逻辑自身的局限性,使得自然机制与算法的结合成为多Agent系统进一步发展的新的理论基础。当Agent之间具有复杂的相互学习和协作关系时,多Agent系统可能体现涌现行为。然而,由于集合理论和逻辑理论都是基于系统的组成元素进行计算、推理和分析,无法对这样的系统行为和总体性质进行预测和解释。事实表明,多Agent系统的涌现行为已引起越来越广泛的关注,尤其是对于复杂的大规模系统而言。 论文对多Agent系统的学习和协作行为进行了理论上的分析,讨论了多Agent系统如何针对实际问题和实际的应用环境建立学习和协作的模型。学习的基本机制是设法把在一种情况下成功的表现行为转移到另一类似的新情况中去。学习是获取知识、积累经验、改进性能、发现规律、适应环境的过程。而Agent之间的协作是保证系统能够在一起共同工作的关键。在多Agent系统中,协作不仅能提高系统的整体性能,增强多Agent系统解决问题的能力,还能使系统具有更好的灵活性,能解决更多的实际问题,拓宽其应用。 Agent的学习与协作往往是紧密结合在一起的。学习更注重总体性的、规律性的知识的获取,即从短期的、个体的行为中总结出长期的规律;而协作更注重个体之间的行为和目标的一致性。学习和协作方式的选取,要依据对实际问题的把握以及实际应用环境的特点。 本文对各种学习和协作模型进行了全面的分析和讨论,并且指出,Agent的学习可分为两类,即基于Agent信念的开发与更新的学习和基于性能的学习。第一种类型是学习某个事物是真是假的信念（也就是基于经典逻辑的学习）,第二种是相对于某个输出标准来评价某个动作方案是否有效（也就是非经典的方法）。前者更具判断性,能够在更高的层面理解和运用学习到的知识:而后者更注重实效,但由于对知识缺乏进一步的理解,因此难以更为广泛的运用。 同样的,Agent的协作也可分为两类:一类则从主体的目标、意图、规划等心智态度出