分布式约束优化问题(DCOP)作为多Agent系统协作问题的重要抽象,具有隐私性、信息局部性、控制分散化等特点,是对分布式智能系统和多目标优化等问题的有效建模技术。因此,对分布式约束优化问题的求解成为该领域的研究热点。局部搜索算法作为一类求解DCOP的非完备算法,由于其简单的逻辑结构和灵活的优化方式,受到了广泛的关注。本文介绍了分布式约束优化问题求解算法的国内外研究现状,分析了各类算法的优点和局限性,并针对局部搜索算法存在的局限性以及智能优化引导两个方面展开研究,主要工作如下:(1)针对局部搜索算法中相邻Agent之间赋值相互依赖的限制,提出了部分决策机制(PDS)。该机制通过Agent在决策过程中忽略部分邻居结点的赋值信息来打破相邻Agent之间的赋值依赖关系,获取更大的决策空间,做出更优的决策,从而以较小的代价有效地提高了算法的求解质量。PDS包含两个部分决策过程:触发式部分决策和递归式部分决策。前者在Agent不能提高自身利益时触发,通过忽略邻居的取值信息来跳出赋值依赖造成的潜在局部收敛状态;而后者不断地由被忽略的Agent触发来提升全局利益。此外,PDS通过一个包含自适应概率的触发条件来控制部分决策的执行。该机制可以结合任意局部搜索算法进行优化,具有很大的普适性。本文从理论上论证了部分决策机制的可行性和收敛性,并通过实验验证了该机制的有效性。(2)提出了基于局部搜索的遗传优化算法(LS-GA)。算法结合了遗传优化的智能性和局部搜索的灵活性,作为智能优化算法求解DCOP的一种新尝试。本文提出了mALS框架作为ALS框架的改进,使其能够在分布式环境下记录种群的最优个体,并针对DCOP的特点调整了基因的编码方式,以块状区域作为个体的基因片段,提出基于随机策略和竞争策略的两种交叉算子,以及基于mALS框架和预定模式的选择算子,以此确保遗传算法中不同Agent对个体进行交叉变异操作的一致性。最后通过实验对比不同算法,验证LS-GA的有效性。