Agent系统与多Agent系统(MAS)是人工智能领域和计算机领域中一个比较有研究价值的方向。多Agent系统是一个内部有合作、有独立分工的高效系统,大而复杂的多Agent系统可以独立分离出多个单Agent系统。多Agent系统的研究核心是在保证单Agent系统内部的正常运行的情况下,Agents之间进行协调地交互。为了维持系统内部的正常运行,多Agent系统内部和单Agent系统内部都存在一个规则集,多Agent系统内部,通过规则控制Agents的合理交互与相互制约;单Agent系统内部,通过规则有效的限制和维持Agent不表现违法的行为。面对多Agent系统这样复杂且大型的系统,系统内部由于各种原因会出现异常,约束好每个Agent系统的行为可以很大程序上避免多Agent系统中的异常。处理Agent系统中异常的高效方法可以追溯到维持系统正常运行的规则上,提升规则,弥补规则自身的不完备性可以很好的避免异常的出现。本文主要研究的是单Agent系统中的基于异常场景来提升规则,通过提升规则解决系统中的异常。在Agent系统中,当执行的规则被违背时,称系统中出现异常,规则处于异常状态。以这种异常为研究情景,针对性的提升规则前置条件的严谨性。当规则的前置条件不够严谨时,导致执行后无法达到预期的后置条件,规则被违背。文中,基于进化计算理论中的重组思想,将异常处理和规则提升相融合,提出一种基于规则提升的Agent系统异常处理方法。将每个执行的规则定义为一个节点,规则间的触发关系表示为有向边,一个场景中所有规则的执行情况图形化为一个有向无环规则图。通过挖掘规则图中的有效信息,分析节点执行前后的环境状态间的关联,可以准确定位提升规则和解决异常的关键路径,同步完成异常处理和规则提升过程。后置条件是执行规则后的期望目标,异常处理方法给予处于异常状态的规则一种向其他规则后置条件学习的一种能力,学习的方式是重组,提升处于异常状态规则的前置条件。在考虑提升规则的前置条件时,会适应性的与规则自身的权限相一致。最后,通过仿真实验模拟规则间触发和执行的异常场景,实现了基于规则提升的Agent系统异常处理方法,规则的前置条件得以提升,验证了异常处理方法提升规则的可行性。通过异常场景所出现的问题提升规则,规则的提升避免了异常,这样一个相辅相成的过程。从Agent系统的角度,异常处理方法辅助Agent系统提高对异常的解决能力,Agent系统的稳定性被提高;基于进化计算的角度,将规则看作一个基因,规则间的相互学习能力使规则不断进化,一个进化的基因会更加强壮且更好的适应动态环境的变化,基因突变的几率同时被降低。