多Agent系统的理论与技术,为分布式开放系统的分析、设计和实现提供了一条崭新的途径。然而随着相关领域高新技术的迅猛发展,多Agent系统的运行环境日益趋于大型、开放、动态和不确定,迫切需要采用各种智能技术来构建具有自学习能力的Agent,为多Agent系统引入学习机制使其更好地适应复杂环境,从而导致了多Agent系统学习这一新兴研究领域的产生和迅速发展。多Agent系统学习包括采用机器学习等方法从积累的信息或数据中学习用于支持决策的知识,以及为建立多Agent协作、协调和竞争等机制而进行的对策学习。因此,机器学习方法和对策学习方法的研究对多Agent系统学习领域的发展具有非常重要的意义。 在机器学习研究领域,海量数据、复杂数据、噪声或缺值数据和极少样本等都给机器学习方法的研究带来了极大的挑战。如何提高机器学习算法处理海量数据的效率,如何提高机器学习算法的性能以处理复杂数据,如何扩展现有的机器学习算法以处理噪声或缺值数据,如何完成极少样本情况下的机器学习任务成为了机器学习研究需要重点解决的问题,也使得组合学习、强化学习、统计机器学习和针对海量数据的机器学习方法成为了机器学习研究的热点。在对策学习的研究中,采用强化学习等机器学习方法的参与人最优策略学习是最主要的对策学习方法。如何确保学习算法的理性和收敛性是研究和设计对策学习方法的关键。为此,本文对主要的机器学习方法进行了研究,提出一组扩展机器学习方法,并在理论和试验上分析了这些机器学习方法的性能。同时,探讨了机器学习方法在对策学习中的应用,研究了针对随机对策和微分对策模型的对策学习方法,设计了相应的对策学习算法并对其理性和收敛性进行了分析。主要研究工作包括: (1)将概念层次引入到粗糙集理论和关联分析中,讨论了粗糙集理论和证据理论的关系,提出了层次粗糙集模型,研究并设计了基于概念层次的数据集划分方法,以及相应的关联分析算法。层次粗糙集模型拓展了经典粗糙集理论,给出了知识的深度和广度衡量方法,在飞行器落点精度鉴定问题中的应用表明层次粗糙集模型具有更强的数据分析能力和更广的适用范围。基于概念层次的数据集划分方法利用概念层次将数据集划分成相对独立的多个子数据集,通过在各个子数据集上的关联分析来获得与整个数据集上关联分析同样的结果,并以此来提高关联分析的效率,同时该方法还有利于设计并行关联分析算法,测试结果表明了基于概念层次的关联分析方法的有效性。