摘要：随着人工智能领域的不断发展,多Agent系统(Multi-Agent System, MAS)协同已经成为MAS系统研究中一个十分重要的问题。多Agent协同是指多个Agent合理有效地解决问题或者任务的过程,它既包含了在完成任务过程中如何处理各个Agent之间冲突的问题,又包含了在处理合作求解过程中采用何种求解方法的问题。目前,其研究主要集中在两个方面：面向理论的研究,面向应用的研究。理论研究主要包括协同框架的搭建,大规模自治Agent系统之间的合作机制。应用研究主要集中在信息采集、系统优化、移动Agent、机器人足球赛等方面。本文主要研究基于信任机制的MAS系统的协同问题,主要解决在开放动态的MAS环境下,如何通过生物智能方法建立MAS协同机制,并实现系统资源的优化配置；并且将信任机制引入到MAS协同工作中,以使Agent处理任务更有效,节省系统开销。目前研究者采用多种方法对MAS协同框架进行了研究,其中较为重要的是基于对策论关于Agent行为协调、协作的研究。该方法已经取得了很多研究成果,但是它对于协同模型的设计主要体现在形式化描述方面,并没有对模型本身采用何种优化算法进行说明。本文采用基于生物智能中的人工免疫算法设计了一种MAS协同模型,从算法层面对MAS协同模型进行了研究。分布式人工智能领域其它方面的研究进展也不断地影响着MAS协同研究。在开放MAS系统中,Agent可以在任何时刻进入或离开,并且Agent本身存在自利性,传统的方法已经不适合开放环境的需要。由于开放MAS系统中各个Agent自身的特性,Agent之间的关系对系统的影响十分明显。如何处理这些特性和关系,以更加有效地提高MAS系统解决问题的能力,就成为研究者十分关心的问题。我们通过研究发现,从Agent的个体特征和服务期望出发,改进Agent的信任与信誉机制,使用更类似于人类社会的机制,可以更好地处理多个Agent之间的协同问题,使MAS的研究更加适应人类社会的需要。本文对MAS协同和信任机制进行了研究和讨论,将Agent之间的信任关系引入协同过程中,使协同工作更具有理性,并更有效。本文的主要工作如下：(1)提出了一种基于人工免疫的协同MAS模型,将人工免疫系统中的克隆选择、亲和力计算引入MAS合作求解过程中,来处理供应链管理问题,提高Agent个体的学习能力。通过研究多个Agent交互过程中各个Agent之间的关系,规定了MAS系统中的主要参数,使系统有较好的任务求解能力和求解效率。(2)提出了一种应用于开放MAS的信任模型(E-FIRE)。它对当前流行的FIRE模型进行了改进,更有效地体现了系统交互过程中,Agent之间个性特征差异对信任模型的影响。E-FIRE模型引入了消费者和服务提供者的个性特征。一个消费者想要得到另一消费者在某次交互中获得的服务质量,不能仅根据该消费者在此次交互后给出的评分,而且需要考虑该消费者的期望。同时,在消费者为选择提供者而计算提供者的综合信任评分时,更多地依靠提供证据的消费者对提供者的直接信任,从而减少了Agent间的通信量。实验结果表明,在交互次数较少时,E-FIRE模型的性能与FIRE模型的性能相当；随着交互次数的增多,E-FIRE模型的性能更优。(3)通过对MAS协同与协商的关系的研究,将适用于MAS协同的信任机制引入到一体化协商过程中,完善了一体化协商过程中由于Agent自利性带来的对待协商过程的态度问题。采用直接信任与证人信任相结合的综合信任机制,较好地解决了面对开放MAS环境中一体化协商过程中消耗过大、受益过小的问题。(4)将信任机制引入到合同网协议中,使协议发起者通过对参与者的信任评估,帮助发起者制定合同网协议并作出评判。改进了合同网协议面对开放MAS环境中由于系统诚实与否带来的不稳定性,进而改进了合同网协议评判的效果。