随着智能技术的发展，多智能体系统与控制理论和计算机技术等多学科的融合已成为科学研究的新热点。多智能体系统具有在空间上是分布式的、并行的，且系统的容错能力较强等特点。分布式多智能体系统是分布智能研究的一个重要分支。它的理论研究价值在于它将过去的封闭的、孤立的知识系统发展为分布式的智能知识系统，将智能集中型发展为非独立的分散智慧型。目前，对多智能体系统的研究可分成两个层次：一是关于多智能体系统理论的基础研究；二是关于多智能体系统特定的体系结构、软件实现等的研究，人们已把面向对象的思想引入智能体对象体系中，并形成了面向Agent的编程风范。分布式仿真系统主要研究的课题有两类：一是仿真模型和试验任务的并行化与分配；二是建立高效的分布仿真环境。本文通过对多智能体系统国内外研究现状的总结，在参考现有的最先进的方法和理论基础上，综合分布仿真的有关概念和技术，设计了一个以机器人在码头搬运货物的任务为实验背景，利用局域网进行分布式规划的仿真实验系统，并通过各项关键技术对系统进行了实现，该系统能够模拟多种任务环境和机器人模型，各机器人间通过通信来传递信息，用户可以添加自己设计的控制算法和协调策略库，实现任务完成过程的动态显示。多智能体协调合作问题是分布式人工智能的核心问题，多智能体群体协作机制用以解决各智能体之间的管理、调度、优化，是实现多智能体分布自主协作系统的关键。本文主要研究多智能体协作系统中的资源分配问<WP=60>题，即如何进行任务分配，以及任务分配之后如何对完成任务进行路径规划的问题。对于一个给定了总体任务的多智能体系统，首先面临的问题是如何将给定的任务合理有效的分配给各机器人。任务分配的不合理将直接影响机器人完成任务的效率，而分配算法的执行速度和所用的时间也将影响到机器人完成任务的情况。所以，在设计任务分配算法的时候，应该遵循一定的性能指标，以达到系统的需求。任务分配是在众多的匹配方法中寻找一个最合理的子任务分配方案。在数学形式上表现为在离散的、有限的数据结构上，寻找一个满足给定约束条件并使目标函数值达到最大或者最小的解。本文提出的OD任务分配算法正是考虑到了任务分配的最优性，以二维任务分配问题为模型，使每个机器人能够最优地得到任务。通过性能测试我们看到，该算法的运算量大，使得运行时间较长，尤其在机器人和任务较多时，更是无法得出结果。为了解决以上问题，我们用匈牙利算法（Hungary）实现了多智能体系统的任务分配。匈牙利算法是图论中完成二分图匹配的经典算法之一，它的应用背景是解决二维任务的分配问题。该算法的特点是能够最优地对任务进行分配，同时又能保证消耗较短的时间。在算法性能测试的过程中我们看到，算法的运行时间明显小于本文提出的OD算法，能够解决OD算法运行时间长、对机器人和任务仿真数量较少的问题，并使任务达到了最优地分配。最后我们得出，OD算法较适合解决小规模的任务分配问题，匈牙利算法较适合于解决中等规模的任务分配问题。任务分配完之后，需要对各自的任务进行路径规划。为了使机器人在某一规定的时间内完成任务，规划出的路径既要保证能够到达目标位置，又要保证其为最优的路径。本文根据深度优先搜索的思想提出了一种路径规划算法——SP算法，它主要适用于用拓扑图形构造的环境，并且以路径长度作为性能指标，寻找一条最短的路径。算法设计完成后，我们将其在本文设计的仿真系统上进行了测试，并给出了算法相应的性能指标。尽管我们对多智能体系统领域的一些问题进行了探讨，但是无论深度<WP=61>还是广度都是远远不够的，尚存许多问题需要深入的研究和解决。虽然如此，由于多智能体系统所具有的广泛实际意义，我们相信，本文所做的理论和实践研究对以后的工作是有所贡献的。