联盟形成是多Agent系统中的重要研究课题，多个不同的Agent联合在一起，可以实现个人无法单独实现的目标，或者取得更优的效用。联盟结构生成问题是其中的关键挑战之一，目的是寻找最优联盟结构以最大限度地提高个体利益和联盟收益。
　　目前，寻找最优的联盟结构是困难的。一方面，大多数联盟形成模型假设任意Agent都能够形成联盟。这种假设过于宽泛，在现实生活中，联盟的形成过程常常需要考虑现实存在的各种约束，但即使添加约束条件，问题的复杂度仍然较高，需要新的、快速有效的算法解决大规模现实问题。另一方面，假设一个Agent集可以形成任意数量的联盟，但在许多实际情况下，联盟的数量应该受到限制。例如，在任务分配领域，Agent需要合作来完成所有的任务。由于单个Agent执行任务的资源或能力有限，将任务分配给联盟是必要的，这就要求联盟的数量与任务的数量相一致，以免浪费资源或无法完成任务。针对上述问题，对联盟形成过程中的两种常见假设进行改进，具体工作如下：
　　1)用图来表示现实场景中Agent之间关系的约束，图中的每个节点代表一个Agent，边表示Agent之间的关系，称为图联盟结构生成问题。借鉴蒙特卡洛树搜索中的技术，提出可扩展的Anytime联盟形成算法来解决大规模的图联盟结构生成问题。如果给定时间有限，算法可以即时返回当前的最优解；如果时间充足，算法可以收敛到最优解。
　　2)在任务分配背景下，利用Agent之间的信任效用关系约束联盟的形成，使联盟数量与任务数量一致。提出高信任效用关系的边收缩联盟形成算法，通过连续的边收缩来模拟Agent之间的联盟形成过程，求解设定条件下的联盟结构。最后，设计仿真实验验证所提算法的快速性和有效性。