随着人工智能时代的到来,多智能体与强化学习技术作为其中一部分已经取得了一定的研究与应用,尤其在机器人技术、自动化技术、有人/无人作战、自适应学习等等领域应用广泛。多智能体任务分配问题作为经典问题,也常被应用在资源调度、多机协同、无人机作战等等方面。尽管取得了一定研究成果,但多智能体系统与任务分配仍然面临着基本的困难:个体通信开销大、需求高,个体数量多导致状态空间复杂,个体计算、存储资源有限,建立复杂系统时难以求解等。本文主要探讨的问题是多智能体任务分配问题的极端化情况,将智能体数量进一步扩大,将智能体个体模型进一步缩小。个体数量相对任务至少高出两个数量级,个体模型则缩小至需要小片群体才能够达到单个任务的执行需求量。这种特例性问题模型带来的优点包括:应对未知区域型场景时可以通过投放、抛洒、预埋入等方式达成区域遍布,对于区域中可能出现的任务目标能够产生自然的接近效果;微小型个体体积小、隐蔽性强;个体造价低,可一次性投入;个体的失灵对于整个系统影响微乎其微,使系统具有强鲁棒性。这类问题模型可以应用到诸如电子作战、智能雷场、隐蔽爆破、隐蔽侦查等国防军事化事业,具有一定的实际应用意义,本文所研究内容已有部分成功应用到其中某一领域。针对该问题模型,本文主要研究内容包括以下几方面:1.大规模微型智能体(LSMA)系统的特点及限制当数量剧增,个体体积能力减小,带来的问题是对通信的压力增加,通信强度变大但信息量减少,并且个体获取信息的能力减小。另外,对于一般静态优化与动态学习算法在计算复杂性上存在较大挑战。2.LSMA系统的通信机制设计要解决该特殊问题模型,首先需要建立相关通信机制。本文通过减小信息量、间接信息转换与替代等方式引入了有限信息下的通信机制,为该问题模型建立、求解提供可能。3.结合通信的LSMA任务分配建模在有限信息的通信机制基础上,本文将结合传统多智能体任务分配模型的形式,引入LSMA系统的特点提出LSMA任务分配模型的建立,并通过仿真实验验证预期效果。4.基于两种改进强化学习方法的求解对于分配模型LSMA-TAM,本文通过改进Ant-Q算法的Ant-LQ,与引入规则算法与群体熵的Ant-RELQ两种在线学习算法对该模型进行求解,详细介绍了原方法的限制与不足,阐述了改进思路,给出算法设计并分析优势与不足。5.指标与对照实验对于LSMA任务分配模型,本文提出了6-7种体现算法作用的指标,并与3-4种能够应用的方法进行实验对比,根据实验结果分析体现本文中求解算法改进的有效性,另外指出不足与存在的改进空间。