Robocup2D仿真平台是一个动态的多智能体对抗体系,在仿真平台上,球员智能体于每一个周期的动作选择将直接决定了球队的攻防能力,而球员在比赛过程中如何相互配合,更精确、快速的到达各自目标点位进行进攻或防守是一切有效策略的前提条件。本文在三角剖分的阵型设计基础上,以防守任务中的智能体动作选择和阵型转换中的球员跑位为工作重点,研究内容如下:首先,将蒙特卡洛树搜索算法引入2D仿真中,将球员智能体在球场上的状态定义为博弈树节点,将双方球员的动作选择视为节点间的状态转移,对于球队的防守任务建立蒙特卡洛树模型。利用极坐标方式对球场进行区域分割,结合Q学习与蒙特卡洛树搜索中的信心上限树算法进行球队训练,将训练结果的动作评估值用于优化比赛代码,得到了一个较为良好的动作选择策略。其次,在分配智能体协调移动问题上提出了一种时间最小化的可扩展角色分配方法,对该方法的不同实现方式进行较为深层次的分析与比较,并将其应用于2D平台中球队攻防转换的阵型实现和球员进攻防守过程中的局部配合跑位上,把球员群体跑位问题模型化,使得球员的跑位更加高效与灵敏,减少了不必要的失误。最后,通过把攻防转换时的状态定义为蒙特卡洛树中的根节点,结合时间最小化角色分配方法进行智能体群防守联合实验,分析实验数据优化代码参数,通过比赛数据证明了方法的有效性。