随着计算机和网络技术的不断发展,电子商务行为越来越普遍。在电子商务交易中,为了节省买卖双方为谈判完成交易所花费的大量工作和时间,提高交易效率,有效降低交易成本,有必要实现自动或半自动谈判。基于Multi-Agent的自动谈判作为一种较新的谈判方式,能够明显地提高谈判的自动化程度,节约谈判时间,降低谈判成本,极大地提高谈判各方的效率,并能使谈判各方最终做出较好的决策。自动谈判的形式有多种,而一对多谈判在实际的商务活动中是广泛存在的。但是现有的一对多多属性谈判研究都是针对特定的谈判问题设计的,如多属性拍卖等。一般的拍卖系统只涉及到价格一个属性或者要求,即拍卖是一对多单一问题谈判,而且拍卖协(?)边谈判,不支持动态交互协商,不能对不同的谈判者采取不同的谈判策略,使得协商形式比较僵硬,协商策略比较单一,缺乏灵活性。此外,很多研究者将学习机制只用于一对多自动协商过程,却忽视了协商前对历史协商信息的学习分析。本文重点围绕多Agent协商中的协商协议和协商策略等问题开展研究。为了提高协商效率,论文首先提出了针对多个卖方的筛选评价体系,对卖方的历史协商数据进行学习更新,通过学习得到的数据(包括交易比率、协商比率、各议题预测保留值等)对卖方进行评价筛选,选择符合协商要求的卖方加入协商队列,同时将筛选评价机制嵌入协商过程之中,并将历史协商数据学习扩展到在线学习。其次,本文提出了一个基于双边协商的一对多协商模型OMANM。该协商模型支持动态多线程协商,各线程之间互相学习议价,并可以动态协调各线程协商,解决了已有协议中的中心节点问题和同步协商问题。该模型对现有的并发协商线程协调策略OPS(Optimized Patient Strategy)进行改进,提出了一对多协商协议,使先得到可接受提议的线程不仅会更新其他协商线程协商议题的保留值,确保不会接受比已经得到的提议更差的提议,还会影响其它在线协商线程所选择使用的协商策略。此外,分别为买卖双方Agent设计了提议策略,符合现实生活中的买卖双方交易心态,具有一定的实用性。最后,本文在MyEclipse平台下,开发了基于Web的一对多自动协商实验系统,验证了协商模型的有效性。