中文摘要：

群体智能和多Agent协作是人工智能领域的两个重要技术内容，也是其热点研究方向，然而目前尚缺乏高效的群体智能算法和具有自组织、自适应能力的多Agent协作方法。本项目通过深层次交叉结合群体智能和多Agent系统理论以产生新的群体智能算法与多Agent协作模型。提出基于多Agent结构的群体智能算法，并对算法的收敛性进行分析；建立基于群体智能算法的多Agent协作模型，并以多机器人系统为研究对象，针对多机器人系统的编队任务、搬运任务等群体行为，设计多机器人群体智能算法来解决多机器人系统的协作协调和多机器人系统在未知环境工作中的自主协作规划问题，实现多机器人系统的低通讯量的协调，并对算法进行稳定性分析；构造多Agent群体复杂协作行为的协同进化适应性机制及其计算结构。本项目将为未来群体智能理论、多智能体系统以及两者结合产生新的群体智能算法与多Agent协作模型提供全新的思路和方法。

结论摘要：

群体智能和多Agent协作是人工智能领域的两个重要技术内容，项目通过深层次交叉结合群体智能和多Agent系统理论以产生新的群体智能优化算法与多Agent协作模型。提出一种新的基于多Agent体系结构的混沌粒子群优化算法，以粒子群算法为基础，融合多Agent技术与混沌局部搜索算法，将粒子群算法的群搜索特征和Agent的智能搜索特征相结合。提出了一种适应动态环境的基于蚁群算法的合同网协议，任务分配的过程受协商过程的影响，在协商过程中承包商被选中的概率同时参考信任度和能力两个因素。针对多Agent系统在未知环境中自主协作规划存在任务死锁及协作效率不高的问题，提出一种基于改进蚁群算法的多Agent协作策略并用于多Agent协作搬运中，该方法将Agent所处位置和目标任务之间的距离以及信息素控制因子引入蚁群算法。提出多目标混沌粒子群优化算法并应用于机器人足球防守策略之中，通过粒子群优化算法的随机性能提高防守队员在动态比赛环境下的适应性。针对追捕问题中传统的距离最短优先、合同网等方法计算量大、效率较低的问题，提出了将基于信息素的蚁群聚类算法应用到多Agent协作追捕问题中的方法。提出了一种未知环境下基于改进蚁群算法的移动Agent路径规划方法，方法具有搜索时间较短和空间复杂度较小的优点。提出一种基于多Agent的虚拟环境结构来对矿井事故的风险行为进行建模和仿真。本项目将为未来群体智能理论、多智能体系统以及两者结合产生新的群体智能优化算法与多Agent协作模型提供全新的思路和方法。