随着互联网的飞速发展,电子商务应运而生,它不仅提高了人们的生活效率、节省了大量费用,而且提高了社会的生产能力。协商是电子商务进行在线交易的重要方法,也是智能Agent设计的重要目标。目前关于Agent自动协商方法的研究已经很多,但是已有的方法要么只是考虑到协商的公平性、协商效用、协商时间等单方面的协商性能的提高,在提高某一协商性能的同时总是相应地影响了其它的性能;要么在多议题协商时不考虑协商议题间的关联性;要么协商模型过于理想化,不符合现实生活中的协商。所以针对已有协商方法的优缺点,本文从协商框架、协商策略以及Agent的自适应学习能力等方面改进Agent的协商方法、优化Agent的协商模型。主要工作内容包括以下四部分:(1)考虑到协商的公平性,提出一个基于中介Agent的双边多议题并行协商框架,主要包括三个Agent:买方Agent、卖方Agent以及中介Agent。买卖双方Agent同时向中介Agent提交协商提议,中介Agent判断双方是否存在交易机会并决定最终的协商协议。(2)对协商双方Agent的协商策略进行优化,使用强化学习算法(Q-学习算法)动态产生最优协商策略,提高协商性能。并与性能较好的自主Agent多议题并行协商模型进行了对比实验,验证了该方法确实提高了协商的效率。(3)优化传统的强化学习协商策略,引入参数期望还原率对原始期望效用进行还原,避免协商刚开始协商Agent便做出过大程度的让步。并进行了对比实验,实验结果表明该方法不仅是有效的,而且是高效的。(4)优化中介Agent的自适应学习能力以及调解能力,引入一个让步效用基准函数,中介Agent通过该基准函数调节买卖双方Agent的协商策略,协调双方协商。最后通过对比实验验证了该方法确实推进了协商进程,优化了协商的整体性能。