近年来随着智能体需要解决的问题越来越复杂,学者们从研究单智能体系统逐渐转为研究多智能体系统。多智能体系统常常被用于搜索遍历,无人监控等场景。使用多智能体系统去搜索一个感兴趣区域已经有很多成熟的算法,但这些算法基本都是针对平坦地形设计的,而实际应用中被搜索遍历的环境往往是不平坦的山地地形等。在针对平坦地形设计的搜索算法中,智能体通常是采用最短路径的方式在导航目标之间移动,在平坦地形下这样的运动即省时又节能,但在不平坦地形上这样的运动往往会导致过度的能量消耗。然而,现有的智能体基本都是采用便携式能源提供电力,因此应该尽量减少智能体的能量消耗,避免还没遍历完感兴趣区域智能体就出现能源不足的情况。为了解决上述不足,本文提出了两种针对山地环境的多智能体搜索节能算法。本文的主要工作和创新如下:1.将深度强化学习引入到了多智能体系统中。通过设计合理的深度强化学习奖惩函数,提前规划出每个智能体下一个要遍历的最优目标位置,尽量避免发生重复覆盖的问题,提升了覆盖效率,降低了系统的总能耗。2.针对多智能体系统去搜索山地环境设计了两种神经网络模型,这两种模型使得智能体能够实时的选择下一个要遍历的最优位置。对于其他的复杂环境,也可以参考这两个网络模型,去构造出更适合的网络模型。3.结合山地地形的梯度特征,引入了地形适应力,地形适应力可以引导智能体尽量走最优能耗路径。将地形适应力加入到运动学模型中,设计出了基于地形适应力的节能覆盖算法。4.将智能体能耗模型加入到深度强化学习的奖惩函数中,以全局总能耗最低为目标去选择下一个要遍历的目标点,进而设计出了基于奖惩函数改进的节能算法。仿真结果表明,本文提出的两种算法在不平坦的山地环境下相比于传统的搜索遍历算法有更好的节能性。并且本文提出的两种算法在系统中某些智能体出现故障断开连接时,不会影响其他智能体继续工作,有很好的鲁棒性。