Agent协商和联盟是多Agent合作问题求解的两个关键技术,也是多Agent系统的有效求解方式。针对多Agent协商和联盟研究工作中存在的问题,本文研究了Agent模型、协商框架以及联盟等问题。主要工作包括: (1)给出一种结合环境、思维状态和效用的Agent逻辑模型为适应Agent复杂的社会行为的要求,综合考虑Agent所处的动态社会环境,Agent自身的思维状态和Agent决策效用,提出一种综合考虑环境状态、思维属性、行为经验和效用的Agent模型。详细描述该模型的运行机制,并给出其语法定义和语义模型,实现了在动态环境中Agent逻辑理性和决策效用理性的平衡。部分改进了Russell, Wooldridge, Rao等人的工作。(2)给出基于和积决策效用和基于遗忘理论的Agent多问题协商框架提出一种基于多问题和积决策效用的协商框架,能够处理多Agent之间效用可补偿和不可补偿的多问题协商。借鉴辩论式协商的思路,推测与之交互的Agent态度。引入学习算法,动态调整问题的权值,以加快协商进程。又提出了一种基于遗忘理论的多Agent协商,结合逻辑学和对策论,达到Agent协商逻辑理性和效用理性的平衡。并且,在协商中,动态调整问题的取值,采用逻辑与来处理多Agent之间不可补偿的多问题协商,为Agent的多问题协商开辟新道路。(3)给出一种混合蚁群遗传算法求解多Agent联盟的方法采用生物进化算法求解多Agent联盟的最优解。融合并改进基本遗传算法和基本蚁群算法,优势互补,给出一种基于混合蚁群遗传算法的多Agent联盟求解方法。充分发挥了蚁群算法和遗传算法这两种仿生算法的解决优化问题能力,弥补传统方法采用约束条件并进行剪枝只能取得次优解的不足,能够取得较优的Agent联盟。并且兼具求解精度较高,收敛速度较快等优点。