多智能体系统(MAS)由多个智能体构成,对于单智能体无法解决的问题,即规模较大或较复杂的问题,可以通过系统中各智能体之间进行协作完成。现如今随着问题的复杂化,多智能体系统受到广泛关注。任务分配是多智能体系统中的一个关键问题,其解决的是将复杂的任务分配给各智能体的问题,目的是使得任务整体的效用或收益最大化。如何高效的将复杂任务合理的分配给智能体成为了多智能体系统的热点问题之一。由于神经网络可以挖掘数据的潜藏信息,强化学习可以使得智能体通过与环境的交互自主进行学习,迁移学习可以使得模型不重头开始训练,加快任务分配的过程,故本文通过神经网络和深度强化学习进行多智能体系统的任务分配,通过迁移学习减少任务分配的时间。在复杂任务中,可以通过神经网络和深度强化学习来学习数据的抽象表征,实现任务分配。本文主要研究的是通过强化学习和神经网络完成多智能体系统的任务分配,主要工作如下:(1)为了加快任务分配的速度,本文提出了一种基于强化学习及迁移学习的多任务分配算法。经典的任务分配算法在新任务到来时,需要重新计算来对任务进行分配,消耗大量计算资源。本文提出的算法在进行新任务分配时,通过迁移学习,利用过往经验加快任务分配的速度,提高任务分配的效率。其主要思想是将目标任务与源任务库中的任务进行相似度比较,找到与目标任务最相似的源任务,将策略库中对应任务的分配方案迁移到目标任务中。该算法还利用迁移学习加快智能体利用强化学习学习最优路径的速度,即将智能体之前处理过的子任务的策略迁移到目标子任务的完成上。最终,通过实验表明使用迁移学习加快了任务分配策略和最优路径的学习,减少了计算开销和时间损耗。(2)为了在保证任务可以完成的情况下,减少系统的资源损耗,本文提出了一种基于深度学习的多智能体系统任务分配算法。第一种是使用神经网络进行任务分配,网络的输入是待分配任务所需要的资源,网络的输出是任务分配策略的类型,目标是最大化系统的总收益。实验表明,该算法得到的任务分配策略准确率较高,实时性较好。第二种是搭建深度强化学习模型进行任务分配。由于任务分配是一个复杂的优化问题,传统的分布式算法很难得到最优策略,导致收益不高,或求解时间过长。该算法使用深度强化学习思想来解决这一问题,通过与环境的交互,不断的试错得到可以获得较大的累积回报的行动,即分配策略。主要思路是利用重放缓存存储状态,并对其进行抽样得到训练样本,经过不断迭代得到最终的任务分配策略。该算法适用于解决大规模且复杂的任务分配问题。仿真实验表明,该算法有效地减少了系统的资源损耗,增加了系统的总收益。