近些年,众包作为一种在开放环境下利用群体智慧来完成任务的新兴模式开始备受关注。众包的开放性吸引了大量自由工人参与其中。然而,众包工人在选择和执行任务过程中通常表现出不利于任务高效完成的行为特性:1)选择偏向性,工人通常优先选择净收益最大的任务,这会导致任务选择的不平衡;2)能力变化性,工人能力随着疲劳、注意力等因素而动态变化,这会导致任务完成质量不确定;3)不诚实性,工人为了自身利益提供虚假的工作耗费信息,这会导致工人间不良竞争和任务预算超支。因此,本文从工人的选择偏向性、能力变化性和不诚实性这三个角度展开众包系统的效益优化问题研究,并基于多Agent技术提出了相应的解决思路和求解算法。针对工人选择偏向性,传统方式通常采用奖励或补贴的方法来缓解不均衡,这往往会产生较大的预算开支,而本文提出一种无需额外预算的价格调节机制,由平台隐式地调节请求者的任务价格,使得工人的任务选择达到平衡并最大化社会福利。为了求解最优的价格调整策略,本文提出一种基于定界函数和剪枝策略的分支定界算法。为了适应大规模场景,本文还设计了一种基于价格转移思想的启发式算法。实验结果表明,我们的方法在不同问题规模下能够更有效地提高社会福利。针对工人能力变化性,传统方式通常采用静态或周期性的能力测试方法,这不能主动适应工人能力的动态变化,而本文提出一种自适应的工人能力测试机制:在工人的任务流中动态地嵌入测试任务(答案已知)来实时检测工人能力的变化,并尽量保证工人在能力状态较好时完成普通任务(答案未知),从而保障任务完成质量。该机制采用部分可观测马尔科夫决策过程(POMDP)来决策测试任务的嵌入时机,并针对恶意工人和不可靠答案设计了拒绝策略。实验结果表明,本文的机制具有更高的任务完成正确率。针对工人不诚实性,以往工作主要关注简单任务的场景,而本文考虑如何克服不诚实行为对复杂任务(需要团队协作的任务)执行的影响,并建立具有技能鲁棒性的团队,来保障部分工人缺失不影响任务技能需求的满足。本文基于贪心思想设计了一个具有激励相容性的鲁棒团队形成机制。该机制根据工人的单位耗费边际技能贡献值(即技能增量贡献与耗费之比)贪心地组建鲁棒团队,然后给予团队成员以最大可得报酬。通过理论分析,我们证明该机制能够激励工人报告其真实耗费。实验结果表明,该机制在运行时间方面优于经典的VCG机制,且在团队耗费、支付总费用和工人总效用方面相近。