群体智能可以完成个体智能难以胜任的任务,它可以通过多智能体协作来实现,多智能体协作控制研究的是大量只具简单功能的个体如何通过分布式的控制,相互合作,产生复杂的群体行为。多智能体覆盖控制作为多智能体系统研究的一个重要方向,近年来受到越来越多的关注。本文主要研究了一群具有有限感知能力、通信能力和计算能力的智能体如何在初始随机分布的情况下,以自组织的方式运动,使得最终形成的网络能在保持整体连通的同时,实现对特定环境的最大覆盖。这些智能体能协作完成数据的采集和传送,目标的检测和追踪,以及对环境的监控等任务,在国防,军事,无线传感等领域都有一定的应用。非合作博弈强调个体理性,常于用解决多人多目标优化问题,如今也越来越多地被应用于多智能体协作控制问题。本文基于非合作博弈的基本概念,提出了一种完全分布式的覆盖控制算法。大量的仿真结果表明:该算法能有效地保持多智能体系统的整体连通性,同时实现系统对周围环境尽可能大的覆盖。本文主要完成了以下三个方面的研究工作:1.基于标准化的非合作博弈模型,对多智能体覆盖控制问题进行建模,将系统中的每个智能体看作是博弈的参与人,而将每个个体的运动方向作为其可选的策略集。所有智能体在每一时刻的运动都是同步的,且个体只能获得局部信息,因此可以将系统的整个运动过程看作一个不完全信息、静态博弈的序列。2.提出了一种基于博弈模型的多智能体覆盖控制算法(G-MAC算法),其中每个智能体在每一时刻仅利用自己获得的局部信息,根据一定规则,独立决策自己当前时刻的运动(包括运动方向和运动步长)。在选取运动方向时,每个智能体都采取了一种简单的古诺调整策略,根据一次通信获得的邻居上一时刻的实际运动方向和步长,选择各自当前时刻的最优运动方向。在确定运动步长时,个体根据某种启发式规则,确定其当前时刻的最大可行步长。系统正是通过这种局部的约束来保持整体的连通。3.对G-MAC算法进行了扩展,研究其在环境中有固定障碍物,系统中存在通信范围不同的智能体,及覆盖环境有界等更实际情况中的应用。通过适当地改变收益函数的形式,或扩展确定最大可行步长的规则,可使得改进后的算法能有效地应用于上述情况。