多任务联盟问题(Multi-Task Coalition Problem,MTCP)是一个复杂的组合优化问题,由于其求解模型可在分布式监控网络、突发灾难救援和电子商务等领域中得到广泛应用,所以一直以来是多Agent系统(Multi—Agent System,MAS)中的一个研究热点。当前,求解该问题的方法主要包括确定型求解和群集智能搜索两类算法。确定型求解算法虽然精度高,但是随着Agent数量的增加,时间复杂度成指数级增加,所需要的成本代价大,所以比较适用于求解小规模问题。而群集智能搜索算法,如蚁群算法、粒子群算法等,由于具有鲁棒性好、易于获得全局解的特点,故在求解规模较大的多任务联盟问题时,能够占用少量的时间和空间,便得到较好的结果。尽管蚁群算法在求解多任务联盟问题时已表现出良好的性能,但仍容易出现解的“早熟”现象,且在收敛速度、求解精度上有待进步提高。为此,本文对蚁群算法求解多任务联盟问题进行了深入研究,主要工作包括:　　 (1)提出了一种基于相对距离和关联度的MTCP蚁群求解算法。该算法针对蚁群算法搜索机制和信息素增量模型,提出了两种新策略。首先,为提高资源利用效率,减少Agent的能力浪费,引入了相对距离的概念,并提出了基于相对距离的搜索机制；其次,为强化蚂蚁间的协作,利用已获得的解信息,给出了一种基于关联度的信息素增量模型。仿真实验表明,与已有的一些算法相比,该算法不仅能获得更好的联盟结构,而且具有较快的收敛速度。　　 (2)利用量子计算的并行性,提出了一种求解多任务联盟问题的量子蚁群算法。首先,利用量子叠加态给出了基于Agent的量子编码,使一个Agent能占据空间中的两个位置；其次,为使旋转角获得合适的大小和方向,提出了一种基于信息素的自适应修正旋转角调整策略；最后,通过对量子编码进行观测,给出了基于量子态的蚂蚁寻优策略。通过大量仿真实验表明,与已有的算法相比,该算法不仅能获得更好的解,而且收敛速度也有显著的提高。　　 论文的工作是对蚁群算法求解多任务联盟问题的新探索,不仅为MTCP求解提供了更为有效的方法,而且通过量子计算和蚁群算法的融合,也促进和丰富了量子群集智能算法的发展。