多Agent系统(Multi-Agent System,MAS)是人工智能领域非常活跃的研究方向,其目标旨在使软件能够模拟人类的认知和行为,具有较强的问题求解能力。BDI模型具有高度灵活性,为解决动态复杂领域的问题提供了坚实基础,通过赋予Agent信念(Belief)、愿望(Desire)、意图(Intention)三种精神属性分别表达其所处环境的信息、动机以及实现期望目标所需的规划。在BDI模型中,多Agent信念协调与行动规划问题逐渐成为研究热点。本文针对这两方面的研究现状开展以下工作:(1)在多Agent系统中,不同的Agent具有不同的信念,信念冲突会不可避免地造成行动冲突。Sakama C等人提出的严格协调(rigorous coordination)方法适用于Agent之间有共同信念的情境,但无法处理各Agent共同信念为空的情况。针对该问题,本文提出一种基于可能回答集程序(Possibilistic Answer Set Programming,PASP)的信念协调方法。首先,针对各Agent的不同信念集,引入加权定量的方法计算程序PASP的回答集相对于Agent信念的满足度,以此来弱化Agent某些信念,获取相对满意的一致解。其次,根据一致解建立一致的协调程序,作为Agent共同认同的背景知识库。最后,在DLV求解器的基础上增加规则预处理的前端程序,使其可以直接处理可能回答集程序的规则形式,并实现协调多Agent不相交信念的算法。本文以旅行景点推荐场景为例,说明该方法在群体决策领域的应用。(2)Agent通过行动体现智能特征。王洁等学者研究了在不确定及模糊的动态环境下Agent如何选择目标并实施行动,但没有考虑实现目标的行动规划。选择合理的行动规划实现目标会减少目标失败的可能性,提升整个Agent系统的性能。因此,本文提出一种不确定情境下的行动规划方法。首先,针对Agent的多种行动规划,建立包含当前上下文环境和Agent偏好等信息的元模型,通过预测各行动规划的实施效果选择最佳的行动规划。其次,以实用推理(practical reasoning)的方法推理行动,并修正目标。最后,本文基于Jadex平台实现军事目标摧毁的仿真场景,说明行动规划方法的实用性。