对移动代理(Mobile Agent,MA)的研究最初起源于人工智能领域,随后被做为一个相对独立的方向分离出来.作为一项有长远发展前景的学科/技术,MA被日益广泛地应用于开发分布式网络应用.具体来讲,agent是一段计算机程序,能够在异构网络中从一个节点迁移到另外一个节点,同时保证程序执行的一致性.MA具有自主性、移动性,智能型等特点,这些特性使得它在分布式和移动网络环境中有着很好的应用前景,包括软件设计、网络动态负载均衡、分布式计算等.作为MA技术最显著的特点,迁移在MA程序的整体性能表现中起非常关键的作用.与传统的网络数据传输不同,MA的迁移并不仅限于将agent程序在网络主机间做简单传送,而是一个复杂的智能化自主化过程.MA迁移的时机和路线是由自己确定,和传统的进程迁移有本质的区别.基于当前对MA技术的研究现状,我们将MA的迁移策略作为该文研究的核心.文中将MA的整个迁移过程按进行的先后次序细分为几个阶段,分别是服务定位,确定目的地,迁移时机选择和路由,而对迁移策略的研究也就是针对MA在各个阶段面临的问题——"为何迁移","迁移到哪儿","何时迁移"以及"怎样迁移"——提出有效的解决方案.该文在不同章节对这些问题分别进行探讨,并通过比较分析和仿真实验来验证该方案的优越性.在第二章我们提出一个搜索定位模型来解决MA服务定位问题.该模型的核心是分层结构的注册服务器集合,它们在对服务进行管理的同时也负责为agent导航.基于该模型,MA可以对其所需的服务进行定位进而搜索到合适的目的主机.我们也同时给出了相关的服务管理和定位搜索算法,并将该方案和两种流行的现行方案做了对比.针对目的地选择问题我们在第三章提出一种基于人工神经网络的主机可用度评估方法.该方法的目标是对潜在目的主机进行可用度评估,从而确定哪一台对于当前agent是最合适的目的地.我们也给出了实验过程描述和对结果的讨论分析.第二章和第三章共同探讨"迁移到哪儿"的问题.第四章主要探讨迁移时机选择问题,即"何时迁移".我们提出了一个关于主机状态的概率模型,基于该模型主机状态的变化趋势可通过概率分析来做某种程度上的预测,进而agent迁移的适当时机也可被确定.在第五章针对MA路由问题我们提出一种经过改进的基于强化学习的MA路由算法.该算法源自经典Q-Routing,但我们在Q函数更新规则上做了改进以使之更适合MA路由任务.该算法的有效性通过仿真实验得到验证.第五章解决的是"怎样迁移"的问题.在该文最后我们通过一系列定理,推论及证明过程给出了关于agent迁移的公式化描述.这些描述涵盖了许多与迁移相关的问题,因而可被做为相关算法的实现基础,为未来的研究奠定基础工作.