关于Agent和多Agem系统的研究是一个生机勃勃的具有广泛参与面的研究领域。随着单Agent学习方法的研究成功，人们也将注意力投向了更为复杂的多Agent系统。在很多实际应用中，仅依靠单个智能体可能无法完成任务，或完成任务的效率很低，因此对多Agent系统的研究势在必行。但多Agent系统的内部组织结构远比单Agent复杂，且外部的任务环境更加动态化，所以对该领域的研究极具挑战性。 本文工作主要集中于Agent间的协作、协调和协商等问题，所要解决的问题是如何使Agem自主掌握与其他Agent交互的技巧，并同时兼顾自身利益和整体利益等问题。在随机对策的框架下，将激励学习与对策论相结合，使Agem通过对各种对策形势的学习自动掌握与其他Agent交互的技巧。在单Agent Q．学习和其他多Agent激励学习基础上提出了一种有效的激励学习算法，在方格世界和追踪领域的仿真实验表明该算法的高效性，且具有一定的通用性，同时将多Agent激励学习的研究从Markov环境扩展到非Markov环境中。进一步将量子搜索思想用于多Agent激励学习的状态空间和行为搜索上，寻求不同于传统行为选择方式的新途径，充分利用了量子叠加性，提高了多Agent激励学习的并行性，仿真实验显示这种量子搜索思想与多Agent激励学习结合的学习算法具有较好的收敛性，这为今后这方面更加深入的研究做了前期工作 本文利用Agent技术来研究我国电力市场中，发电公司在面对不同市场环境下的报价决策问题，提出了基于多Agent激励学习方法的电力报价策略方法，以此来确定最优的投标报价。