本书系统介绍了基于强化学习的多智能体协同技术，涉及进化算法、纳什均衡等相关主题，讨论了基于强化学习的多智能体协同理论、一致性学习算法、基于协同Q学习算法的多智能体规划技术等，并给出了针对多机器人协同问题的应用实例。本书不仅包含多智能体强化学习协同研究的最新进展，而且提供了一种相对于传统方法更加高效的技术路线。
前言
协同是生物体的基本特征,因为它们单个个体往往能力有限，需要通过集体努力才能实现共同目标。自然界中有大量有趣的生物体协同的例子，比如蚂蚁搬运食物,单只蚂蚁只能携带少量食物,但蚁群却能向巢穴搬运大量食物。同时,单只蚂蚁通过跟随位于它前面的同类所散发出的信息素进行运动，并不断优化路径,这也是十分有趣的现象,实际上蚁群算法就是受此启发而提出再者如蜜蜂之间的分工协作,巢中的蜂王通过舞蹈和肢体运动引导工蜂到特定的方向收集食物资源,等等。这些自然现象揭示了生物体利用它们的集体智慧和协作，来实现复杂目标的能力。
协同和规划是多智能体系统(Multi-AgentSystem,MAS)领域中密切相关的概念术语。规划指确定从给定位置到达目标位置的运动策略,协同则指智能体之间通过密切交互以生成可行的动作行为策略。因此，协同是解决多智能体系统中复杂现实问题的重要手段。多智能体协同任务通常可以分为三种类型:合作型任务、竞争型任务和混合型任务。顾名思义，合作型任务是指智能体间为实现复杂的共同目标并提高综合性能而相互协作的任务,受限于单智能体的软硬件资源或时间/能源等条件,这些任务对单个智能体难以实现。不同于合作型任务,竞争型任务中两组智能体的目标互相冲突。典型的竞争型任务如机器人足球比赛,双方球队都想通过实现已方进球,并防守对方进球以赢得比赛混合型任务中则同时包括合作与竞争关系,同样在足球比赛中，两支球队之间的竞争与同一支球队内的合作,二者并存。通常多智能体系统的协同是指合作,即智能体间通过相互协作以完成复杂的任务、实现共同的目标。本书主要研究多机器人智能体系统中的合作问题。
近年来,将机器学习应用于多智能体合作型问题成为研究热点，学者们对此开展了大量的研究。机器学习的主要优点是可以根据机器人的感知信息生成相应的动作规划。对于单智能体学习,从交互感知信息中进行动作规划的学习相对简单:然而,对于多智能体学习,其他智能体状态的改变会成为当前智能。。。。。。。。
