总之， 国内外学者对多智能体的路径规划进行了大量的研究工作， 取得了许多杰 出的成果， 但是正如上面所谈到的，如果将这些方法直接应用到机器人救援仿真系统中， 还有一些问题亟待解决。 在静态的路况下，基于拓扑信息的路径规划算法可以利 用完整的道路拓扑信息来得到最短的路径［叫。 而在多智能体救援仿真系统中， 由于震后房屋明塌， 桥梁断裂等情况随时都有可能发生， 并且倒塌形成的障碍物也随时可能 被警察智能体清除，这种路况的复杂性使得基于道路拓扑信息的路径规划算法不能够 直接应用到多智能体救援仿真系统的路径规划中。

2多智能体系统协作机制的研究

在多智能体仿真系统中， 如何才能使得智能体在执行某项任务时，能够相互协调，相互合作， 实现系统利益的最大化，这就涉及到多智能体协作机制的研究。 最近十多年来， 国内外专家对于多智能体协作机制的研究主要体现在同构多智能体的任务分配和异构多智能体的任务协作方面。

1。多智能体任务分配研究现状

目前，任务分配算法主要有两种：集中式任务分配算法和分布式任务分配算法。

(1）集中式任务分配算法

现在己有的任务分配算法多为集中式的。 所谓集中式，是指系统中要指定一个中心智能体，此智能体需要知道其他所有智能体的能力和状态， 由中心智能体来负责进 行任务的分配(19］。集中式任务分配算法的优点在于它可以从全局角度进行任务分配， 并且具有易于控制的优点。 但是， 负责任务分配的中心智能体是一个重要的瓶颈， 它 一旦失效， 整个系统也就会随之无法工作。 而且集中式任务分配的前提是中心智能体对其他所有智能体的任务和状态要相当了解，对系统的任务要求也必须很清楚， 能够做到这两点其实并不容易， 这也是集中式任务分配的局限所在［20］。

(2）分布式任务分配方法

在多智能体的分布式任务分配算法中， 各智能体之间遵循现实可行的社会规则和 资源共享管理策略， 通过某种机制， 以及智能体之间的相互作用和对所处环境的感知， 运用自身的知识合理的进行判断和决策， 实现各个智能体间的任务划分与分配， 协调各类冲突， 实现资源共享i叫。在分布式方法中， 有一种局部最优的分配方法， 我们称之为熟人法［叫。在熟人法中， 每个智能体只有多智能体系统中某些固定智能体的 功能表， 通过对这些熟人智能体功能的掌握， 智能体之间就可以通过查询熟人的方式 来找到可以完成某项任务的智能体。 可以看出， 熟人法虽然只是局部最优， 但是它有 实时性好， 通讯量小等优点问。

通过以上的分析我们可以得到这样的一个结论， 采用集中式任务分配算法会过度依赖中心智能体， 这样会导致系统的稳定性下降， 系统不够健壮， 所以集中式任务分 配算法不适合用于大规模系统。 而分布式任务分配算法则适合应到大规模的任务分配 算法中去。