本书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任务问题的应用实例。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，发展了可加速多智能体协同学习算法收敛性的技术手段。
本书具有较高的学术水平和应用价值，能给从事多智能体技术研究的科研人员与工程人员提供有益参考。

第1章 基于强化学习与进化算法的多智能体协同
1.1 本章概述
1.2 单智能体运动规划
1.3 多智能体规划和协同
1.4 智能优化协同算法
1.5 本章小结
参考文献
第2章 提高多智能体协同任务规划Q学习算法的收敛速度
2.1 本章概述
2.2 相关研究综述
2.3 基础知识
2.4 改进的多智能体Q学习算法
2.5 FCMQL算法及其收敛性分析
2.6 基于FCMQL算法的多智能体协同规划
2.7 实验与结果
2.8 结论
2.9 本章小结
参考文献
第3章 多智能体协同规划的一致性Q学习算法
3.1 本章概述
3.2 基础知识
3.3 一致性理论
3.4 基于一致性理论的CoQL算法
3.5 实验与结果
3.6 结论
3.7 本章小结
参考文献
第4章 合作Q学习多智能体规划中相关均衡的高效计算方法
4.1 本章概述
4.2 单智能体Q学习和基于均衡的MAQL算法
4.3 改进的合作MAQL和规划方法
4.4 复杂度分析
4.5 仿真及实验结果
4.6 结论
4.7 本章小结
参考文献
第5章 改进帝国竞争算法及在智能体携杆问题中的应用
5.1 本章概述
5.2 多智能体携杆问题
5.3 帝国竞争算法
5.4 萤火虫算法
5.5 帝国竞争萤火虫算法
5.6 仿真结果
5.7 计算仿真及实验
5.8 结论
5.9 本章小结
参考文献
第6章 总结与展望
6.1 全书总结
6.2 未来研究展望