一、成果简介：首次提出了一个广义的多属性反拍卖模型，并在模型下提出了一种暗标叫价多属性拍卖方法MAV和一种递增叫价多属性拍卖方法MAE；给出了一种基于1-UNT检查的求边际效用递减组合拍卖的近似算法；给出了一种多活性级的递增叫价组合拍卖方法MALB，分析理性买方在MALB中采用的策略。提出了一个Agent间多指标协商的模型MN，并在此基础上提出了双边多指标协商的一种加速混沌进化算法ACEA。 首次提出了长期联盟模糊盟友关系，可以合理的描述长期联盟Agent之间的盟友关系，降低盟友关系计算复杂度，提高盟友关系计算实时性；研究了联盟成员变化情况下的联盟值动态性，给出了一种再励学习算法计算其收益值；提出了Agent组织信誉模型AOCM，并给出了计算方法。 阐述Agent系统与非Agent软件集成的设计与实现方法，基于FIPA规范及软件代理技术，提出了YTSc_2F中支持的网络服务的参考模型，给出了新兴的网络管理模型体系结构。 设计实现了基于RoboCup的多Agent合作求解实验平台。实验平台设计采用面向Agent编程的方法，将比赛、球员、后台服务都分别封装成Agent；在Agent通讯方面，提出一种基于XML的KQML原语的扩展方法；实现了一个简单的Agent合作求解算法，球队可以选取不同的合作求解策略进行比赛。 与国内同类技术比较而言，对Agent拍卖和Agent长期联盟的研究属于国际先进水平，所提出的Agent拍卖模型和Agent长期联盟模型算法简洁，新颖，Agent软件集成规范研究填补了国内该领域研究的空白。 二、推广应用范围 MAS/Agent合作求解的理论与技术在语言处理、工业制造、组织信息系统、空中交通管制、并发程序设计、分布传感和解释、运输调度、监控、机器人学、空战模拟、基于网络的计算、软件工程和电子商务等领域中有广泛的应用前景。这些应用系统一般都具有较大的规模、需要较大的投入，并且能够带来更大的经济和社会效益。例如组织信息系统有复杂的结构，需要子系统之间的大量交互，即可能相互协作，又不可避免的存在各种各样的冲突。这些具有一定自主性的子系统可视为Agent，需要研究如何构造、组织这些Agent,使其以一定的方式进行合作求解，既保证Agent的局部利益，又能从总体上达到高性能。 三、推广前景和市场预测 多Agent系统（MAS）的合作求解是分布式人工智能的前沿课题，对于理解和构建复杂系统有重要意义。另外，在电子商务逐渐取代传统商业模式而成为主流的趋势下，组合拍卖作为市场机制的重要方面，将会在B2B和B2C模式中有广泛应用，因此研究多Agent合作求解机制，以此为基础建立多Agent合作求解平台并集成各种合作求解策略和交互协议，经逐步完善，有很好的应用前景。