在人工智能中，多智能体系统可以被认为是一个由个人（智能体）组成的社会，通过交换知识和相互协商来实现个人/全球目标。在现实生活中，多agent系统被应用于许多不同的领域，如资源管理；信息安全；制造计划、调度和控制；监测、诊断和控制；电子商务；生物医学；和虚拟企业。考虑到这些系统的巨大实用性，研究人员不断尝试在现实世界中使用这些系统的新方法。
在这种背景下，由中国上海华东理工大学杨唐教授、欧洲学术界成员、澳大利亚墨尔本斯文伯恩理工大学IEEE研究员韩庆龙教授和。聽J眉来自德国波茨坦波茨坦气候影响研究所的欧洲学术界成员rgen Kurths共同努力，深入研究与多智能体系统相关的问题。他们探讨了多智能体系统从优化到博弈的合作/非合作行为的本质，以此作为解决复杂现实问题的方法。他们将研究结果发表在《IEEE/CAA自动化杂志》5月刊上。
Tang教授和Kurths教授声称：“多智能体系统通常涉及多目标优化，目标相互冲突，每个目标都不可避免地受到不确定性的影响。因此，博弈论可以赋予多智能体系统更多的解决方案，并提供跨学科集成的手段，如游戏与控制、AI、数学和其他学科的集成。”。
他们考虑博弈论有一个非常重要的原因。简单地说，游戏，尤其是回合策略游戏，无处不在。博弈是特定于相互依存的情形，根据主体的行为和动作序列，博弈可以分为合作博弈和非合作博弈，也可以分为静态博弈和动态博弈。研究人员综合了这两种分类，以便更全面地了解复杂的现实世界场景。
在他们的调查中，作者使用博弈论为个人或全局优化目标创建合作或竞争行为模型。重点研究了多agent系统中合作与竞争的三个方面：合作优化、合作博弈和非合作博弈。“对于与博弈相关的问题，当一个代理的目标可能与其他代理的目标不同或完全相反时，就会形成非合作博弈；相反，当一个代理与其他代理绝对合作并考虑共同利益时，就会形成合作博弈，”王和洪说。
该调查涉及多个角度：首先，它关注分布式在线优化、联邦优化及其在隐私保护中的应用。然后，通过分别关注具有合作和竞争因素的静态和动态博弈，该研究以一种新颖的方式将合作优化过渡到合作博弈。
那么这些发现可以在哪里使用呢？据作者介绍，这些应用程序是多种多样的。
使用一个特别的示例，韩教授表示，“在智慧城市中，这些发现可以用来构建依托城市大数据的智能交通决策系统。这意味着可以优化交叉口红绿灯的持续时间，从而调整交通流量，平衡路网负荷，提高道路资源的利用效率。”
这些应用程序还涉及其他领域。在经济学中，市场竞争可以建模为一个博弈问题。在信息安全领域，通过识别交互信息的意图和预测攻击行为，可以构建非合作攻防博弈，寻找最优的防御策略。即使在药物开发中，也可以构建合作博弈来获得大分子结构的最大效用。
