MAS（多智能体系统）技术利用机器学习（ML）通过让自主智能体从其环境、互动和经验中学习来实现自适应行为。这些系统由多个独立运行但协作以实现共同或个体目标的智能体组成。机器学习算法，如强化学习或神经网络，被集成到智能体中，以帮助它们动态调整策略、预测结果和优化决策，而无需显式编程。例如，交通控制系统中的智能体可以利用强化学习根据实时拥堵数据调整交通信号灯 timing，从而随时间推移改善整体交通流量。
ML 在 MAS 中的一个关键应用是使智能体能够学习协调策略。在智能体具有冲突目标或有限通信的系统中，ML 帮助它们平衡合作与竞争。例如，在网约车平台中，司机和乘客智能体可以利用 ML 模型预测需求模式并调整定价或路线建议。类似地，在智能电网中，代表能源生产者和消费者的智能体可能采用协同过滤根据使用趋势优化能源分配。这些智能体不断利用历史和实时数据优化其模型，使系统能够适应突然的需求高峰或资源短缺等变化条件。
现实世界的例子突显了 ML 驱动的 MAS 如何处理复杂、动态的环境。交通模拟中的自动驾驶汽车可以利用深度强化学习导航并道或避免碰撞，其中每辆车都作为一个智能体，从与其他车辆的互动中学习。在欺诈检测系统中，监控交易的智能体可能使用异常检测算法识别可疑模式并适应新的欺诈策略。计算开销和数据隐私等挑战在这些系统中出现，但联邦学习（智能体在本地训练模型并共享更新）等技术有助于解决这些问题。通过将 ML 与去中心化决策相结合，MAS 实现了对机器人、物流和物联网网络等应用至关重要的可扩展、情境感知自适应性。