多智能体系统通过在自主智能体之间分配决策权来处理多目标优化，每个智能体都有助于平衡相互竞争的目标。在这种系统中，智能体进行协作、协商或竞争，以找到能够同时解决多个目标的解决方案。与单智能体方法不同，多智能体系统的分散性允许智能体专注于特定目标，同时共享信息或资源。例如，在智能电网中，一个智能体可能优化能源成本，而另一个智能体可能最小化碳排放，它们的交互作用会产生一个平衡的总体策略。这种方法避免了集中式瓶颈，并利用了本地化的专业知识，使其能够扩展以解决复杂的问题。
智能体通常使用诸如帕累托优化、博弈论或基于拍卖的机制等技术来调和冲突的目标。帕累托优化识别那些在不恶化另一个目标的情况下无法改进单个目标的解决方案。在交通管理系统中，代表车辆的智能体可能会协商路线，以最大限度地减少旅行时间和燃料消耗，从而产生一组帕累托最优路径。博弈论将交互建模为战略游戏，其中智能体根据其他智能体的行为调整策略。例如，在仓库机器人系统中，智能体可能会竞标任务以最大化效率（例如，最大限度地减少交货时间），同时确保公平的工作量分配。还可以应用强化学习，其中智能体通过反复试验来学习平衡与不同目标相关的奖励的策略。
实际应用突出了多智能体系统的灵活性。在供应链物流中，代表供应商、制造商和分销商的智能体优化成本、交货时间和可持续性指标。每个智能体都优先考虑其目标，但通过沟通来适应全球约束。挑战包括管理沟通开销和确保收敛到可行的解决方案。例如，在无人机群协调中，智能体必须避免碰撞（安全）同时快速到达目标（速度），这需要实时协商。开发人员通常会实施诸如 JADE 之类的框架或集成进化算法的工具来自动进行权衡。通过将分散式决策与显式协调机制相结合，多智能体系统可以有效地解决集中式方法无法解决的多目标问题。