多智能体系统 (MAS) 依赖于能够使自治体协作、竞争或共存，同时实现个体或共享目标的算法。常见方法包括基于博弈论的方法、共识算法和强化学习技术。这些算法解决了在智能体具有部分信息或目标冲突的环境中，诸如协调、资源分配和去中心化决策等挑战。
一个广泛使用的类别是博弈论算法，它将交互建模为战略博弈。例如，纳什均衡概念帮助智能体优化其决策，同时预测其他智能体的行为。在机器人路径规划中，智能体可以使用迭代最佳响应算法来迭代调整路径以避免碰撞。另一个例子是基于拍卖的算法，智能体在其中竞标任务或资源。合同网协议允许智能体充当管理者或投标人，通过竞标过程动态分配任务——这在物流或分布式传感器网络中很有用。这些方法在没有集中控制的情况下平衡了竞争与合作。
共识算法确保智能体就共享状态或决策达成一致。 Paxos 算法或其简化变体 Raft 跨分布式系统同步数据，这对于容错 MAS 至关重要。在群机器人中，集群算法（受鸟类行为的启发）使用局部规则来实现全局协调，例如维持队形。 强化学习 (RL) 方法，如 多智能体深度确定性策略梯度 (MADDPG) 使智能体能够通过试错学习策略。例如，在自动驾驶车辆协调中，MADDPG 可以通过让智能体根据共享奖励调整其速度和车道变更来优化交通流量。这些算法通常将集中训练与去中心化执行相结合，以有效扩展。
最后，生物启发算法模仿自然系统。蚁群优化 (ACO) 使用类似信息素的信号进行网络中的路径规划，而粒子群优化 (PSO) 帮助智能体集体探索解决方案空间。在灾难响应场景中，ACO 可以引导无人机有效地覆盖搜索区域。混合方法也很常见，例如将 RL 与共识协议相结合——例如，使用 RL 进行本地决策，并使用共识来解决智能电网中的冲突。选择取决于通信限制、可扩展性需求以及智能体是合作还是对抗等因素。开发人员在实施这些算法时，应评估计算复杂性、通信开销和解决方案质量之间的权衡。