多机器人系统是智能机器人研究领域的一个重要分支。与单个复杂机器人相比,多个简单的机器人组成的系统具有设计周期短,系统可靠性高,任务执行效率高,适应任务空间分布等优点,然而如果多个机器人之间没有一个好的协作算法对它们执行任务进行协调,那么执行任务的效率会大大降低,甚至会有相互干扰和相互冲突的情况发生。本文立足于多机器人研究的典型环境,从目前比较热门的多机器人地图构建、多机器人编队和多机器人搜集任务等领域对多机器人算法进行了研究。地图构建是未知环境下机器人完成复杂任务的前提条件,多机器人协作地图构建比起单机器人地图构建无疑速度更快,然而如果没有一个好的协作算法,多机器人可能会因为重复搜索同一区域而造成效率降低和碰撞增加。利用遗传算法使多个机器人尽量保持相互远离并且距离原来的位置最近的状态下进行环境探索,仿真实验证明该算法可以减少多机器人重复探索的几率,并使机器人间碰撞几率得到很大程度的降低。人为制定复杂环境下机器人的行为规则比较困难,对于多机器人协作规则,进行人为制定更加困难,强化学习为这一问题提供了一条解决途径。机器人通过与环境交互,不断试错,能够学习到适应环境的行为规则。我们将强化学习应用到多机器人编队和多机器人搜集两个任务环境,通过仿真验证,当提供适合的强化函数时,机器人不仅能够学到正确的自身动作规则还能够学到较好的协作行为规则。本文建立了动态障碍物的避碰规则,并应用动态优先级法解决了机器人之间发生路径冲突时的冲突消解问题。通过仿真实验验证了动态避碰规则和动态优先级法的有效性。为复杂动态环境下的多机器人协作算法的研究奠定了一定基础。本论文还利用Visual C++语言建立了多机器人系统仿真平台,通过复杂环境下的仿真验证了该平台的通用性,并进一步验证了多机器人协作算法的有效性。