分布式共享与协同技术可以很好的组织、管理、存储和访问分布在不同地理位置上的空间数据资源。Agent因其自适应、灵活等特点,可以自主地在分布式环境中发挥作用。对于每一个分布式空间任务,在缺乏中心控制的情况下,如何选择最佳的节点组合进行协同计算,就成为影响整体系统效率的关键因素。　　 分布式系统中的每个节点状态都在动态变化,为了使每个分布式空间任务高效执行,在任务派发之前,需要得到当前所有节点的全局状态信息,才可做出最准确的选择。在一个无中心控制的系统中,每个节点需要通过大量的消息通信来获知全局节点的状态。这就很容易造成消息堵塞,很可能因消息传递延迟或错误而导致不当的任务分配,节点的大部分资源都被用于消息传递而非空间运算。　　 加强学习是一种可以适应动态环境和随机变化的机器学习方法。对于每个任务请求,通过加强学习的方法,Agent可根据周围环境采取自主行动,最大化自身的回报。加强学习通过多次尝试,将结果不断的反馈,让Agent日益熟悉周围环境,从而对类似任务的请求作出更为准确的策略。利用加强学习的方法来优化分布式空间任务,可以在减少节点之间实时消息的通讯量的同时,提高空间任务的执行效率。　　 在分布式环境中,将每个节点映射为一个Agent,对于该节点接收的每一个查询任务,运用加强学习方法选择一系列节点的组合来完成查询任务。由于分布式系统中节点的数目庞大,而每个查询任务所能涉及的节点个数有限,为了缩短节点的学习时间,定期将所有节点各自学习到的节点状态信息进行共享,通过整合,将统一后的节点信息反馈给系统中的每一个节点。通过这种方式,系统中的各个节点就可以快速学习到其它节点的状态信息。另外,由于空间任务的固有特点,根据空间算子所需要的计算资源不同,对不同类型的空间算子分别进行加强学习,从而可以更准确获得每个节点对应不同空间计算类型的表现。　　 论文的主要贡献包括:1)将加强学习的方法引入到分布式空间任务优化中,通过对单个节点的查询历史的加强学习,记录所访问过的节点之间的信息,供随后的查询参考。2)将各节点加强学习的结果整合到一起,缩短了整个系统中单个节点的学习时间。由于每个节点所涉联的节点数有限,需要将其它节点加强学习的知识进行共享。通过归一化节点学习结果,避免了节点个性差异引起的评价不同。3)更准确地给出了每个节点的性能评价。根据历史表现来对一个节点进行综合评价,即使某次做出的决策并不一定最佳,但是总体上是较优的。　　 论文工作的研究内容主要建立在对真实数据进行实验分析的基础之上,数据取自全国1∶500万的地理数据,包括河流,道路,省市边界等图层。论文研究工作得到了“十一五”国家高技术发展计划(863计划)《网格环境下基于Agent的空间资源分布式共享与协同计算研究》的支持。