文献综述（或调研报告）：
在生物界，有多种动物具有群体觅食的习惯，即动物会前往有食物的地点进行觅食。90年代以来, 对于多智能体系统 (MAS, Multi-Agent System) 的研究已经成为分布式人工智能研究的热点。而觅食被认为是一种多智能体任务分配问题，所以多Agent觅食问题是人工智能和分布式控制研究领域的一个热点问题，是研究多Agent系统中团队协作的重要途径。
最早的觅食理论是1986年Stephens和Krebs提出的。2006年Lerman等人研究了多智能体觅食的动态任务分配。他们为觅食领域定义了一个包括任务、环境模型、通信、观测和不确定性等重要概念的数学框架。目前，智能体到资源点收集资源的简单框架已经衍生到机器人扫地、搜索和营救、扫雷等问题环境。[3]
觅食算法是受到生物学的启发而生成的，例如基于蚁群的算法通常使用本地通信来模拟信息素以指导其他智能体的路径（当一个智能体找到食物以后，它会向环境释放信息素,吸引其他的智能体过来。有些智能体可能会开辟新的道路，如果另开辟的道路比原来的其他道路更短，那么更多的智能体会被吸引到这条较短的路上来。最后，经过一段时间运行，可能会出现一条最短的路径。）；基于蜜蜂的算法则是非信息素的算法（蜜蜂会回到蜂巢向其他蜜蜂传递信息而不是利用信息素）。蚂蚁和蜜蜂的算法使用简单的启发式算法来决定智能体前往应该觅食的位置的最短路径。[1]现在有部分研究人员感兴趣的是可持续觅食，即从觅食地点觅食物品，但又可以补充资源，以免完全耗尽资源。
对于可持续觅食，要考虑觅食点的资源增长模型，不同的研究方向可以采用不同的资源增长模型，主要是简单的恒定增长模型、资源成指数增长的马尔萨斯模型[Malthus，1872]、资源在单位时间以独立概率增长一个资源的伯努利模型、单位时间内产生的资源数量遵循平均值的泊松模型，以及基于现有资源数量增加资源的随机Logistic模型[1]。
恒定增长模型的优点是简单易懂，同样缺点也很明显，即不符合事实。
马尔萨斯模型适合短期的资源数量的预测。但是把该模型应用到长期的资源数量预测中时，预测结果可能是无穷大。
伯努利模型的优点是：1.直观且易于理解；2.独立生成新资源；3.即使已知某地点的资源增长概率，该地的资源数也是非确定性的。但是对于伯努利模型来说，一个地方的资源数量是没有上限的。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
