本發(fā)明公開了一種智能體最優(yōu)策略獲取方法及裝置，該方法包括：將智能體在與環(huán)境交互過程中接收的全局獎(jiǎng)勵(lì)建模為單一智能體真實(shí)的局部獎(jiǎng)勵(lì)和不可觀測(cè)環(huán)境狀態(tài)引起的隨機(jī)噪聲信號(hào)之和，構(gòu)建系統(tǒng)模型；利用卡爾曼濾波算法，從觀測(cè)到的多智能體系統(tǒng)中智能體在與環(huán)境交互過程中接收的全局獎(jiǎng)勵(lì)中獲得當(dāng)前智能體對(duì)應(yīng)的局部獎(jiǎng)勵(lì)；根據(jù)各智能體對(duì)應(yīng)的局部獎(jiǎng)勵(lì)，通過預(yù)設(shè)的強(qiáng)化學(xué)習(xí)算法，對(duì)多智能系統(tǒng)中的各智能體進(jìn)行訓(xùn)練，使得每一智能體分別學(xué)習(xí)到當(dāng)前環(huán)境下的最優(yōu)策略。本發(fā)明解決了不平穩(wěn)環(huán)境下的多智能體系統(tǒng)信用分配問題，能提高多智能體系統(tǒng)在完成協(xié)作任務(wù)過程中計(jì)算的高效性和魯棒性。