سیستم های چندعاملی شاخه ای از هوش مصنوعی توزیع شده می باشد که به مطالعه و بررسی رفتار مجموعه ای از عاملها و پیچیدگیهایی که از تعاملات آنها پیش می آید، می پردازد. یافتن، طراحی و پیاده سازی استراتژیهایی برای هماهنگ سازی و همکاریی عاملهای موجود در یک سیستم چند عاملی یکی از مسایل بنیادی در این گونه سیستمها به شمار می رود. شناسایی و حتی اثبات وجود بهترین استراتژی هماهنگ سازی، کاری تقریباً غیر ممکن است. در بسیاری از موارد، یک استراتژی هماهنگ سازی برای یک دامنه، هنگامی به کارگرفته می شود که به اندازه قابل قبولی، سودمند و کارا باشد.کدکردن دستی رفتارهای همه عاملهای موجود دریک سیستم چند عاملی، برای رسیدن به هماهنگی و کار تیمی مطلوب، اگر نگوییم غیر ممکن، بسیار پیچیده و دشوار است. از طرف دیگر این پیچیدگی، با افزایش تعداد عاملها و پیچپده شدن رفتـارهای آنها، می تواند افزایش یابد. زمینه یادگیری چند عاملی مشارکتی، با سعی در یافتن رفتار عاملها، نوید راه کارهایی جدید برای حل این گونه مسایل می دهد و از این رو در سالهای اخیر،کانون توجه بسیاری از تحقیقات قرار گرفته است. برنامه نویسی ژنتیک شبکه ای یکی از تکنیکهای یادگیری چند عاملی مشارکتی می باشد که اخیراً با الهام از برنامه نویسی ژنتیک ارایه شده است. در حالی که برنامه نویسی ژنتیک از یک ساختار درختی برای نمایش راه حلها استفاده می کند، برنامه نویسی ژنتیک شبکه ای از یک معماری شبکه ای بهره می گیرد که این امر می تواند باعث بهبود نحوه نمایش راه حلها و توانایی جستجو شود. برنامه نویسی ژنتیک شبکه ای، روش جدیدی برای جستجو می باشد و بنابراین تاکنون تنها در چند دامنه خاص به صورت موفق، آزمایش شده است و از این رو باید کارایی آن در دامنه های مختلف دیگری نیز مورد بررسی قرار گیرد. در این رساله برای دست یافتن به دانش استفاده از برنامه نویسی ژنتیک شبکه ای و آزمایش موثر بودن آن، از این روش در تولید استراتژی هماهنگ سازی و مکانیزم رفع برخورد در یک مساله معروف، به نـام دامنـه تـعقیب (صیاد-صید) که در هوش مصنوعی توزیع شده به عنوان یک دامنه آسان در توصیف و مشکل در حل شناخته می شود، استفاده کرده ایم و نتایج را با روشهای برنامه نویسی ژنتیک و برنامه نویسی ژنتیک قویاً نوع دار شده مقایسه کردیم. نتایج آزمایشها نشان از موفقیت این روش در تولید استراتژی هماهنگ سازی میان عاملها در دامنه تعقیب دارد و کارایی آن در این دامنه از روش برنامه نویسی ژنتیک بسیار بالاتر بوده و قابل رقابت با برنامه نویسی ژنتیک قویاً نوع دار شده می باشد، همچنین هزینه محاسباتی آن کمتر و سرعت یادگیری آن بالاتر از این دو روش می باشد.