تمرکز این پایان نامه بر روی همکاری بین عامل ها برای رسیدن به یک ساختار مشخص (آرایش بندی) در محیط پیچیده می باشد. آرایش بندی سیستم های چند عاملی به عنوان مجموعه ای از رفتارهای سطح بالا در نظر گرفته شده است. این رفتارها با اجرای زنجیره ای از رفتارهای مشخص ساده (رفتارهای سطح پایین) اجرا می شوند. در مقایسه با رفتارهای سطح پایین، این نوع رفتارها قابل یادگیری می باشند و می توان آنها را از دانش شخصیت خبره بدست آورد. عمل یادگیری با مشاهده اعمال این فرد صورتگ رفته و به صورت زنجیره رفتارهای پشت سر هم سطح پایین اجرا می شود. به منظور دست یابی به این امر از شبکه عصبی fuzzy artmap به صورت ماژولار استفاده شده است. با ترکیب دانش بدست آمده از فرد خبره و رفتارهای سطح پایین می توان به یک مدل هوشمند از وی دست یافت که توانایی مدل کردن رفتارهای او را دارا می باشد. در این پایان نامه بر پایه استنتاج مفهومی، استفاده از رفتارهای سطح بالا و شبکه عصبی به ایجاد یک چهارچوب جدید در یادگیری سیستم های چند عاملی پرداخته شده است. بطوریکه برای اولین بار از هوش محاسباتی در مدل رفتارگرا برای آرایش بندی عامل ها استفاده شده است. الگوریتم ارائه شده در این پایان نامه پایدار می باشد. آرایش بندی بر این اساس انعطاف پذیر بوده و دارای قابلیت بسط می باشد. همچنین دانش فرد خبره به صورت قوانین اجرایی (اگر-آنگاه ) از شبکه عصبی fam قابل استخراج است. روش ارائه شده بر روی محیط شبیه سازی ربات های فوتبالیست دو بعدی پیاده شده است. نتایج شبیه سازی نشان دهنده آن است که الگوریتم ارائه شده بر پایه fam نسبت به bpnn در برابر نویز مقاوم تر بوده، خطای آن کمتر و سرعت همگرایی آن بیشتر می باشد.