Agent在人工智能领域中指能自主活动的软件或硬件实体,是一种具有自治性、反应性、主动性和社会性的智能体。随着Internet应用的不断深入和计算机技术的快速发展,移动Agent概念被提出并得到广泛应用。移动Agent是一种特殊的Agent,移动性是其最重要的特点,它可以通过网络从一台主机移动到另一台主机运行,并根据需要生成具有相同性质的子Agent。移动Agent的特点还包括异构和异步性、降低网络通讯费用、分布和并行性、智能化路由等。移动Agent在分布式计算、信息检索、电子商务等领域具有广泛的应用。移动Agent可以将单个节点的任务分散到多个节点完成,减轻了单个节点的负担并且提高了效率；移动Agent可以代表用户在Internet范围内搜索信息资源或服务。将移动Agent技术与工作流技术相结合可以得到基于移动计算泛型的迁移工作流技术。迁移工作流实施是移动Agent的一个重要应用领域,在迁移工作流中的移动Agent称为迁移实例,可以实现业务流程的全部或部分自动化执行。迁移实例完成业务过程目标的路径规划问题是迁移工作流技术相关研究中的一个重要方向,也是提高工作流管理系统性能的关键。具有约束的迁移实例路径规划是整体业务过程具有约束条件的路径规划问题,迁移实例选择的工作位置需要满足给定的约束条件。迁移实例路径规划方法可分为静态规划和动态规划两大类,静态规划需要完全确定的环境模型,并且在迁移实例出发之前就为其确定了迁移路径。在不确定的环境模型中,迁移实例需要采用动态规划的方法规划迁移路径。本文以迁移工作流模型中迁移实例的动态路径规划方法为主要研究内容,首先提出了不确定工作位置网络环境中基于强化学习的迁移实例动态路径规划方法,迁移实例在迁移决策时通过Q学习的在线学习方式来获取环境信息,并根据学习结果规划迁移路径。鉴于迁移实例路径规划问题就是不断选取工作位置并利用其提供的服务完成任务序列的过程,也就是工作位置服务选择的过程,本文将迁移实例路径规划问题看作工作位置服务选择问题,工作位置决策过程对应工作位置服务选择问题,并给出了基于QOS的工作位置服务评价体系和方法。对于具有约束的业务过程求解问题,给出了迁移实例路径规划的服务选择模型,将其转换为带约束条件的工作位置服务选择问题,并通过强化学习方法实现工作位置服务选择过程。