В зависимости от концепции, принятой при разработке MAC, возможны различные варианты ее архитектуры, среди которых выделяют три базовых типа:

1. архитектуры, основанные на методах работы со знаниями;
2. архитектуры, в которых используются поведенческие моде­ли «стимул-реакция»;
3. гибридные архитектуры.

В архитектурах первого типа для представления и обработки знаний используются традиционные модели, методы и средства искусственного интеллекта, а принятие решений осуществляется на основе механизмов формальных рассуждений.

1. возможность формирования новых правил с применением генетического алгоритма;
2. наличие ме­ханизма поощрений.

В архитектурах второго типа, которые называют реактивными, не используются традиционные для ИИ символьные модели представления знаний. Модели поведения агентов представ­лены либо наборами правил, которые позволяют выбрать дейст­вие, соответствующее ситуации, либо конечными автоматами, ли­бо другими средствами, обеспечивающими формирование адекватных реакций агента на возникающие в системе стимулы. Сис­темы этого типа, как правило, имеют высокую степень специали­зации и строгие ограничения на сложность решаемых задач.

Наиболее перспективными считаются гибридные интеллекту­альные мультиагентные системы, которые позволяют использо­вать возможности интеллектуальных и реактивных архитектур. Примером может служить архитектура с иерархической базой знаний, которая содержит структурированную БЗ, рабочую па­мять, модуль управления коммуникацией и человеко-машинный интерфейс. Агент с подобной архитектурой обладает способнос­тью к рассуждениям и к реактивному поведению. Его БЗ содер­жит три уровня:

1. знания предметной области;
2. знания о взаи­модействии, которые позволяют принимать решения в условиях неопределенности;
3. управляющие знания.

Интеллектуальное поведение агента обеспечивается способностью принимать ре­шения, а реактивное — системой контроля за содержимым рабо­чей памяти, которая функционирует по принципу глобальной доски объявлений. Агент взаимодействует с пользователем, ис­пользуя человеко-машинный интерфейс. В общем случае гиб­ридные архитектуры являются многоуровневыми и отличаются друг от друга структурой и содержанием уровней, которые могут соответствовать различным уровням управления, абстракции ли­бо отдельным функциональным свойствам агента.

Одно из новых направлений — применение нейронных сетей для реализации MAC. Коннекционистские архитектуры (на ос­нове ИНС) позволяют создавать самообучающихся агентов, зна­ния которых формируются в процессе решения практических за­дач. Хорошие перспективы для реализации самообучающихся агентов имеют сети с обратными связями и нечеткие ИНС.