Un agent adaptatif est capable d'apprendre en fonction de
son expérience passée et de son évolution. Les architectures d'agents
produisant
des unités fonctionnelles dédiées à des tâches précises, les
techniques d'apprentissage classique de l'intelligence artificielle
s'appliquent particulièrement bien à l'apprentissage d'un agent (qu'il
s'agisse de faire évoluer ses capacités d'action, de décision ou
d'analyse) [#!stone-1997!#].
En particulier, plusieurs recherches [#!andre-1998!#,#!stone-1997!#] appliquent les techniques de l'évolution génétique aux effecteurs de bas niveau des robots footballeurs participant à la RoboCup. Les algorithmes génétiques sont aussi utilisés comme support à la décision par [#!matos-1998!#], qui les applique dans une simulation de marché, contenant des interactions entre demandeurs et fournisseurs. De plus, le paradigme des systèmes multi-agents peut être mis en parallèle avec la notion de population et de génotypes des algorithmes génétiques: par exemple, chaque agent possède un génotype et un agent particulier du système se charge de les évaluer et de favoriser la reproduction des agents adaptés au problème.