Travailler dans un contexte ad hoc et dynamique, pour les agents, empêche : 1- l'existence d'une vue globale du système qui reflète une image complète de l'environnement de déploiement ; 2- l'existence de connaissances a priori sur la manière de se coordonner en raison de l'absence d'une structure centralisée et de la disponibilité aléatoire des entités considérés. Nous avons proposé différentes stratégies comportementales pour faciliter la stabilisation dynamique des interactions entre les agents et la convergence vers les meilleurs états de coordination. Notre conception des alliances et des recommandations permet à un agent d'évoluer de manière autonome, d'identifier dynamiquement les agents voisins fiables avec qui coopérer et de former avec son voisinage des partitions Nash-stables selon les exigences de l'environnement de déploiement. Pour répondre à la difficulté de corrélation entre les comportements locaux des agents et les propriétés de l'environnement de déploiement des agents, nous utilisons de manière originale les modèles Markoviens. Nous nous sommes aussi focalisés sur la prise en compte des interdépendances entre les agents pour augmenter leur efficacité dans un souci d'optimisation les coûts imposés aux composants ad-hoc communicants où les agents sont déployés. Cela nous a amené à proposer le modèle S-NRB (Sequentiel Non-return Broadcast) et le modèle P-NRB (Parallel Non-return Broadcast) pour la coordination distribuée qui cherchent à maximiser le bien-être social des agents. Pour mettre en exergue les propriétés intrinsèques de nos méthodes, toutes nos propositions ont été étudiées de manière théorique et expérimentale grâce à notre simulateur