当前位置:首页 > 工业技术
多智能体模型与实验
多智能体模型与实验

多智能体模型与实验PDF电子书下载

工业技术

  • 电子书积分:10 积分如何计算积分?
  • 作 者:(加)Jiming Liu等著
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2003
  • ISBN:7302070164
  • 页数:233 页
图书介绍:本书重点介绍了多智能体系统的计算模型研究和机器人模拟实验,读者通过本书能够了解在执行合作式任务时,机器人个体的自治与机器人群隐现的全局行为模式之间的关系,了解成功开发多智能体机器人系统的一些关键方法,理解多智能体系统工程的潜在计算模型与技术。
《多智能体模型与实验》目录

目录 1

第1章 为什么需要多个机器人 1

1.1 多机器人的优点 1

1.2 经典问题 2

1.3 智能体与多智能体系统 2

1.4 多智能体机器人学 3

第2章 合作式机器人的控制 6

2.1 与合作有关的研究 6

2.1.1 分布式的人工智能 7

2.1.2 分布式系统 7

2.1.3 生物学 7

2.2 学习,进化与适应 8

2.3 多机器人控制的设计 9

第3章 主要的机器人技术 11

3.1 基于行为的机器人技术 11

3.2 集体机器人技术 12

3.3 进化机器人技术 13

3.4 来自生物学与社会学的启发 15

3.5 总结 16

第4章 计算模型与技术 17

4.1 强化学习 17

4.1.1 马尔可夫决策过程 18

4.1.2 强化学习算法 18

4.1.5 多智能体强化学习 19

4.1.3 时间差分技术 19

4.1.4 Q-学习 19

4.2 遗传算法 21

4.3 人工生命 22

4.4 人工免疫系统 23

4.5 概率建模 24

4.6 有关多机器人规划与协调的研究 25

第5章 多智能体机器人系统设计主要的研究课题 27

5.1 自组织 27

5.2 局部性能与全局性能 28

5.3 规划 28

5.5 协同进化 29

5.4 多机器人学习 29

5.6 隐现行为 30

5.7 反应式系统与推理式系统 30

5.8 异类系统与同类系统 31

5.9 模拟机器人与实体机器人 31

5.10 多智能体机器人系统的动力性 32

5.11 总结 33

第6章 多智能体强化学习中的技术 34

6.1 自治的群体机器人 34

6.1.1 概述 34

6.1.2 感知能力 35

6.1.3 远程传感器 35

6.1.4 短程传感器 36

6.1.5 激励提取 37

6.1.6 简单行为 39

6.1.7 运动机制 40

6.2 多智能体强化学习 40

6.2.1 强化学习的原理 41

6.2.2 行为选择机制 43

6.3 多智能体强化学习工具箱 43

6.3.1 体系结构 43

6.3.2 文件组织 45

6.3.3 函数说明 45

6.3.5 数据结构 47

6.3.4 用户设置 47

6.4 总结 48

第7章 多智能体强化学习中的结果分析 50

7.1 测量 50

7.1.1 激励频率 50

7.1.2 行为选择频率 52

7.2 群体行为 52

7.2.1 集体包围 52

7.2.2 RANGER机器人间的合作 56

7.2.3 不同机器人群的并发学习 61

第8章 多智能体强化学习中的要素 71

8.1 集体感知 71

8.2 初始空间分布 79

8.4 行为选择机制 83

8.3 反S型函数 83

8.5 运动机制 87

8.6 隐现的周期性运动 89

8.7 宏观稳定而微观不稳定的属性 90

8.8 主导行为 91

第9章 进化的多智能体强化学习 93

9.1 机器人群示例 93

9.1.3 行为学习机制 95

9.2 进化群体运动策略 95

9.1.2 目标的运动特征 95

9.1.1 目标的空间分布 95

9.2.1 染色体表示 96

9.2.2 适应度函数 96

9.2.3 算法 98

9.2.4 遗传算法中的参数 98

9.3 例子 99

9.4 进化的多智能体强化学习工具箱 103

9.4.1 文件组织 103

9.4.2 函数说明 103

9.4.3 用户设置 104

9.5 总结 105

第10章 双智能体系统中的协同行为 106

10.1 研究重点 106

10.3 双智能体系统的特殊角色 107

10.2 双智能体的学习 107

10.4 机器人智能体的基本能力 108

10.5 建议提供智能体的基本原理 109

10.5.1 基本动作——学习的先决条件 109

10.5.2 一般性行为的遗传规划 109

10.5.3 特殊策略性行为的遗传规划 110

10.6 复杂行为的学习 111

10.6.1 实验设计 111

10.6.2 机器人环境的复杂性 111

10.6.4 平面姿态 112

10.6.3 实验结果 112

10.6.5 曲线姿态 115

10.6.6 角姿态 115

10.6.7 点姿态 115

10.7 总结 115

第11章 集体行为 117

11.1 群体行为 118

11.1.1 什么是群体行为 118

11.1.2 群体行为学习回顾 118

11.2 方法 119

11.2.1 基本思想 119

11.2.3 集体推箱的性能标准 120

11.2.4 集体推箱行为的进化 120

11.2.2 群体机器人 120

11.2.5 远程的进化计算智能体 121

11.3 应用排斥力的集体推箱 121

11.3.1 人工排斥力模型 122

11.3.2 推力与箱子的相应运动 122

11.3.3 染色体表示 122

11.3.4 适应度函数 123

11.3.5 例子 124

11.4 用外部接触力与力矩集体推箱 129

11.4.1 3个群体机器人与箱子之间的交互作用 129

11.4.2 推圆柱体箱子 129

11.4.3 推立方体箱子 130

11.4.5 适应度函数 131

11.4.4 染色体表示 131

11.4.6 例子 132

11.5 最优保留进化的收敛性分析 144

11.5.1 马尔可夫链的转移矩阵 144

11.5.2 用特征值描述转移矩阵特征 145

11.6 进化的集体行为实现工具箱 148

11.6.1 用人工排斥力集体推箱的工具箱 149

11.6.2 实现推圆柱体箱子或立方体箱子任务的工具箱 153

11.7 总结 158

第12章 多智能体的自组织 159

12.1 人工势能场 160

12.1.1 基于人工势能场的运动规划 160

12.2 自组织概述 161

12.1.2 集体势能场图的构建 161

12.3 势能场图的自组织 162

12.3.1 机器人的坐标系 162

12.3.2 接近度测量 163

12.3.3 邻域的距离联想 163

12.3.4 势能场图的递增式自组织 164

12.3.5 机器人的运动选择 165

12.4 实验12-1 166

12.4.1 实验设计 166

12.4.2 实验结果 167

12.5 实验12-2 172

12.5.1 实验设计 172

12.6 讨论 177

12.5.2 实验结果 177

12.7 多智能体自组织工具箱 179

12.7.1 体系结构 179

12.7.2 文件组织 179

12.7.3 函数说明 179

12.7.4 用户设置 182

12.7.5 数据结构 182

第13章 进化的多智能体自组织 183

13.1 合作式运动策略的进化 184

13.1.1 接近度激励的表示 185

13.1.2 激励-反应对 185

13.1.4 适应度函数 186

13.1.3 染色体表示 186

13.1.5 算法 187

13.2 实验13-1 189

13.2.1 实验设计 191

13.2.2 与非进化模式的比较 191

13.2.3 实验结果 192

13.3 讨论 196

13.3.1 群体行为的进化 196

13.3.2 机器人的合作 196

13.4 进化的多智能体自组织工具箱 199

13.4.1 体系结构 199

13.4.4 用户设置 201

13.4.3 函数说明 201

13.4.2 文件组织 201

13.4.5 数据结构 204

13.5 总结 207

第14章 多智能体机器人技术工具箱 208

14.1 概述 208

14.2 例子 208

14.2.1 真实图的计算 209

14.2.2 初始化 211

14.2.3 开始 212

14.2.4 结果显示 213

参考文献 215

索引 231

相关图书
作者其它书籍
返回顶部