| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-20页 |
| ·引言 | 第11页 |
| ·AGENT技术概述 | 第11-15页 |
| ·Agent概念 | 第11-12页 |
| ·Agent属性 | 第12-13页 |
| ·Agent结构 | 第13-14页 |
| ·多Agent系统 | 第14-15页 |
| ·ROBOCUP简介 | 第15-18页 |
| ·起源及意义 | 第15-17页 |
| ·RoboCup仿真组比赛 | 第17页 |
| ·当前研究状况 | 第17-18页 |
| ·本文结构 | 第18-20页 |
| 第二章 基本理论 | 第20-32页 |
| ·统计学习与支持向量机 | 第20-24页 |
| ·统计学习理论 | 第20-22页 |
| ·支持向量机 | 第22-23页 |
| ·支持向量机回归 | 第23-24页 |
| ·强化学习 | 第24-28页 |
| ·强化学习原理 | 第24-25页 |
| ·强化学习中的几个关键问题 | 第25-26页 |
| ·经典的强化学习算法 | 第26-28页 |
| ·多AGENT强化学习 | 第28-30页 |
| ·合作型多Agent强化学习 | 第29页 |
| ·竞争型多Agent强化学习 | 第29页 |
| ·半竞争型多Agent强化学习 | 第29-30页 |
| ·支持向量和强化学习结合技术的研究 | 第30-31页 |
| ·本章小节 | 第31-32页 |
| 第三章 支持向量回归在ROBOCUP截球技术中的应用 | 第32-38页 |
| ·截球问题背景介绍 | 第32页 |
| ·截球问题及其算法 | 第32-34页 |
| ·截球问题 | 第32-33页 |
| ·算法描述 | 第33-34页 |
| ·仿真实验 | 第34-37页 |
| ·评价标准 | 第34页 |
| ·样本采集 | 第34-35页 |
| ·学习参数的确定 | 第35-36页 |
| ·实验结果 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于支持向量分类的强化学习模型 | 第38-44页 |
| ·引言 | 第38页 |
| ·基于SVM分类的强化学习系统 | 第38-41页 |
| ·输入模块 | 第39页 |
| ·状态划分模块 | 第39-40页 |
| ·状态泛化模块 | 第40页 |
| ·动作决策模块 | 第40-41页 |
| ·过人问题描述以及建模 | 第41-42页 |
| ·实验及其结果分析 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第五章 结束语 | 第44-46页 |
| ·本文工作总结 | 第44页 |
| ·下一步工作展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 参与科研项目 | 第49页 |
| 研究生期间发表论文情况 | 第49页 |