| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·多机器人的研究背景与意义 | 第7页 |
| ·多机器人系统的特点与优势 | 第7-8页 |
| ·多机器人任务分配的研究现状 | 第8-11页 |
| ·多机器人任务分配的分类 | 第8-9页 |
| ·国内外任务分配的主要方法 | 第9-10页 |
| ·多机器人任务分配所存在的问题 | 第10-11页 |
| ·本文的主要工作与章节安排 | 第11-13页 |
| 第二章 多机器人任务分配问题的描述 | 第13-23页 |
| ·基于任务分配的机器人个体结构 | 第13-17页 |
| ·基于反应式的个体机器人 | 第13-14页 |
| ·基于包容式的个体机器人 | 第14-15页 |
| ·基于分层结构的个体机器人 | 第15-16页 |
| ·混合个体机器人结构 | 第16-17页 |
| ·多机器人任务分配的体系结构 | 第17-19页 |
| ·涌现式分配 | 第17页 |
| ·约定式分配 | 第17-19页 |
| ·多机器人任务分配的描述 | 第19-23页 |
| ·多机器人任务分配的空间描述 | 第19-20页 |
| ·多机器人任务分配评价描述 | 第20-23页 |
| 第三章 动态环境下的复杂任务分解 | 第23-31页 |
| ·多机器人任务的分类 | 第23-25页 |
| ·根据任务事先知晓情况分类 | 第23页 |
| ·根据任务及环境动态的情况分类 | 第23-24页 |
| ·根据任务之间的约束程度分类 | 第24-25页 |
| ·多机器人任务分解的一般方法 | 第25-26页 |
| ·递阶分层法 | 第25页 |
| ·逻辑规则法 | 第25页 |
| ·与或树法 | 第25-26页 |
| ·粒子度法 | 第26页 |
| ·基于动态环境特征与效用评价的多机器人任务分解 | 第26-31页 |
| ·动态环境状态空间的描述 | 第26-27页 |
| ·环境特征向量的提取与离散化 | 第27-28页 |
| ·任务分解的流程 | 第28页 |
| ·实例分析 | 第28-31页 |
| 第四章 基于模糊神经 Sarsa 学习的效用评价函数 | 第31-43页 |
| ·基于效用评价函数的任务分配概述 | 第31-34页 |
| ·效用评价函数的定义与描述 | 第31-32页 |
| ·基于效用函数最优分配的数学描述 | 第32-33页 |
| ·求解效用函数最优分配的一般方法 | 第33-34页 |
| ·模糊神经网络模型与 Sarsa 学习算法 | 第34-37页 |
| ·模糊神经网络模型 | 第34-35页 |
| ·两种模糊模型的比较 | 第35-37页 |
| ·Sarsa 学习算法 | 第37页 |
| ·基于模糊神经 Sarsa 学习的效用评价函数 | 第37-41页 |
| ·模糊神经网络结构 | 第38-39页 |
| ·基于 Sarsa 学习的参数调整 | 第39-40页 |
| ·算法步骤 | 第40-41页 |
| ·Matlab 仿真实验 | 第41-43页 |
| 第五章 基于效用矩阵分区的任务分配及 RoboCup 中的任务分配 | 第43-57页 |
| ·基于效用评价矩阵分区的任务分配 | 第43-49页 |
| ·稀疏化 | 第43-44页 |
| ·矩阵分区 | 第44-45页 |
| ·动态分区调整 | 第45页 |
| ·分区中的局部分配 | 第45-46页 |
| ·算法步骤 | 第46页 |
| ·Matlab 实验与仿真 | 第46-49页 |
| ·RoboCup3D 仿真机器人足球比赛的平台介绍 | 第49-52页 |
| ·rcsserver3d 仿真服务器结构 | 第49-50页 |
| ·仿真服务器运行机制 | 第50页 |
| ·仿真平台模型介绍 | 第50-51页 |
| ·AF3D 机器人球队的体系结构 | 第51-52页 |
| ·多机器人任务分配在 RoboCup3D 仿真足球赛中的应用 | 第52-57页 |
| ·角色分配与赛况模式 | 第52-53页 |
| ·任务分配策略 | 第53-55页 |
| ·仿真足球比赛结果 | 第55-57页 |
| 第六章 结论与展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 附录：作者在攻读硕士学位期间科研成果 | 第63页 |
