| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究的背景与意义 | 第8页 |
| 1.2 多智能体与多智能体系统 | 第8-10页 |
| 1.3 分布式约束优化问题 | 第10-11页 |
| 1.4 本论文的主要内容 | 第11页 |
| 1.5 本论文的组织结构 | 第11-13页 |
| 第二章 分布式约束优化算法理论 | 第13-22页 |
| 2.1 DCOP算法发展历程 | 第13-15页 |
| 2.1.1 伪树 | 第14-15页 |
| 2.1.2 完备算法 | 第15页 |
| 2.1.3 非完备算法 | 第15页 |
| 2.2 算法描述 | 第15-16页 |
| 2.2.1 MULBS | 第15-16页 |
| 2.2.2 ADOPT | 第16页 |
| 2.3 Max-sum算法相关理论 | 第16-21页 |
| 2.3.1 因子图与边缘函数 | 第16-17页 |
| 2.3.2 算法概述 | 第17-18页 |
| 2.3.3 算法流程 | 第18-20页 |
| 2.3.4 算法执行案例 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于Max-sum算法的云资源最优化分配 | 第22-39页 |
| 3.1 引言 | 第22-23页 |
| 3.2 云资源分配问题描述 | 第23-25页 |
| 3.3 分配机制设计 | 第25-31页 |
| 3.3.1 CA-GRE机制 | 第25-26页 |
| 3.3.2 CA-RAN机制 | 第26-27页 |
| 3.3.3 CA-MS机制 | 第27-31页 |
| 3.3.3.1 基于DCOP的问题转换 | 第27-29页 |
| 3.3.3.2 分配策略 | 第29-30页 |
| 3.3.3.3 定价策略 | 第30-31页 |
| 3.4 Max-sum算法的改进 | 第31-32页 |
| 3.5 实验设计 | 第32-38页 |
| 3.5.1 参数设置 | 第32-33页 |
| 3.5.2 实验一 | 第33-36页 |
| 3.5.3 实验二 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于Max-sum算法的机器人区域覆盖问题 | 第39-52页 |
| 4.1 机器人区域覆盖问题概述 | 第39-40页 |
| 4.2 问题模型 | 第40-41页 |
| 4.3 环境模型 | 第41-42页 |
| 4.4 基于DCOP建模以及求解 | 第42-48页 |
| 4.4.1 协作集计算 | 第43-44页 |
| 4.4.2 构建因子图 | 第44-45页 |
| 4.4.3 计算最优策略 | 第45-48页 |
| 4.5 实验分析 | 第48-51页 |
| 4.5.1 参数设置 | 第48页 |
| 4.5.2 算法描述 | 第48-49页 |
| 4.5.3 结果分析 | 第49-51页 |
| 4.5.3.1 不同覆盖区域规模 | 第49-50页 |
| 4.5.3.2 不同机器人数目 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 本文总结 | 第52页 |
| 5.2 问题与展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 附录：(算法实现部分代码) | 第56-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间发表论文及参加科研项目 | 第68-70页 |
| 一、发表学术论文 | 第68页 |
| 二、参加科研项目 | 第68-70页 |