智能算法在坦克机器人中的研究与应用
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·课题来源和意义 | 第10-11页 |
| ·国内外现状分析 | 第11-12页 |
| ·本论文研究内容 | 第12页 |
| ·论文组织 | 第12-13页 |
| ·本章小结 | 第13-14页 |
| 第二章 坦克机器人仿真系统及其数学物理模型 | 第14-21页 |
| ·机器人游戏编程历史 | 第14页 |
| ·坦克机器人中的数学物理知识 | 第14-16页 |
| ·坐标系统 | 第15页 |
| ·坦克机器人基本信息介绍 | 第15-16页 |
| ·坦克机器人仿真系统 | 第16-20页 |
| ·机器人解剖 | 第16-17页 |
| ·坦克机器人中部分重要的函数 | 第17-19页 |
| ·AI-TANK 内部架构 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 基于神经网络在射击决策层 | 第21-38页 |
| ·人工神经网络的概述 | 第21-22页 |
| ·误差反传算法 | 第22-29页 |
| ·基于 BP 算法的多层感知器模型 | 第22-24页 |
| ·BP 学习算法 | 第24-27页 |
| ·BP 算法的程序实现 | 第27-29页 |
| ·标准误差反传算法的改进 | 第29-30页 |
| ·增加动量项 | 第29页 |
| ·自适应调节学习率 | 第29页 |
| ·引入陡度因子 | 第29-30页 |
| ·基于神经网络的坦克机器人 | 第30-37页 |
| ·坦克机器人的射击决策层的目标函数 | 第30-31页 |
| ·BP 神经网络的输入与输出 | 第31-33页 |
| ·网络训练 | 第33-34页 |
| ·实验结果 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于遗传算法的移动决策层 | 第38-52页 |
| ·遗传算法简介 | 第38-40页 |
| ·遗传学基础 | 第38页 |
| ·遗传算法基本思想 | 第38-40页 |
| ·基本遗传算法 | 第40-42页 |
| ·编码 | 第40-41页 |
| ·遗传操作 | 第41-42页 |
| ·选择算子的改进 | 第42-43页 |
| ·遗传算法的仿真实验 | 第43-46页 |
| ·基于遗传算法的坦克机器人中的应用 | 第46-51页 |
| ·坦克机器人的射击决策层的目标函数 | 第46页 |
| ·基于遗传算法的移动策略的坦克机器人的实现 | 第46-49页 |
| ·实验结果 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于贝叶斯网络的射击目标选择决策层 | 第52-62页 |
| ·分类器概述 | 第52页 |
| ·贝叶斯分类 | 第52-53页 |
| ·朴素贝叶斯分类器 | 第53-54页 |
| ·基于贝叶斯网络的目标选择 | 第54-61页 |
| ·贝叶斯网络的输入变量 | 第55-57页 |
| ·输入变量的取值 | 第57-60页 |
| ·目标选择的实现与贝叶斯网络的更新 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 附件 | 第67页 |
