在不确定环境下智能体的行为研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 1 绪言 | 第9-15页 |
| 1.1 问题的提出 | 第9页 |
| 1.2 BDI模型和贝叶斯网络的概述 | 第9-13页 |
| 1.2.1 BDI模型的起源与发展 | 第9-10页 |
| 1.2.2 贝叶斯网络的起源与发展 | 第10页 |
| 1.2.3 贝叶斯网络和BDI模型的关系 | 第10-11页 |
| 1.2.4 BDI模型理论和Agent技术 | 第11-12页 |
| 1.2.5 贝叶斯网络与人工智能 | 第12-13页 |
| 1.3 贝叶斯网络的优点 | 第13-15页 |
| 2 BDI模型和贝叶斯网络的理论基础 | 第15-29页 |
| 2.1 BDI模型的相关理论 | 第15-16页 |
| 2.1.1 BDI模型 | 第15-16页 |
| 2.1.2 BDI模型的数理逻辑 | 第16页 |
| 2.2 BDI模型的基础 | 第16-18页 |
| 2.3 BDI模型的形式化 | 第18-19页 |
| 2.3.1 BDI模型的定义 | 第18页 |
| 2.3.2 公理和相应的语义约束 | 第18-19页 |
| 2.4 贝叶斯网络基础理论 | 第19-22页 |
| 2.4.1 概率公理 | 第19-20页 |
| 2.4.2 全联合概率分布 | 第20-21页 |
| 2.4.3 贝叶斯网络 | 第21-22页 |
| 2.5 贝叶斯网络推理 | 第22-25页 |
| 2.5.1 贝叶斯网络表示全联合概率分布 | 第23页 |
| 2.5.2 一种构造贝叶斯网络的方法 | 第23-24页 |
| 2.5.3 贝叶斯网络的条件独立性 | 第24-25页 |
| 2.6 贝叶斯网络推理 | 第25-29页 |
| 2.6.1 通过枚举进行推理 | 第25页 |
| 2.6.2 变量消元算法 | 第25-26页 |
| 2.6.3 贝叶斯网络近似推理算法 | 第26-29页 |
| 3 整合贝叶斯网络的BDI模型 | 第29-36页 |
| 3.1 模型的整体描述 | 第29-30页 |
| 3.2 改进模型的形式化 | 第30-33页 |
| 3.2.1 不确定信念集 | 第30-32页 |
| 3.2.2 不确定愿望集 | 第32-33页 |
| 3.2.3 不确定意图集 | 第33页 |
| 3.2.4 规划 | 第33页 |
| 3.3 改进模型的基本规则 | 第33-36页 |
| 4 一个改进BDI模型的农作物栽培实例 | 第36-42页 |
| 4.1 仿真实验的整体描述 | 第36-37页 |
| 4.2 仿真模型中信念和愿望的描述 | 第37-39页 |
| 4.3 仿真模型中意图的描述 | 第39-40页 |
| 4.4 仿真模型的实验结果 | 第40-42页 |
| 5 总结和展望 | 第42-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 附录A 仿真实验对应的图表 | 第47页 |
