| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究目的和意义 | 第7-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 论文结构 | 第11-12页 |
| 2 即时战略游戏的人工智能技术 | 第12-18页 |
| 2.1 即时战略游戏 | 第12-13页 |
| 2.1.1 人工智能在即时战略游戏的研究领域 | 第12页 |
| 2.1.2 即时战略游戏的抽象层级 | 第12-13页 |
| 2.2 应用在即时战略游戏的人工智能 | 第13-16页 |
| 2.2.1 强化学习 | 第13-14页 |
| 2.2.2 博弈树搜索 | 第14-15页 |
| 2.2.3 蒙特卡罗规划 | 第15-16页 |
| 2.2.4 其他人工技能技术 | 第16页 |
| 2.3 本章小结 | 第16-18页 |
| 3 多智能体模型的理论基础以及相关算法 | 第18-30页 |
| 3.1 传统神经网络 | 第18-21页 |
| 3.1.1 神经元 | 第18-19页 |
| 3.1.2 神经网络的拓扑结构 | 第19-21页 |
| 3.2 进化神经网络 | 第21-25页 |
| 3.2.1 进化算法 | 第21-22页 |
| 3.2.2 进化神经网络 | 第22页 |
| 3.2.3 进化神经网络的研究方法 | 第22-24页 |
| 3.2.4 进化神经网络的类型 | 第24-25页 |
| 3.3 进化神经网络的编码方式 | 第25-28页 |
| 3.3.1 直接编码 | 第25-27页 |
| 3.3.2 间接编码 | 第27-28页 |
| 3.4 竞争约定问题 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 4 基于遗传算法和BP学习的多智能体模型设计 | 第30-44页 |
| 4.1 遗传算法 | 第30-31页 |
| 4.2 基于遗传算法的神经网络 | 第31-32页 |
| 4.2.1 遗传算法面临的问题 | 第31-32页 |
| 4.3 BP学习算法 | 第32-33页 |
| 4.4 基于BP学习算法的进化神经网络 | 第33-36页 |
| 4.4.1 算法的理论基础 | 第33-34页 |
| 4.4.2 算法原理和步骤 | 第34-35页 |
| 4.4.3 杂交算子的改进 | 第35-36页 |
| 4.5 基于BP学习的进化神经网络的多智能体模型设计 | 第36-41页 |
| 4.5.1 神经网络的设计 | 第36-38页 |
| 4.5.2 BP学习训练集 | 第38页 |
| 4.5.3 遗传算法的设置 | 第38-40页 |
| 4.5.4 实验执行流程 | 第40-41页 |
| 4.6 实验结果和分析 | 第41-43页 |
| 4.7 本章小结 | 第43-44页 |
| 5 基于拓扑扩张神经演化的多智能体模型设计 | 第44-64页 |
| 5.1 编码方式 | 第44-45页 |
| 5.2 NEAT的具体实现 | 第45-51页 |
| 5.3 基于NEAT的智能体的研究 | 第51-53页 |
| 5.4 基于NEAT的多智能体模型设计 | 第53-60页 |
| 5.4.1 基于BWAPI的测试平台 | 第53-54页 |
| 5.4.2 NEAT进化的主要步骤 | 第54-55页 |
| 5.4.3 实验参数设定 | 第55-60页 |
| 5.5 实验结果和分析 | 第60-63页 |
| 5.5.1 实验平台和运行结果 | 第60页 |
| 5.5.2 实验结果分析 | 第60-63页 |
| 5.6 本章小结 | 第63-64页 |
| 6 总结与展望 | 第64-67页 |
| 6.1 论文工作总结 | 第64-65页 |
| 6.2 未来工作和展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录 | 第72页 |