| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 相关理论的发展概况 | 第10-13页 |
| 1.2.1 强化学习研究发展及现状 | 第10-11页 |
| 1.2.2 路径规划研究发展及现状 | 第11-12页 |
| 1.2.3 研究现状简析 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 第2章 强化学习及路径规划分析 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 强化学习基本原理 | 第15-20页 |
| 2.2.1 强化学习模型 | 第15-17页 |
| 2.2.2 马尔可夫决策过程 | 第17-18页 |
| 2.2.3 强化学习基本算法 | 第18-20页 |
| 2.3 路径规划基本原理 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于策略选择模型的Q-LEARNING方法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 策略选择模型 | 第24-27页 |
| 3.2.1 策略迭代算法 | 第24-26页 |
| 3.2.2 策略选择算法 | 第26-27页 |
| 3.3 Q-LEARNING算法 | 第27-29页 |
| 3.4 含有策略选择的Q-LEARNING算法 | 第29-31页 |
| 3.5 仿真结果及分析 | 第31-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 基于情感元素的学习系统研究 | 第36-52页 |
| 4.1 引言 | 第36页 |
| 4.2 含有情感系统的强化学习系统 | 第36-41页 |
| 4.2.1 机器学习中的情感基础 | 第36-37页 |
| 4.2.2 情感基础强化学习系统 | 第37-41页 |
| 4.3 外环境机制设计 | 第41-45页 |
| 4.3.1 Agent的外部环境 | 第41-42页 |
| 4.3.2 外环境奖惩机制设计及算法 | 第42-45页 |
| 4.4 内环境的函数与边界参数设计 | 第45-51页 |
| 4.4.1 Agent的内部环境 | 第45-47页 |
| 4.4.2 内环境效用函数 | 第47-49页 |
| 4.4.3 策略选择算法的边界参数设计 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于强化学习的AGENT路径规划 | 第52-62页 |
| 5.1 引言 | 第52页 |
| 5.2 路径规划A*算法 | 第52-55页 |
| 5.3 A*算法改进 | 第55-58页 |
| 5.4 仿真结果分析 | 第58-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69页 |