| 摘要 | 第1-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第8-15页 |
| ·研究背景 | 第8-9页 |
| ·多智能体系统(MAS) 结构 | 第9-11页 |
| ·慎思结构 | 第10页 |
| ·反应结构 | 第10页 |
| ·混合结构 | 第10-11页 |
| ·RoboCup环境中的学习问题 | 第11-12页 |
| ·RoboCup活动及比赛历史 | 第12-14页 |
| ·国际RoboCup比赛情况 | 第13页 |
| ·国内RoboCup比赛情况 | 第13-14页 |
| ·本论文的主要工作 | 第14-15页 |
| 第二章 RoBoCup仿真环境模型 | 第15-31页 |
| ·RoboCup仿真比赛环境简介 | 第15-16页 |
| ·整场比赛的过程 | 第16-17页 |
| ·SoccerServer重要参数 | 第17-19页 |
| ·SoccerServer的运行机制 | 第19-30页 |
| ·SoccerServer中的对象 | 第19-20页 |
| ·场地和球员 | 第20页 |
| ·对象的运动 | 第20-21页 |
| ·碰撞 | 第21页 |
| ·风和环境干扰 | 第21-22页 |
| ·球员的动作 | 第22-24页 |
| ·球员的体力问题 | 第24-25页 |
| ·球员的感知信息 | 第25-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 AFU2003 Agent结构 | 第31-40页 |
| ·AFU2003 Agent结构 | 第31-33页 |
| ·AFU2003 Agent各层介绍 | 第33-40页 |
| ·通迅层 | 第33-34页 |
| ·基本动作层 | 第34页 |
| ·可选动作评价层 | 第34-35页 |
| ·决策层 | 第35页 |
| ·世界模型 | 第35-40页 |
| 第四章 球员决策技术 | 第40-52页 |
| ·传球模块设计 | 第40-42页 |
| ·带球模块设计 | 第42-46页 |
| ·势场的描述 | 第42-43页 |
| ·规划中的子目标 | 第43-45页 |
| ·算法描述 | 第45-46页 |
| ·点球模块设计 | 第46-52页 |
| 第五章 阵形变换方法及基于阵形变换的防守模块设计 | 第52-61页 |
| ·本位点及角色的定义 | 第52-53页 |
| ·基本阵形 | 第53-54页 |
| ·变换阵形 | 第54-55页 |
| ·阵形的动态切换 | 第55-58页 |
| ·实验验证 | 第58页 |
| ·基于阵形变换的防守模块 | 第58-60页 |
| ·防守模块实战效果及问题 | 第60-61页 |
| 第六章 Coach设计及异构球员的实现 | 第61-68页 |
| ·在线教练的结构及系统实现 | 第61-63页 |
| ·球员异构 | 第63-64页 |
| ·异构球员类型的选择 | 第64-66页 |
| ·形势分析层设计 | 第66-67页 |
| ·比赛效果测试 | 第67-68页 |
| 第七章 Robocup仿真比赛中基于Q学习的射门模块研究 | 第68-78页 |
| ·Markov决策过程与再励学习算法 | 第68-74页 |
| ·Markov决策过程 | 第68-70页 |
| ·再励学习 | 第70-71页 |
| ·Q学习算法 | 第71-72页 |
| ·模糊Q学习算法 | 第72-74页 |
| ·基于Q学习的射门模块研究 | 第74-77页 |
| ·问题的提出 | 第74-75页 |
| ·基于Q学习的射门新方法 | 第75-77页 |
| ·结论 | 第77-78页 |
| 第八章 基于L-M BP算法的AFU2003神经网络训练测试工具设计 | 第78-88页 |
| ·Levenberg-Marquardt BP算法 | 第79-83页 |
| ·基于L-M BP算法的神经网络训练器设计 | 第83-86页 |
| ·仿真测试 | 第86-88页 |
| 第九章 总结及下一步的工作 | 第88-90页 |
| ·比赛成绩 | 第88-89页 |
| ·进一步的研究工作 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 攻读硕士学位期间发表的论文清单 | 第95页 |
