| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第17-35页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 多机器人系统的主要研究内容 | 第18-22页 |
| 1.3 多机器人合作的概念与分类 | 第22-24页 |
| 1.3.1 多机器人合作的概念 | 第22-23页 |
| 1.3.2 多机器人合作的分类 | 第23-24页 |
| 1.4 多机器人合作的国内外研究现状及分析 | 第24-32页 |
| 1.4.1 线性规划法 | 第26页 |
| 1.4.2 黑板模型法 | 第26-27页 |
| 1.4.3 熟人法 | 第27页 |
| 1.4.4 市场机制法 | 第27-29页 |
| 1.4.5 群体智能方法 | 第29-30页 |
| 1.4.6 其它方法 | 第30-32页 |
| 1.4.7 主要存在的问题 | 第32页 |
| 1.5 本文的主要研究内容及章节安排 | 第32-35页 |
| 1.5.1 主要研究内容 | 第32-34页 |
| 1.5.2 章节安排 | 第34-35页 |
| 第二章 多机器人系统的总任务产生与分解 | 第35-58页 |
| 2.1 引言 | 第35-36页 |
| 2.2 RoboCup救援系统的总任务产生与分解 | 第36-46页 |
| 2.2.1 RoboCup救援系统总任务的产生 | 第36页 |
| 2.2.2 RoboCup救援系统子任务的定义 | 第36-37页 |
| 2.2.3 k均值算法 | 第37-38页 |
| 2.2.3.1 算法思想 | 第37页 |
| 2.2.3.2 实例说明 | 第37-38页 |
| 2.2.4 基于k均值聚类的RoboCup救援系统任务分解 | 第38-43页 |
| 2.2.4.1 全局地图的坐标系定义 | 第38-39页 |
| 2.2.4.2 对象与簇均值的定义 | 第39-40页 |
| 2.2.4.3 对象与簇均值间的距离 | 第40-41页 |
| 2.2.4.4 kMC-RCRSTD方法 | 第41-43页 |
| 2.2.5 实验与结果分析 | 第43-46页 |
| 2.2.5.1 仿真平台 | 第43-44页 |
| 2.2.5.2 仿真结果分析 | 第44-46页 |
| 2.3 足球机器人系统的总任务产生与分解 | 第46-57页 |
| 2.3.1 足球机器人系统总任务的产生 | 第46-47页 |
| 2.3.2 足球机器人系统子任务的定义 | 第47页 |
| 2.3.3 足球机器人系统子任务的产生 | 第47-53页 |
| 2.3.3.1 子任务及其本位点的选取 | 第47-49页 |
| 2.3.3.2 子任务目标点的确定 | 第49-50页 |
| 2.3.3.3 子任务方向角的确定 | 第50-51页 |
| 2.3.3.4 任务分解方案的动态调整策略 | 第51-53页 |
| 2.3.4 CDSGF-SRSTD方法 | 第53页 |
| 2.3.5 实验与结果分析 | 第53-57页 |
| 2.3.5.1 任务分解仿真场景 | 第53-55页 |
| 2.3.5.2 比赛效果对比与分析 | 第55-57页 |
| 2.4 本章小结 | 第57-58页 |
| 第三章 基于机器人时间效用函数的多机器人任务分配模型 | 第58-67页 |
| 3.1 引言 | 第58-59页 |
| 3.2 机器人时间效用函数 | 第59-61页 |
| 3.2.1 机器人时间效用函数的定义 | 第59-60页 |
| 3.2.2 机器人时间效用函数的可解性 | 第60-61页 |
| 3.3 最佳任务分配方案 | 第61-64页 |
| 3.3.1 最佳任务分配方案的定义 | 第61-63页 |
| 3.3.2 最佳任务分配方案存在唯一性定理 | 第63-64页 |
| 3.4 RTUF-MRTA模型的实例分析 | 第64-65页 |
| 3.5 本章小结 | 第65-67页 |
| 第四章 基于遗传算法的多机器人任务分配 | 第67-85页 |
| 4.1 引言 | 第67页 |
| 4.2 模式定理与遗传算法的基本流程 | 第67-71页 |
| 4.3 多机器人系统最佳任务分配方案的形式化表示 | 第71-72页 |
| 4.4 基于遗传算法的任务分配方法 | 第72-77页 |
| 4.4.1 编码方案与个体表示 | 第72页 |
| 4.4.2 初始种群的产生 | 第72-73页 |
| 4.4.3 适应函数的建立与适应度的确定 | 第73页 |
| 4.4.4 新一代父体的产生策略 | 第73-74页 |
| 4.4.5 个体选择策略 | 第74页 |
| 4.4.6 遗传操作与算法停止准则 | 第74-75页 |
| 4.4.7 GA-MRTA方法的实现步骤 | 第75-77页 |
| 4.5 实验与结果分析 | 第77-84页 |
| 4.5.1 实验平台 | 第77页 |
| 4.5.2 仿真场景与实验数据 | 第77-82页 |
| 4.5.3 实验方案与结果分析 | 第82-84页 |
| 4.6 本章小结 | 第84-85页 |
| 第五章 基于改进粒子群优化算法的多机器人任务分配 | 第85-97页 |
| 5.1 引言 | 第85页 |
| 5.2 基本粒子群优化算法的主要原理 | 第85-88页 |
| 5.3 改进的粒子群优化算法 | 第88-89页 |
| 5.4 基于改进粒子群优化算法的任务分配方法 | 第89-92页 |
| 5.4.1 粒子位置表示与群体初始化 | 第89-90页 |
| 5.4.2 适应值函数 | 第90页 |
| 5.4.3 粒子速度的表示 | 第90-92页 |
| 5.4.4 MPSO-MRTA方法的实现步骤 | 第92页 |
| 5.5 实验与结果分析 | 第92-96页 |
| 5.5.1 仿真平台与实验数据 | 第92-93页 |
| 5.5.2 实验方案与结果分析 | 第93-96页 |
| 5.6 本章小结 | 第96-97页 |
| 第六章 基于多目标优化的多机器人任务分配 | 第97-120页 |
| 6.1 引言 | 第97-98页 |
| 6.2 多目标优化的问题定义与基本概念 | 第98-102页 |
| 6.3 机器人能量效用函数 | 第102-105页 |
| 6.3.1 机器人能量效用函数的定义 | 第103页 |
| 6.3.2 机器人能量效用函数的构建 | 第103-105页 |
| 6.4 基于多目标的多机器人任务分配方法 | 第105-110页 |
| 6.4.1 基于多目标的多机器人任务分配模型 | 第107-108页 |
| 6.4.2 MOO-MRTA方法的实现步骤 | 第108-110页 |
| 6.5 实验与讨论 | 第110-119页 |
| 6.5.1 实验平台与实验方案 | 第110-111页 |
| 6.5.2 实验结果与讨论 | 第111-119页 |
| 6.6 本章小结 | 第119-120页 |
| 总结 | 第120-122页 |
| 参考文献 | 第122-135页 |
| 攻读博士学位期间发表或完成的论文 | 第135-137页 |
| 攻读博士学位期间获得的奖励与承担的项目 | 第137-139页 |
| 致谢 | 第139页 |