机器人群体行为数学建模与定量分析方法研究
| 摘要 | 第1-14页 |
| ABSTRACT | 第14-17页 |
| 专业名词中英文对照表 | 第17-18页 |
| 第一章 绪论 | 第18-38页 |
| ·论文选题背景及研究意义 | 第18-20页 |
| ·多机器人系统研究综述 | 第20-25页 |
| ·多机器人系统主要研究内容 | 第20-24页 |
| ·多机器人系统研究现状 | 第24-25页 |
| ·多机器人学习研究进展 | 第25-34页 |
| ·机器人群体行为生物启发方法 | 第26-28页 |
| ·机器人群体行为强化学习 | 第28-31页 |
| ·机器人行为建模与分析方法 | 第31-33页 |
| ·机器人群体行为研究存在的问题 | 第33-34页 |
| ·论文的主要研究内容 | 第34-36页 |
| ·论文的内容安排 | 第36-38页 |
| 第二章 机器人基本行为强化学习方法 | 第38-54页 |
| ·引言 | 第38-40页 |
| ·Q学习算法 | 第40-41页 |
| ·神经网络模型 | 第41-42页 |
| ·神经网络体系结构 | 第41-42页 |
| ·神经元动力学特性 | 第42页 |
| ·基于神经网络的Q学习算法 | 第42-45页 |
| ·Q值初始化 | 第42-44页 |
| ·收敛性 | 第44-45页 |
| ·基于人工势能场的Q学习算法 | 第45-47页 |
| ·仿真实验分析 | 第47-53页 |
| ·实验环境设置 | 第47-48页 |
| ·实验结果分析 | 第48-53页 |
| ·结论 | 第53-54页 |
| 第三章 机器人协作行为强化学习方法 | 第54-72页 |
| ·引言 | 第54-55页 |
| ·问题描述 | 第55-57页 |
| ·基于聚类方法的追捕团队形成算法 | 第57-60页 |
| ·聚类方法 | 第57-59页 |
| ·基于聚类的追捕团队形成策略 | 第59-60页 |
| ·基于知识共享的机器人协作追捕算法 | 第60-71页 |
| ·多机器人环境状态模型 | 第60页 |
| ·机器人行为数据库 | 第60-61页 |
| ·加权策略共享 | 第61-64页 |
| ·基于知识共享的顺序Q学习算法 | 第64-67页 |
| ·仿真实验分析 | 第67-71页 |
| ·结论 | 第71-72页 |
| 第四章 机器人协作行为数学建模 | 第72-94页 |
| ·引言 | 第72-73页 |
| ·机器人协作行为分形建模 | 第73-76页 |
| ·系统的层次性 | 第73-74页 |
| ·分形建模的基本思想 | 第74-75页 |
| ·协作行为分形建模方法 | 第75-76页 |
| ·机器人群体行为宏观描述方法 | 第76-80页 |
| ·群体行为随机性 | 第76页 |
| ·有限状态机 | 第76-77页 |
| ·随机主方程 | 第77-79页 |
| ·速率方程 | 第79-80页 |
| ·群体行为数学模型 | 第80-92页 |
| ·协作行为总体框图模型 | 第80-81页 |
| ·系统状态层次数学模型 | 第81-89页 |
| ·系统行为层次数学模型 | 第89-92页 |
| ·结论 | 第92-94页 |
| 第五章 机器人协作行为定量分析方法 | 第94-108页 |
| ·引言 | 第94-95页 |
| ·相空间重构 | 第95-98页 |
| ·C-C方法 | 第95-97页 |
| ·C-C方法的改进 | 第97-98页 |
| ·机器人群体行为动力学模型 | 第98-99页 |
| ·动力系统吸引子的分析 | 第99-106页 |
| ·Lyapunov指数 | 第99-101页 |
| ·关联维数 | 第101-104页 |
| ·Kolmogorov熵 | 第104-106页 |
| ·结论 | 第106-108页 |
| 第六章 总结与展望 | 第108-112页 |
| ·总结 | 第108-109页 |
| ·展望 | 第109-112页 |
| 参考文献 | 第112-118页 |
| 致谢 | 第118-120页 |
| 攻读博士学位期间发表的学术论文及取得的科研成果 | 第120-121页 |
| 攻读博士学位期间参加的科研项目 | 第121-122页 |
| 附录 | 第122-134页 |
| 学位论文评阅及答辩情况表 | 第134页 |
