| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究的背景与意义 | 第9-10页 |
| 1.2 机器人区域覆盖问题的研究现状 | 第10-15页 |
| 1.2.1 区域覆盖问题的定义 | 第10页 |
| 1.2.2 区域覆盖问题的分类 | 第10-11页 |
| 1.2.3 区域覆盖问题关键技术的研究现状 | 第11-15页 |
| 1.3 区域覆盖问题研究的重点和趋势 | 第15-16页 |
| 1.4 本论文的主要内容 | 第16页 |
| 1.5 本论文的组织结构 | 第16-18页 |
| 第二章 强化学习及分布式协作相关理论 | 第18-30页 |
| 2.1 强化学习 | 第18-21页 |
| 2.1.1 强化学习概述 | 第18-19页 |
| 2.1.2 马尔可夫决策过程 | 第19页 |
| 2.1.3 强化学习的模型和基本原理 | 第19-20页 |
| 2.1.4 强化学习系统组成要素 | 第20-21页 |
| 2.2 Q-学习算法 | 第21-24页 |
| 2.2.1 Q-学习算法概述 | 第21-22页 |
| 2.2.2 Q-学习算法原理 | 第22-23页 |
| 2.2.3 Q-学习算法流程 | 第23-24页 |
| 2.3 分布式约束优化问题 | 第24-26页 |
| 2.3.1 分布式约束优化问题介绍及模型 | 第24-25页 |
| 2.3.2 因子图的表示方法 | 第25-26页 |
| 2.4 Max-sum算法 | 第26-30页 |
| 2.4.1 Max-sum算法概述 | 第26-27页 |
| 2.4.2 Max-sum算法流程 | 第27-30页 |
| 第三章 机器人区域覆盖问题模型 | 第30-35页 |
| 3.1 机器人区域覆盖问题概述 | 第30-31页 |
| 3.2 机器人区域覆盖问题模型 | 第31-32页 |
| 3.3 环境模型 | 第32-35页 |
| 第四章 基于Q-学习的机器人区域覆盖算法 | 第35-50页 |
| 4.1 Q-学习相关要素的设置 | 第35-38页 |
| 4.1.1 奖惩函数的设置 | 第35-36页 |
| 4.1.2 Q值函数 | 第36-37页 |
| 4.1.3 机器人动作选择策略 | 第37-38页 |
| 4.2 机器人Q-学习区域覆盖算法流程与描述 | 第38-39页 |
| 4.3 机器人随机动作选择的区域覆盖算法流程与描述 | 第39页 |
| 4.4 仿真实验参数设置 | 第39-40页 |
| 4.5 实验结果分析 | 第40-50页 |
| 4.5.1 学习率对QLCA的影响 | 第40-42页 |
| 4.5.2 覆盖区域规模对算法的影响 | 第42-44页 |
| 4.5.3 覆盖区域障碍比例对算法的影响 | 第44-46页 |
| 4.5.4 执行覆盖任务的机器人数目对算法的影响 | 第46-48页 |
| 4.5.5 执行覆盖任务的机器人覆盖半径对算法的影响 | 第48-50页 |
| 第五章 基于Q-学习的机器人协作区域覆盖算法 | 第50-65页 |
| 5.1 协作多Agent系统 | 第50页 |
| 5.2 基于Q-学习的机器人协作区域覆盖算法 | 第50-56页 |
| 5.2.1 协作系统中的Q-学习 | 第50-51页 |
| 5.2.2 协作集计算 | 第51-53页 |
| 5.2.3 构建因子图 | 第53-54页 |
| 5.2.4 计算最优联合动作 | 第54-56页 |
| 5.3 基于Q-学习的机器人协作区域覆盖算法流程与描述 | 第56-57页 |
| 5.4 实验结果分析 | 第57-65页 |
| 5.4.1 覆盖区域规模对算法的影响 | 第57-59页 |
| 5.4.2 覆盖区域障碍比例对算法的影响 | 第59-61页 |
| 5.4.3 执行覆盖任务的机器人数目对算法的影响 | 第61-63页 |
| 5.4.4 执行覆盖任务的机器人覆盖半径对算法的影响 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文总结 | 第65页 |
| 6.2 问题与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录：(算法实现部分代码) | 第71-81页 |
| 致谢 | 第81-83页 |
| 攻读学位期间发表论文及参加科研项目 | 第83-85页 |
| 一、发表学术论文 | 第83页 |
| 二、参加科研项目 | 第83-85页 |
