书籍详情
多智能体模型与实验
作者：（加）Jiming Liu等著；靳小龙译
出版社：清华大学出版社
出版时间：2003-11-01
ISBN：9787302070160
定价：¥35.00
购买这本书可以去
内容简介
本书重点介绍多智能体系统的模型研究和机器人模拟实验。通过本书，读者能够了解在执行合作工任务时，机器人个体的自治与机器人群隐现的全局行为模式之间的关系，了解成功开发多智能体机器人系统的一些关键方法，理解多智能体系统工程的潜在计算模型与技术。本书可作为各类高等学校计算机科学与技术专业及相关专业的研究生教材，也可供有关研究人员与工程师参考。
作者简介
暂缺《多智能体模型与实验》作者简介
目录
第1章 为什么需要多个机器人
1.1 多机器人的优点
1.2 经典问题
1.3 智能体与多智能体系统
1.4 多智能体机器人学
第2章 合作式机器人的控制
2.1 与合作有关的研究
2.1.1 分布式的人工智能
2.1.2 分布式系统
2.1.3 生物学
2.2 学习, 进化与适应
2.3 多机器人控制的设计
第3章 主要的机器人技术
3.1 基于行为的机器人技术
3.2 集体机器人技术
3.3 进化机器人技术
3.4 来自生物学与社会学的启发
3.5 总结
第4章 计算模型与技术
4.1 强化学习
4.1.1 马尔可夫决策过程
4.1.2 强化学习算法
4.1.3 时间差分技术
4.1.4 Q-学习
4.1.5 多智能体强化学习
4.2 遗传算法
4.3 人工生命
4.4 人工免疫系统
4.5 概率建模
4.6 有关多机器人规划与协调的研究
第5章 多智能体机器人系统设计主要的研究课题
5.1 自组织
5.2 局部性能与全局性能
5.3 规划
5.4 多机器人学习
5.5 协同进化
5.6 隐现行为
5.7 反应式系统与推理式系统
5.8 异类系统与同类系统
5.9 模拟机器人与实体机器人
5.10 多智能体机器人系统的动力性
5.11 总结
第6章 多智能体强化学习中的技术
6.1 自治的群体机器人
6.1.1 概述
6.1.2 感知能力
6.1.3 远程式传感器
6.1.4 短程传感器
6.1.5 激励提取
6.1.6 简单行为
6.1.7 运动机制
6.2 多智能体强化学习
6.2.1 强化学习的原理
6.2.2 行为选择机制
6.3 多智能体强化学习工具箱
6.3.1 体系结构
6.3.2 文件组织
6.3.3 函数说明
6.3.4 用户设置
6.3.5 数据结构
6.4 总结
第7章 多智能体强化学习中的结果分析
7.1 测量
7.1.1 激励频率
7.1.2 行为选择频率
7.2 群体行为
7.2.1 集体包围
7.2.2 RANGER机器人间的合作
7.2.3 不同机器人群的并发学习
第8章节 多智能体强化学习中的要素
8.1 集体感知
8.2 初始空间分布
8.3 反S型函数
8.4 行为选择机制
8.5 运动机制
8.6 隐现的周期性运动
8.7 宏观隐定而微观不稳定的属性
8.8 主导行为
第9章 进化的多智能体强化学习
9.1 机器人群示例
9.1.1 目标的空间分布
9.1.2 目标的运动特征
9.1.3 行为学习机制
9.2 进化群体运动策略
9.2.1 染色体表示
9.2.2 适应度函数
9.2.3 算法
9.2.4 遗传算法中的参数
9.3 例子
9.4 进化的多智能体强化学习工具箱
9.4.1 文件组织
9.4.2 函数说明
9.4.3 用户设置
9.5 总结
第10章 双智能体系统中的协同行为
10.1 研究重点
10.2 双智能体的学习
10.3 双智能体系统的特殊角色
10.4 机器人智能体的基本能力
10.5 建议提供智能体的基本原理
10.5.1 基本动作——学习的先决条件
10.5.2 一般性行为的遗传规划
10.5.3 特殊策略必行为的遗传规划
10.6 复杂行为的学习
10.6.1 实验设计
10.6.2 机器人环境的复杂性
10.6.3 实验结果
10.6.4 平面姿态
10.6.5 曲线姿态
10.6.6 角姿态
10.6.7 点姿态
10.7 总结
第11章 集体行为
11.1 群体行为
11.1.1 什么是群体行为
11.1.2 群体行为学习回顾
11.2 方法
11.2.1 基本思想
11.2.2 群体机器人
11.2.3 集体推箱的性能标准
11.2.4 集体推箱行为的进化
11.2.5 远程的进化计算智能体
11.3 应用排斥力的集体推箱
11.3.1 人工排队斥力模型
11.3.2 推力与箱子的相应运动
11.3.3 染色体表示
11.3.4 适应度函数
11.3.5 例子
11.4 用外部设备接触力与矩集体推箱
11.4.1 3个群体机器人与箱子之间的交互作用
11.4.2 推圆柱体箱子
11.4.3 推立方体箱子
11.4.4 染色体表示
11.4.5 适应度函数
11.4.6 例子
11.5 最优保留进生命线的收敛性分析
11.5.1 马尔可夫链的转移矩阵
11.5.2 用特征值描述转移矩阵特征
11.6 进化的集体行为实现工具箱
11.6.1 用人工排指斥力集体推箱的工具箱
11.6.2 实现推圆柱子箱子或立方体箱子任务的工具箱
11.7 总结
第12章 多智能体的自组织
12.1 人工势能场
12.1.1 基于人工势能场的运动规划
12.1.2 集体势能场图的构建
12.2 自组织概述
12.3 势能场图的自组织
12.3.1 机器人的坐标系
12.3.2 接近度测量
12.3.3 邻域的距离联想
12.3.4 势能场图的递增式自组织
12.3.5 机器人的运动选择
12.4 实验12-1
12.4.1 实验设计
12.4.2 实验结果
12.5 实验12-2
12.5.1 实验设计
12.5.2 实验结果
12.6 讨论
12.7 多智能体自组织工具箱
12.7.1 体系结构
12.7.2 文件组织
12.7.3 函数说明
12.7.4 用户设置
12.7.5 数据结构
第13章 进化的多智能体自组织
13.1 合作式运动策略的进化
13.1.1 接近度激励的表示
13.1.2 激励-反应对
13.1.3 染色体表示
13.1.4 适应度函数
13.1.5 算法
13.2 实验13-1
13.2.1 实验设计
13.2.2 与非进化模式的比较
13.2.3 实验结果
13.3 讨论
13.3.1 群体行为的进化
13.3.2 机器人的合作
13.4 进化的多智能体自组织工具箱
13.4.1 体系结构
13.4.2 文件组织
13.4.3 函数说明
13.4.4 用户设置
13.4.5 数据结构
13.5 总结
第14章 多智能体机器人技术工具箱
14.1 概述
14.2 例子
14.2.1 真实图的计算
14.2.2 初始化
14.2.3 开始
14.2.4 结果显示
参考文献
索引
1.1 多机器人的优点
1.2 经典问题
1.3 智能体与多智能体系统
1.4 多智能体机器人学
第2章 合作式机器人的控制
2.1 与合作有关的研究
2.1.1 分布式的人工智能
2.1.2 分布式系统
2.1.3 生物学
2.2 学习, 进化与适应
2.3 多机器人控制的设计
第3章 主要的机器人技术
3.1 基于行为的机器人技术
3.2 集体机器人技术
3.3 进化机器人技术
3.4 来自生物学与社会学的启发
3.5 总结
第4章 计算模型与技术
4.1 强化学习
4.1.1 马尔可夫决策过程
4.1.2 强化学习算法
4.1.3 时间差分技术
4.1.4 Q-学习
4.1.5 多智能体强化学习
4.2 遗传算法
4.3 人工生命
4.4 人工免疫系统
4.5 概率建模
4.6 有关多机器人规划与协调的研究
第5章 多智能体机器人系统设计主要的研究课题
5.1 自组织
5.2 局部性能与全局性能
5.3 规划
5.4 多机器人学习
5.5 协同进化
5.6 隐现行为
5.7 反应式系统与推理式系统
5.8 异类系统与同类系统
5.9 模拟机器人与实体机器人
5.10 多智能体机器人系统的动力性
5.11 总结
第6章 多智能体强化学习中的技术
6.1 自治的群体机器人
6.1.1 概述
6.1.2 感知能力
6.1.3 远程式传感器
6.1.4 短程传感器
6.1.5 激励提取
6.1.6 简单行为
6.1.7 运动机制
6.2 多智能体强化学习
6.2.1 强化学习的原理
6.2.2 行为选择机制
6.3 多智能体强化学习工具箱
6.3.1 体系结构
6.3.2 文件组织
6.3.3 函数说明
6.3.4 用户设置
6.3.5 数据结构
6.4 总结
第7章 多智能体强化学习中的结果分析
7.1 测量
7.1.1 激励频率
7.1.2 行为选择频率
7.2 群体行为
7.2.1 集体包围
7.2.2 RANGER机器人间的合作
7.2.3 不同机器人群的并发学习
第8章节 多智能体强化学习中的要素
8.1 集体感知
8.2 初始空间分布
8.3 反S型函数
8.4 行为选择机制
8.5 运动机制
8.6 隐现的周期性运动
8.7 宏观隐定而微观不稳定的属性
8.8 主导行为
第9章 进化的多智能体强化学习
9.1 机器人群示例
9.1.1 目标的空间分布
9.1.2 目标的运动特征
9.1.3 行为学习机制
9.2 进化群体运动策略
9.2.1 染色体表示
9.2.2 适应度函数
9.2.3 算法
9.2.4 遗传算法中的参数
9.3 例子
9.4 进化的多智能体强化学习工具箱
9.4.1 文件组织
9.4.2 函数说明
9.4.3 用户设置
9.5 总结
第10章 双智能体系统中的协同行为
10.1 研究重点
10.2 双智能体的学习
10.3 双智能体系统的特殊角色
10.4 机器人智能体的基本能力
10.5 建议提供智能体的基本原理
10.5.1 基本动作——学习的先决条件
10.5.2 一般性行为的遗传规划
10.5.3 特殊策略必行为的遗传规划
10.6 复杂行为的学习
10.6.1 实验设计
10.6.2 机器人环境的复杂性
10.6.3 实验结果
10.6.4 平面姿态
10.6.5 曲线姿态
10.6.6 角姿态
10.6.7 点姿态
10.7 总结
第11章 集体行为
11.1 群体行为
11.1.1 什么是群体行为
11.1.2 群体行为学习回顾
11.2 方法
11.2.1 基本思想
11.2.2 群体机器人
11.2.3 集体推箱的性能标准
11.2.4 集体推箱行为的进化
11.2.5 远程的进化计算智能体
11.3 应用排斥力的集体推箱
11.3.1 人工排队斥力模型
11.3.2 推力与箱子的相应运动
11.3.3 染色体表示
11.3.4 适应度函数
11.3.5 例子
11.4 用外部设备接触力与矩集体推箱
11.4.1 3个群体机器人与箱子之间的交互作用
11.4.2 推圆柱体箱子
11.4.3 推立方体箱子
11.4.4 染色体表示
11.4.5 适应度函数
11.4.6 例子
11.5 最优保留进生命线的收敛性分析
11.5.1 马尔可夫链的转移矩阵
11.5.2 用特征值描述转移矩阵特征
11.6 进化的集体行为实现工具箱
11.6.1 用人工排指斥力集体推箱的工具箱
11.6.2 实现推圆柱子箱子或立方体箱子任务的工具箱
11.7 总结
第12章 多智能体的自组织
12.1 人工势能场
12.1.1 基于人工势能场的运动规划
12.1.2 集体势能场图的构建
12.2 自组织概述
12.3 势能场图的自组织
12.3.1 机器人的坐标系
12.3.2 接近度测量
12.3.3 邻域的距离联想
12.3.4 势能场图的递增式自组织
12.3.5 机器人的运动选择
12.4 实验12-1
12.4.1 实验设计
12.4.2 实验结果
12.5 实验12-2
12.5.1 实验设计
12.5.2 实验结果
12.6 讨论
12.7 多智能体自组织工具箱
12.7.1 体系结构
12.7.2 文件组织
12.7.3 函数说明
12.7.4 用户设置
12.7.5 数据结构
第13章 进化的多智能体自组织
13.1 合作式运动策略的进化
13.1.1 接近度激励的表示
13.1.2 激励-反应对
13.1.3 染色体表示
13.1.4 适应度函数
13.1.5 算法
13.2 实验13-1
13.2.1 实验设计
13.2.2 与非进化模式的比较
13.2.3 实验结果
13.3 讨论
13.3.1 群体行为的进化
13.3.2 机器人的合作
13.4 进化的多智能体自组织工具箱
13.4.1 体系结构
13.4.2 文件组织
13.4.3 函数说明
13.4.4 用户设置
13.4.5 数据结构
13.5 总结
第14章 多智能体机器人技术工具箱
14.1 概述
14.2 例子
14.2.1 真实图的计算
14.2.2 初始化
14.2.3 开始
14.2.4 结果显示
参考文献
索引
猜您喜欢
