中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
群體機器人協同方法 版權信息
- ISBN：9787030810793
- 條形碼：9787030810793 ; 978-7-03-081079-3
- 裝幀：精裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
群體機器人協同方法 內容簡介
本書是系統介紹群體機器人協同概念、方法、算法及應用的綜合性專業書籍。首先介紹群體機器人協同的基本概念、特點及其發展歷程。其次詳細介紹群體機器人協同算法，尤其是群體機器人多目標搜索問題，作者針對該問題提出多種高效的群體機器人多目標搜索策略，包含基于規則的多目標搜索策略和基于學習的多目標搜索策略。再次介紹在簡單、復雜、復合環境及開放環境中的多目標搜索方法。接著通過將多體系統作為群體機器人應用延拓，利用多智能體強化學習方法，解決以游戲AI為代表的復雜現實問題，詳細介紹復雜任務中的群體機器人協同方法和基于學習策略的群體機器人協同方法。*后介紹作者團隊開發的群體機器人模擬演示平臺。
群體機器人協同方法 目錄
目錄“新一代人工智能理論、技術及應用叢書”序前言第1章 緒論 11.1 群體協同 11.2 群體機器人的定義和特征 41.2.1 群體機器人的定義 4 1.2.2 生物群體的特性 5 1.2.3 群體機器人的特征 6 1.3 本書的組織結構 12參考文獻 13 第2章 群體機器人研究發展 162.1 群體機器人基礎模型 162.1.1 群體機器人系統模型 16 2.1.2 群體機器人協作方式 21 2.2 群體機器人協同方法 222.2.1 早期的群體機器人算法 23 2.2.2 群體機器人基礎任務 24 2.2.3 現有的群體機器人算法 31 2.3 群體機器人模擬平臺與實體項目 352.3.1 模擬平臺 36 2.3.2 實體項目 38 2.4 群體機器人研究現狀分析 402.5 群體機器人多目標搜索的研究意義 41參考文獻 42 第3章 群體機器人多目標搜索問題 523.1 多目標搜索問題的建模與分析 533.1.1 問題模型的相關工作 53 3.1.2 問題假設與理想化模型 54 3.1.3 問題的近似數學模型與分析 56 3.2 搜索策略性能的衡量指標 583.3 群體機器人多目標搜索策略的研究現狀 603.3.1 群體機器人的三階段搜索框架 61 3.3.2 啟發自群體智能算法的多目標搜索策略 63 3.3.3 啟發自隨機搜索策略的多目標搜索策略 64 3.3.4 動態目標追蹤問題與彈簧虛擬力算法 65 3.3.5 本節小結 74 3.4 本章小結 75參考文獻 76 第4章 基于規則的多目標搜索策略 794.1 基準設定與問題特征 794.1.1 關于基準策略的探討 79 4.1.2 多目標搜索問題的特征 80 4.2 分組爆炸策略 824.2.1 分組爆炸策略概述 83 4.2.2 組內協同 84 4.2.3 拆分較大分組 85 4.2.4 利用歷史信息 87 4.2.5 速度更新式 87 4.2.6 本節小結 88 4.3 改進的分組爆炸策略 884.3.1 分組爆炸策略的不足 88 4.3.2 改進的分組爆炸策略概述 89 4.3.3 算法的收斂性 92 4.3.4 參數優化 93 4.3.5 本節小結 94 4.4 三角編隊搜索策略 944.4.1 TFS策略的五個階段 95 4.4.2 TFS策略實現的關鍵技術 96 4.4.3 本節小結 99 4.5 *立搜索策略 994.5.1 廣域搜索階段的隨機搜索策略 100 4.5.2 細化搜索階段的三角梯度估計 100 4.5.3 慣性機制 100 4.5.4 本節小結 101 4.6 基于概率有限狀態機的搜索策略 1014.6.1 研究動機 101 4.6.2 基于概率有限狀態機的搜索策略概述 105 4.6.3 參數優化 107 4.6.4 本節小結 110 4.7 實驗結果與討論 1104.7.1 對比算法及其配置 110 4.7.2 不同群體規模下的對比實驗 111 4.7.3 不同目標數量下的對比實驗 116 4.7.4 不同目標收集次數下的對比實驗 119 4.7.5 各種對比策略搜索效率的排名 122 4.8 本章小結 122參考文獻 123 第5章 基于學習的多目標搜索策略 1255.1 基于深度學習和進化計算的策略設計 1255.1.1 研究動機 125 5.1.2 基于深度學習的搜索策略學習 128 5.1.3 基于進化計算的搜索策略學習 131 5.1.4 實驗結果與討論 133 5.1.5 本節小結 141 5.2 基于強化學習的搜索策略設計 1425.2.1 強化學習的基礎理論 142 5.2.2 值函數逼近 143 5.2.3 基于神經網絡值函數逼近的強化學習避障算法 143 5.2.4 實驗結果與討論 151 5.2.5 本節小結 154 5.3 本章小結 154參考文獻 154 第6章 簡單環境限制下的多目標搜索 1576.1 在環境中引入簡單限制條件 1576.2 障礙物限制下的多目標搜索方法 1596.2.1 問題描述 159 6.2.2 應對策略 159 6.2.3 實驗結果與討論 160 6.3 干擾源限制下的多目標搜索方法 1616.3.1 問題描述 161 6.3.2 實驗結果與討論 162 6.4 假目標限制下的多目標搜索方法 1646.4.1 問題描述 164 6.4.2 應對策略 165 6.4.3 實驗結果與討論 168 6.5 多種環境限制下的多目標搜索方法 1726.5.1 障礙物和干擾源限制下的多目標搜索方法 172 6.5.2 障礙物和假目標限制下的多目標搜索方法 173 6.6 本章小結 174第7章 復雜環境限制下的多目標搜索 1757.1 引入能量和感知限制的多目標搜索方法 1757.1.1 問題描述 175 7.1.2 方向選擇算法 178 7.1.3 實驗設置 185 7.1.4 實驗結果與討論 187 7.1.5 本節小結 193 7.2 復合環境中的多目標搜索方法 1937.2.1 群體規模 194 7.2.2 目標數量 195 7.2.3 障礙物數量 196 7.2.4 干擾源數量 196 7.2.5 假目標數量 197 7.2.6 目標適應度值上限 198 7.2.7 環境噪聲 199 7.2.8 算法的時間性能和成功次數 200 7.3 開放環境中的多目標搜索方法 2017.3.1 問題描述 201 7.3.2 實驗設定及假設 202 7.3.3 自適應分布控制 203 7.3.4 實驗結果與討論 207 7.4 本章小結 211參考文獻 212 第8章 復雜任務中的群體機器人協同方法 2148.1 多智能體系統 2148.2 強化學習 2158.2.1 問題描述 215 8.2.2 值函數與貝爾曼方程 216 8.2.3 探索與利用的權衡 216 8.2.4 時序差分學習 217 8.2.5 多步自舉 217 8.2.6 策略優化 218 8.3 深度強化學習 2198.3.1 深度強化學習的歷史發展 219 8.3.2 深度 Q 學習算法 220 8.3.3 深度確定性策略梯度算法 223 8.3.4 深度強化學習的應用 224 8.4 多智能體強化學習 2248.4.1 隨機博弈建模 225 8.4.2 多智能體強化學習的挑戰 226 8.4.3 傳統的多智能體強化學習算法 226 8.4.4 多智能體深度強化學習 227 8.5 強化學習在游戲智能中的應用 2298.6 本章小結 231參考文獻 231 第9章 基于學習策略的群體機器人協同方法 2399.1 基于注意力機制的多智能體強化學習狀態表示方法 2399.1.1 多智能體強化學習中的特征聚合方法 240 9.1.2 圖視角下的多智能體狀態表示學習 241 9.1.3 注意力關聯編碼器 241 9.1.4 實驗結果與討論 246 9.1.5 ARE 的優缺點 252 9.1.6 本節小結 252 9.2 基于協同隱空間的多智能體強化學習探索方法 2539.2.1 強化學習中的探索 253 9.2.2 基于低維協同隱空間的多智能體探索 254 9.2.3 實驗結果與討論 259 9.2.4 本節小結 262 9.3 基于多智能體強化學習的多分支集成策略網絡 2629.3.1 基于多智能體強化學習的多分支集成策略網絡概述 264 xii 群體機器人協同方法9.3.2 實驗結果與討論 267 9.3.3 本節小結 272 9.4 基于互引導Actor-Critic的多智能體高效動作探索 2739.4.1 個體-全局-*大值約束 274 9.4.2 個體-全局-*大值約束的不可分解性問題 275 9.4.3 基于互引導的多智能體行動者-評論家算法 277 9.4.4 實驗結果與討論 279 9.4.5 本節小結 283 9.5 雙信道多智能體通信方法 2839.5.1 雙信道多智能體通信方法概述 284 9.5.2 實驗結果與討論 285 9.5.3 本節小結 288 9.6 基于有向圖結構的通信代價約減方法 2889.6.1 簡介 288 9.6.2 模型 288 9.6.3 實驗結果與討論 290 9.6.4 本節小結 293 9.7 基于預測性貢獻度量的多智能體系統信用分配方法 2939.7.1 多智能體近端策略優化算法 294 9.7.2 預測性貢獻度量 294 9.7.3 PC-MAPPO算法 296 9.7.4 實驗結果與討論 297 9.7.5 本節小結 301 9.8 本章小結 301參考文獻 302 第10章 群體機器人模擬平臺 30410.1 模擬平臺 30410.1.1 核心算法模塊 304 10.1.2 三維演示模塊 306 10.1.3 并行測試模塊 307 10.2 機器人鄰域的快速計算 30810.2.1 問題背景 308 10.2.2 索引K-D樹 309 10.2.3 利用索引K-D樹進行鄰域計算 312 10.2.4 實驗結果與討論 314 10.3 本章小結 316參考文獻 316 第11章 總結與展望 318
展開全部
書友推薦
- >
羅庸西南聯大授課錄
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
推拿
- >
史學評論
- >
我與地壇
- >
我從未如此眷戀人間
- >
小考拉的故事-套裝共3冊
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
