自适应蚁群算法

蚁群算法是由鄣大利得Ｍ．Ｄｏｒｉｇｏ等人首先提出的一种新型的模拟进化算法，初步的研究已经表明该算法具有许多优良的性质，为求解算杂的组合优化问题提供了一种新思路，此方法已经引起了众多学者的研究兴趣，但同时也存在着一些缺点，如需要较长的计算时间，容易出现停滞现象等，目前国内对此研究尚少，为此，本文对景中算法的研究现状作一综述，希望能够对相关研究起到一定的启发作用。  

强化学习研究综述

摘要强化学习通过试错与环境交互获得策略的改进,其自学习和在线学习的特点使其成为 机器学习研究的一个重要分支.该文首先介绍强化学习的原理和结构;其次构造一个二维分类 图,分别在马尔可夫环境和非马尔可夫环境下讨论最优搜索型和经验强化型两类算法;然后结 合近年来的研究综述了强化学习技术的核心问题,包括部分感知、函数估计、多agent强化学 习,以及偏差技术;最后还简要介绍强化学习的应用情况和未来的发展方向.  

强化学习理论、算法及应用

强化学习（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）一词来自于行为心理学，这一理论把行为学习看成是反复试验的过程，从而把环境状态映射成相应的动作。首先全面地介绍了强化学习理论的主要算法，即瞬时差分法、Ｑ－学习算法及自适应启发评价算法；然后介绍了强化学习的应用情况；最后讨论了强化学习目前所要研究的问题。  

一种动态环境下移动机器人的路径规划方法

本文提出了在动态环境中，移动机器人的一种路径规划方法，适用于环境中存 在已知和未知、静止和运动障碍物的复杂情况．采用链接图法建立了机器人工作空间模型， 整个系统由全局路径规划器和局部路径规划器两部分组成．在全局路径规划器中，应用遗传 算法规划出初步全局优化路径．在局部路径规划器中，设计了三种基本行为：跟踪全局路径 的行为、避碰的行为和目标制导的行为，采用基于行为的方法进一步优化路径．其中，避碰 的行为是通过强化学习得到的．仿真和实验结果表明所提方法简便可行，能够满足移动 机器人导航的高实时性要求．  

一种基于强化学习的学习Agent

强化学习通过感知环境状态和从环境中获得不确定奖赏值来学习动态系统的最优行为策略，是构造智能Agent的核心技术之一，在面向Agent的开发环境AODE中扩充BDI模型，引入策略和能力心智成分，采用强化学习技术实现策略构造函数，从而提出一种基于强化学习技术的学习Agent，研究AODE中自适应Agent物结构和运行方式，使智能Agent具有动态环境的在线学习能力，有效期能够有效地满足Agent各种心智要求。  

一种基于Agent团队的强化学习模型与应用研究

多Ａｇｅｎｔ学习是近年来受到较多关注的研究方向，以单Ａｇｅｎｔ强化Ｑ－ｌｅａｒｎｉｎｇ算法为基础，提出了一种基于Ａｇｅｎｔ团队的强化学习模，这个模型的最大特点是引入主导Ａｇｅｎｔ作为团队学习的主角，并通过主导Ａｇｅｎｔ的角色变换实现整个团队的学习。结合仿真机器人足球领域，设计了具体的应用模型，在几个方面对Ｑ－ｌｅａｒｎｉｎｇ进行扩充，并进行了实验，在仿真机器人足球领域的成功应用表明了这个模型的有效  

基于Markov对策的多Agent强化学习模型及算法研究

在ＭＤＰ，单Ａｇｅｎｔ可以通过强化学习来寻找问题的最优解。但在多Ａｇｅｎｔ系统中，ＭＤＰ模型不再适用。同样极小极大Ｑ算法只能解决采用零和对策模型的ＭＡＳ学习问题。文中采用非零和Ｍａｒｋｏｖ对策作为多Ａｇｅｎｔ系统学习框架，并提出元对策强化学习的学习模型和元对策Ｑ算法。理论证明元对策Ｑ算法收敛在非零和Ｍａｒｋｏｖ对策的元对策最优解。  

多智能体协作技术综述

本文从协作模型和研究方法两个角度考察了多智能体协作技术的发展，认为是外在的 理性形式化模型和内在的对策和学习机制是多智能体协作技术的两个重要方面．并对这两个 方面的研究和应用前景作了进一步的展望．  

机器学习的主要策略综述

当前人工智能研究的主要障碍和发展方向之一就是机器学习。机器学习与计算机科学、心理学、认知科学等各种学科都有着密切的联系，牵涉的面比较广，许多理论及技术上的问题尚处于研究之中。对机器学习的一些主要策略的基本思想进行了较全面的介绍，同时介绍了一些最新的进展和研究热点。  

强化学习在机器人足球比赛中的应用

机器人足球比赛是一个有趣并且复杂的新兴的人工智能研究领域 ,它是一个典型的多智能体系统。采用强化学习方法研究了机器人足球比赛中的足球机器人的动作选择问题 ,扩展了单个Agent的强化学习方法 ,提出了基于多Agents的强化学习方法 ,最后给出了实验结果。