基于智能代理的远程教学系统模型设计

智能代理技术是一种新兴技术,有着巨大的发展潜力.本文主要讨论如何把智能代理技术运用于现代远程教学,以提高远程教育系统的交互性和智能性,并根据智能代理技术特性,构建了一个基于智能代理的远程教学系统模型.     

基于智能代理的远程教学系统研究

文章将智能代理技术引入远程教学系统，设计了一个智能化的远程教学模型，给出了系统的整体设计，描述了利用多代理技术实现的教学代理的基本结构和相互间的通信机制。该模型建立了个性化和协作式学习环境，实现了远程教学系统的自适应性和智能性。     

基于多代理的智能化远程教学模型

利用多代理技术建立了一个智能化的远程教学模型。该模型可根据学生的情况建立个性化的学习环境,从而实现学生按需学习和教师因材施数。文中详细描述了利用超媒体技术建立的知识结构模型以及利用多代理技术实现的教学代理的基本结构,并给出了主要的智能化模型。     

智能移动代理技术在未来电子商务中的应用

系统地研究一种基于智能移动代理技术的未来电子商务的实现模式,并详细探讨该模式所依赖的相关技术及方案.     

基于多代理的智能型远程教学环境研究

在远程教育中解决个性化学习的问题是远程教育发展的方向。文章在研究智能多代理技术的基础上,采用Web与CORBA互操作模式,设计开发了一种智能化的远程教学模型,此模型能够实现基于Web的远程教学系统的智能性和自适应性。     

智能代理及其在通信领域中的应用

智能代理方法作为分布式人工智能的重要组成部分,被认为有可能为一类具有时间、空间或功能分布性的系统提供建模、分析和控制的方法。智能代理方法具有广阔的应用前景,尤其在具有侵分布性的和要求协作的环境中。本文回顾了智能代理方法及其研究的主要问题,并讨论该方法在通信领域中的应用。     

论智能代理在网络教学中的应用

虽然网络教学方便了学习者到达世界的任何一个角落，但现有网络教学也有其限制和缺点。智能代理正好克服了当今网络教学的缺点。本文首先论述了国内外智能代理的教学应用研究动态，然后分析了网络教学系统的现状，最后阐述了智能代理在网络教学中的应用。     

应用人工智能进行远程教学的系统设计

为了有效解决任课教师和学生之间的线上教学的互相交流问题,在校园良好的网络环境下,有必要建设一个便利高效的远程互动平台。本文基于人工智能,结合Agent的远程教学系统,提出了一种远程教学系统,能够为学生的学习提供个性化的学习功能,还实现了智能化教学的在线互动。本文主要阐述系统的总体功能设计,并对功能模块展开分析。仿真实验结果表明,该系统更适用于现阶段的教学。     

多代理强化学习在智能教学系统中的应用

教学的个性化和智能化是智能教学系统研究的重点和难点。文章采用智能代理技术模拟系统中学生的智能和行为方式,将强化学习理论应用于多代理体,设计了结合资格迹理论的强化学习算法,并用以生成和调整适合于每个学生个体的教学内容和教学策略。多代理体技术实现了教学的个性化,强化学习算法使得教学策略具有智能化。实验结果表明,新的算法较原有算法更为有效。     

CSCW及其在远程教学中的应用

本文首先介绍了计算机支持的协同工作的概念和研究要点,讲述了作为ＣＳＣＷ的应用一群体的分类以及相关技术,最后联系ＣＳＣＷ协作观点及群件技术,探讨了ＣＳＣＷ在远程数学中应用。     

一种基于强化学习的作业车间动态调度方法

Production scheduling is critical to manufacturing system. Dispatching rules are usually applied dynamically to schedule the job in a dynamic job-shop. Existing scheduling approaches sel- dom address machine selection in the scheduling process. Composite rules, considering both machine selection and job selection, are proposed in this paper. The dynamic system is trained to enhance its learning and adaptive capability by a reinforcement learning (RL) algorithm. We define the conception of pressure to describe the system feature. Designing a reward function should be guided by the scheduling goal to accurately record the learning progress. Competitive results with the RL-based approach show that it can be used as real-time scheduling technology.     

强化学习在导弹制导中的应用

阐述了强化学习的基本原理和特点,讨论了强化学习中评价函数的神经网络近似问题,重点分析了采用多神经网络近似评价函数的学习问题,实现了状态空间或任务的自动分解,提高了评价函数的推广能力,网络的学习是离线进行,并作为反馈控制器在线应用,并以A－学习为例,将强化学习应用于导弹的制导问题,仿真结果表明了强化学习在导弹制导或控制问题中的应用前景和有效性。     

A Reinforcement Learning-based Approach to Dynamic Job-shop Scheduling

Production scheduling is critical to manufacturing system.Dispatching rules are usually applied dynamically to schedule (?)he job in a dynamic job-shop.Existing scheduling approaches sel- dom address machine selection in the scheduling process.Composite rules,considering both machine selection and job selection,are proposed in this paper.The dynamic system is trained to enhance its learning and adaptive capability by a reinforcement learning(RL)algorithm.We define the concep- tion of pressure to describe the system feature.Designing a reward function should be guided by the scheduling goal to accurately record the learning progress.Competitive results with the RL-based approach show that it can be used as real-time scheduling technology.     

A new Reinforcement Learning-based Memetic Particle Swarm Optimizer

Developing an effective memetic algorithm that integrates the Particle Swarm Optimization (PSO) algorithm and a local search method is a difficult task. The challenging issues include when the local search method should be called, the frequency of calling the local search method, as well as which particle should undergo the local search operations. Motivated by this challenge, we introduce a new Reinforcement Learning-based Memetic Particle Swarm Optimization (RLMPSO) model. Each particle is subject to five operations under the control of the Reinforcement Learning (RL) algorithm, i.e. exploration, convergence, high-jump, low-jump, and fine-tuning. These operations are executed by the particle according to the action generated by the RL algorithm. The proposed RLMPSO model is evaluated using four uni-modal and multi-modal benchmark problems, six composite benchmark problems, five shifted and rotated benchmark problems, as well as two benchmark application problems. The experimental results show that RLMPSO is useful, and it outperforms a number of state-of-the-art PSO-based algorithms.     

浅谈远程教学的应用

文章探讨以网络与多媒体教育相结合的现代远程教育的形成、发展和技术实现，并结合大学现代远程教育网络试点情况介绍现代远程教育具体实施的体会。     

分层增强学习在足球机器人比赛中的应用

足球机器人的研究是一项挑战性的研究领域,为了设计出智能型的球员必须涉及到计算机、人工智能、视觉及机械学等方面的研究。球员的学习能力是体现其智能的主要标志。如何在不断改变的外界环境中选取合适的动作技巧是在机器人足球比赛中的一个关键问题。该文介绍了马尔可夫决策过程,在半马尔可夫决策模型下,利用分层增强学习算法对不同层次的动作学习和选取同时进行学习。在仿真平台上进行实验,结果表明该学习方法是非常有效的。     

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。     

强化学习在RoboCup带球任务中的应用

本文提出了一种基于强化学习的足球机器人带球任务的解决方案,带球方从阶段的开始到结束均尽力去控制足球,对方的队员则尽力从控球方抢夺足球。在本论文中控球方采用SARSA控制算法,防守方采用传统的策略。将这两种策略应用于4V3机器人比赛环境中,实验结果显示,经过多次的学习,在机器人的带球时间上取得了理想的效果。     

基于事务的Web日志挖掘在远程教育中的应用

远程教育的生存和发展将取决于能否提供个性化的教学服务,Web日志挖掘技术使个性化的远程教育成为可能.本文介绍了一种基于事务的Web日志挖掘方法,并对其在个性化远程教育系统中的应用和实现作了探讨和研究.