Q学习算法在RoboCup带球中的应用

机器人世界杯足球锦标赛(RoboCup)是全球影响力最大的机器人足球比赛之一,而仿真组比赛是其重要的组成部分。鉴于带球技术在仿真组比赛中的重要性,我们将Q学习算法应用于带球技术训练中,使智能体本身具有学习和适应能力,能够自己从环境中获取知识。本文描述了应用Q学习算法在特定场景中进行1vs.1带球技术训练的方法和实验过程,并将训练方法应用于实际球队的训练之中进行了验证。     

C5.0算法在RoboCup传球训练中的应用研究

针对于RoboCup比赛中出现的传球精度不够准确的问题,通过对决策树学习方法的探讨,该文提出了一种用于RoboCup仿真球队中Agent学习传球技能的一种决策树方法。将C5．0即ID3的改进算法应用到Agent传球能力的训练中,它使得Agent能够根据场上的具体情况,把球成功传给队友。Agent在得到球的控制权之后,首先确定传球成功率最大的球员,然后并不直接执行传球的动作,而是调整Agent自身的准备动作以达到传球的最佳状态,最后进行传球的行为。仿真结果表明,该方法有效地提高了Agent的传球能力。     

粗糙集方法在RoboCup仿真球队中的应用

基于粗糙集的决策分析方法,对RoboCup仿真球队中Agent的行为执行效果进行评测,并且在当前行为的执行效果不理想的情况下,通过适当的调节可控属性值来选择有助于此行为的辅助行为。使得Agent能够根据当前场上的状态,更有效地决定下一步的行动。并以射门为例,通过实验证明了该方法的有效性。     

多智能体的增强学习及其在RoboCup中的应用

针对非确定马尔可夫环境下的多智能体系统,提出了多智能体Q学习模型和算法。算法中通过对联合动作的统计来学习其它智能体的行为策略,并利用智能体策略向量的全概率分布保证了对联合最优动作的选择。在实验中,成功实现了智能体的决策,提高了AFU队的整体的对抗能力,证明了算法的有效性和可行性。     

以优势关系为基础的粗糙集在地震数据挖掘中的应用

在地震数据挖掘应用中，可用粗糙集方法进行对震例数据的属性约减。但是，经典的粗糙集理论建立在由等价关系对对象集划分的基础上，而震例数据是有序的而不是分类的对象。现对经典粗糙集理论进行扩展，提出一种用优势关系代替等价关系的粗糙集方法，并在此基础上提出一种基于差别矩阵的属性约简算法。实验结果表明，用这种方法能得出一些采用传统粗糙集理论所无法得到的结果。     

集值信息系统中的模糊优势关系粗糙集

以集值信息系统为研究对象,考虑对象之间的优势程度,提出了模糊优势关系的概念;将模糊的方法引入优势关系粗糙集理论,给出了基于模糊优势关系的粗糙集模型并讨论了其相关性质,为从集值决策系统中获取决策规则提供了新的理论基础与操作手段。通过实例验证了所提方法的可行性和有效性。     

个性化Agent在RoboCup仿真比赛中的应用

MAS(multi agent system)是解决复杂、动态、分布式智能应用问题的重要技术,RoboCup仿真比赛提供了一个测试各种MAS理论的平台.基于Agent个性设计并实现了RoboCup仿真球队.实验结果表明该方法比能力对等的合作更加默契,更能体现MAS的自适应性.     

基于广义扩展优势关系的粗糙决策分析方法

针对信息不完全的偏好多属性决策问题,给出一种基于拓展粗糙集的决策分析方法．首先提出广义扩展优势关系的概念;然后在广义扩展优势关系下得到知识的粗糙近似,给出分类决策规则．对比分析证明,扩展优势关系和有限扩展优势关系都是广义扩展优势关系的特例．最后通过一个实例验证了所提出方法的可行性和有效性．     

优势关系下的多粒度粗糙集

从粒计算的角度,经典的粗糙集是建立在单一的粒(等价关系)上的,把它推广到建立在优势关系上的多粒度粗糙集,定义了多粒度下的上下近似。通过对经典粗糙集的比较,得到了二粒度和多粒度下粗糙集的一些性质和结论。并在二粒度和多粒度下,对粗糙集里的边界、近似精度、优势度和综合优势度进行了研究。通过地震数据的例子说明了单粒度和多粒度之间的差异。     

基于优势关系的粗糙集应用研究

基于优势关系的粗糙集定义能够弥补经典粗糙集中不能表达出数据属性值偏好关系的劣势,使得到的\"if…then…\"推导规则更符合实际情况,具有推广性.本文首先介绍基于优势关系的粗糙集的产生背景;然后综述其在数据挖掘中的应用,包括规则生成和属性约简;最后讨论了进一步的研究内容和发展方向.     

优势模糊粗糙模型及其在审计风险评估中的应用

针对模糊信息系统,建立基于优势关系的粗糙集模型,并给出该模型的多种知识约简定义.通过构造分辨函数,得到了求解优势模糊粗糙集模型的最大分布约简算法.最后将该模型应用于审计风险评估,得到了较为合理的评估规则.     

区间值属性决策表的数据挖掘

Data mining in incomplete information systems is a hard problem but inevitable in uncertain decision. In thispaper ,an extended rough set model based on dominance relation is combined with fuzzy set theory for data mining ininterval valued decision table ,then decision rules can be obtained from the decision table. Simulation results show that the method is effective.     

基于优势一等价关系的几种约简及规则抽取方法

考虑了条件属性引入优势关系而决策属性上引入等价关系的不协调目标信息系统。分析了这种基于优势-等价关系的相容约简、最大分布约简及正域约简三者之间的关系。此外,结合劣势关系抽取规则以提高规则的覆盖率,改进了基于优势关系的正域约简抽取规则(PDRIS)的方法。最后给出算例,并在UCI数据集上进行了大量的试验,以与PDRIS进行比较。     

基于优势关系下的协调近似空间

在基于优势关系下的信息系统中引入了协调近似空间的概念,并证明了在优势关系下不协调目标信息系统也可以转化为一个协调近似空间,这进一步方便了基于优势关系下不协调目标信息系统的研究,丰富了粗糙集理论.     

模糊决策表的数据挖掘

论文利用基于优势-等价关系的扩展粗糙集模型,结合三角模糊数基于可能度的序关系,给出了一种模糊决策表的数据挖掘方法,该方法能有效地挖掘出决策系统的决策规则。实验分析表明了该方法的有效性。     

On fuzzy rough sets based on tolerance relations

Dubois and Prade (1990) [1] introduced the notion of fuzzy rough sets as a fuzzy generalization of rough sets, which was originally proposed by Pawlak (1982) [8]. Later, Radzikowska and Kerre introduced the so-called (I,T)-fuzzy rough sets, where I is an implication and T is a triangular norm. In the present paper, by using a pair of implications (I,J), we define the so-called (I,J)-fuzzy rough sets, which generalize the concept of fuzzy rough sets in the sense of Radzikowska and Kerre, and that of Mi and Zhang. Basic properties of (I,J)-fuzzy rough sets are investigated in detail.     

基于一般二元关系下的粗糙Vague集

本文研究了一般关系下Vague集合的近似问题,建立了一般关系下粗糙Vague近似的框架。在分析经典的粗集理论、模糊集理论、Vague集理论三者关系的基础上,提出了一般关系下粗糙Vague集的概念,并定义了粗糙Vague近似算子,讨论了粗糙Vague的性质。本文的结果对进一步开展粗糙集Vague集的研究具有一定的意义。     

基于RSDA的RDB与Rough集关系的研究

该文以Rough集数据分析技术(RSDA,RoughSetDataAnalysis)为基础,对关系数据库(RDB,relationaldatabase)和Rough集的关系进行了系统的研究。具体做法是,从Rough集与RDB产生的理论背景、关系与信息表的形式化语义、核心概念之间的关系、Rough度量与RRDM(roughrelationaldatabasemodel,简称RRDM)等方面对它们的关系进行了系统的、深入的探讨,并得出了相应的结论。     

扩展优势关系下的变精度粗糙集模型

基于优势关系的变精度粗糙集模型将传统粗糙集中的等价关系扩展为优势关系,并结合变精度的思想来定义相关概念,从而可以处理具有偏好关系的信息并具有一定的容错能力。然而,传统优势关系的定义仍然过于严格,只有当一个对象x的每个属性值都优于另一个对象y时,该对象x才优于y。当属性个数较多时,这种优势关系的定义会导致对象的优势集偏小,影响到规则的提取和决策结果。为了解决这一问题,通过引入参数的方法扩展了传统优势关系的定义,并在此基础上进一步给出了扩展后的优势集和近似集的概念,建立了扩展优势关系下的变精度粗糙集模型,采用覆盖率和测试精度作为模型的评估指标。最后给出算例,并在UCI数据集上进行大量的实验将所提模型与传统优势关系下的变精度粗糙集模型进行比较。