并行强化学习算法及其应用研究

强化学习是一种重要的机器学习方法,然而在实际应用中,收敛速度缓慢是其主要不足之一。为了提高强化学习的效率,提出了一种并行强化学习算法。多个同时学习,在各自学习一定周期后,利用D-S证据利用对学习结果进行融合,然后在融合结果的基础上,各进行下一周期的学习,从而实现提高整个系统学习效率的目的。实验结果表明了该方法的可行性和有效性。     

某购物中心KTV安全疏散状况分析

通过对大庆市万达购物广场购物中心三层KTV内设定火灾场景，根据火灾危险性的决定性参数危险来临时间与人员疏散时间进行比较。在火灾场景下，三层KTV全员进行疏散，以在火灾危险来临时间内，人全员是否能够疏散至安全区域，作为安全疏散评估的依据。通过软件模拟计算危险来临时间与人员疏散时间，并进行对比定量分析，模拟计算不符合现有技术规范的安全疏散设施能满足实际安全疏散的需要，争取为广大消防监督执法人员解决一定的实际问题。     

基于视觉的自引导车实时跟踪系统研究

研究设计了一种基于视觉的自引导车快速跟踪的实现方案．为了能够有效地排除由于光源变化所引起的各种干扰,应用动态查表法选择阈值对图像不同区域进行二值化处理;为了提高处理速度,将图像信息压缩后进行特征提取;采用加权距离分类器和BP网络相结合构造了一个混合分类器,进行标志物的识别,提高了识别率．实验结果表明,该系统运行良好,效果令人满意．     

一种新型的系统建模方法

研究并实现了一种基于Petri网的系统建模方法,它将面向对象技术与Petri网相结合,有效地降低了Petri网模型的空间复杂性,也使表达更为直观,并以ＡＵＶ系统为例,说明了整个建模议程。     

基于信息熵的D-S证据理论及其在传感器融合中的应用

从证据本身和证据之间的相互关系两个方面分析了证据的可信度及相应在融合过程中获得的权重.引入了证据信息熵的概念,并给出了从证据本身确定可信度的方法.为了从证据之间的相互关系考察证据的可信度,给出了描述证据间相互支持的模糊关系矩阵,并依此来影响各传感器对于融合数据的重要性.实验验证了所提方法的有效性和鲁棒性.     

蜜蜂进化型遗传算法

本文提出了一种蜜蜂进化型遗传算法.在该算法中,种群的最优个体作为蜂王与被选的每个个体(雄蜂)以概率进行交叉操作,增强了对种群最优个体所包含信息的开采能力.为了避免算法过早收敛,在代进化过程中引入了一个随机种群,提高了算法的勘探能力.通过将该算法建模为齐次有限Markov链,证明了它的全局收敛性.实验结果表明,蜜蜂进化型遗传算法是一种提高遗传算法性能的有效改进算法.     

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。     

基于D-S证据理论的月球探测机器人的信息融合

为解决传统的D—S理论在判别传感器数据之间的相互关系时过于绝对化和经验化的问题，引入了互信因子的概念，用于表示不同证据间的相互支持程度，提高决策的可靠性．采用D—S证据理论实现了月球探测机器人的信息融合，并以障碍物检测为例进行了验证，实验结果表明了该方法的可行性和有效性。     

月球探测机器人的系统建模

为准确描述和有效分析机器人系统，提出了一种将面向对象技术与Petri网相结合的月球探测机器人系统建模方法，既保持Petri网对离散事件系统的准确描述性和直观性，又利用面向对象的自然性、易理解性、可重用性和可扩充性．月球探测机器人可利用该模型对系统性能进行分析和故障预测．