基于冲突消解的群体智能机器人协作研究

提出了在动态环境中，基于冲突消解的群体智能机器人的一种协作模型，适用于环境信息不完备的复杂情况．将Agent的独立强化学习与BDI模型结合起来，使多Agent系统不但拥有强化学习的高度反应性和自适应性，而且拥有BDI的推理能力，使只使用数值分析而忽略推理环节的强化学习结合了逻辑推理方法．新的奖励函数和表示方法减少了学习空间、增加了学习速度．仿真结果表明所提方法有效．     

基于虚拟力的混合感知网节点部署

感知网一般是由静态的或移动的节点组成,为保证感知网的感知功能,节点应该有自部署和自修复能力.然而全部由移动传感器组成的感知网的成本太高,为保证感知网的覆盖功能和低成本,提出了一种在静态传感器节点中加入移动传感器节点的混合感知网形式.为了更好地部署这些节点,最大化覆盖待感知区域,提出了一种基于节点间虚拟力的移动节点部署方法,利用静态节点和移动节点以及移动节点之间的虚拟人工势场产生的作用力来控制移动节点的运动,使移动节点能够在较短的时间内,以较少的能量消耗到达自己合适的位置.在理论上分析了算法的可行性,用仿真实验验证了此算法的有效性,并和其他3种类似算法进行了性能比较.     

基于BDI框架的多Agent动态协作模型与应用研究

近年来，多Agent学习已经成为人工智能和机器学习研究方向发展最迅速的领域之一．将强化学习和BDI思维状态模型相结合，形成针对多Agent的动态协作模型．在此模型中，个体最优化概念失去其意义，因为每个Agent的回报，不仅取决于自身，而且取决于其它Agent的选择．模型采用AFS神经网络对输入状态空间进行压缩，提高强化学习的收敛速度．与此同时，利用模拟退火算法启发性地指明动作空间搜索方向，使其跳出局部最小点，避免迭代步数的无限增长．理论分析和在机器人足球领域的成功应用，都证明了基于BDI框架的多Agent动态协作模型的有效性。