摘要：针对当前复杂智能体系统设计耦合度高的问题,提出了一种在无人机导航系统中运用行为编程的方法,通过逐步构建无人机反应系统,实现无人机响应系统所期望的行为。该方法基于行为编程理论,将A-star算法与人工势场方法相结合,以减少系统间的耦合性,便于后续新功能的添加与维护。结果表明:本文提出的场景定义行为的方法,改变了传统无人机导航系统设计的现状。通过仿真实验和真实场景实验,对以行为编程为基础的无人机导航系统进行了验证,为其他智能系统在应用行为编程提供了实践基础。

摘要：根据多机器人智能编队的要求,设计分层多机器人体系结构.该结构主要有3层:协作任务层、协调行为层、动作控制层.协作任务层应用势场栅格法增强路径的安全性和可靠性并降低了计算复杂度;协调行为层应用强化学习法增强了机器人群体的智能性;动作控制层应用模糊控制实现了动作的匹配;通讯模块在各个层次上实现数据的传递.这种结构既能实现机器人个体的自主性和智能性,又能满足多机器人之间的协作与协调性的需要.每一层任务分配清晰,层层规划中都有智能体现,是一个真正的智能性结构.最后,仿真试验进一步验证了这种结构的有效性.此结构有很好的可扩展性,可以应用于相似的多机器人系统.

摘要：为提升多智能体系统的工作效率,克服差分进化算法DE (differential evolution)在多智能体系统任务分配过程中的不足,提出一种基于QOC (quantization orthogonal crosser)策略改进的正交交叉差分进化算法AOCDE (an orthogonal crosser differential evolution)。QOC在DE算法基础上,引入正交思想和数据量化技术,通过改变交叉策略,增强算法全局寻优能力,提升算法收敛性。使用该算法解决多智能体系统任务分配问题,将仿真结果与其它算法进行比较,验证了该算法的有效性。

摘要：为改善多智能体纳什Q学习算法适应性差、条件苛刻、运算复杂,且没有通用方法更新策略价值等问题,提出基于参数的算法改进思路。引入联合动作向量简化算法,引入参数,通过参数近似控制状态-行为值函数,转化训练目标,给出参数逼近的值函数更新方程,理论分析算法的收敛性及可行性。仿真结果表明,基于参数逼近的多智能体强化学习算法,能够使智能体100%达到纳什均衡,提高算法性能,简化算法复杂性,相比传统纳什Q学习算法能够较快收敛。