多智能体原理与技术

.2．2 操作行为的建模与规划
2．2．1 面向状态的表达
2．2．2 状态转移函数
2．2．3 基于动作方案的行为规划
2．3 操作行为的学习
2．3．1 状态转移的自动归纳
2．3．2 经验学习样本的生成
2．4 总结
2．5 其他建模、规划与学习方法
2．5．1 人工势能场
2．5．2 人工神经网络
2. 5．3 apf和ann的相似与区别
2．5．4 apf与ann的关系
2．5．5 小结
2．6 其他相关研究与背景
2．6．1 装配操作规划
2．6．2 ai规划
2．6．3 操纵行为规划
第3章 合成的自治
3．1 基于行为自组织的合成自治
3．2 行为自组织
3．2．1 概述
3．2．2 虚拟运动员智能体
3．3 总结
3．4 其他相关研究与背景
3．4．1 关节人物动画
3．4．2 类生命行为
3．4．3 隐现行为
第4章 分布式计算的动力性
4．1 术语与定义
4．2 方法概述
4．2．1 智能体的局部激励
4．2．2 分布式智能体的反应行为
4．3 基于智能体的分布式搜索的动力性
4．3．1 动力系统模型
4．3．2 具有不同动态行为的智能体
4．3．3 基于智能体的分布式计算小结
4．4 评论
4．4．1 动力系统建模
4．4．2 智能体的准自治
4．4．3 基于智能体方法的特点
4．4．4 智能体的目标可达性
4．5 总结
4．5．1 待解决的问题
4．5．2 扩充
4．6 其他相关研究
第5章 智能体系统中自组织的自治
5．1 集体视觉与运动
5．2 图像特征检测与跟踪中自组织的视觉
5．2．1 自组织的视觉
5．2．2 二维的网格环境
5．2．3 二维网格中的局部激励
5．2．4 自组织行为
5．2．5 复制与扩散(r-d)算法
5．2．6 应用实例
5．3 群体机器人自组织的运动
5．3．1 群体导航与回归任务
5．3．2 多智能体系统概述
5．3．3 基于局部记忆的行为选择与基于全局性能的行为学习
5．3．4 不同智能体组的动力性
5．3．5 应用实例
5．3．6 评论
5．4 总结
5．5 其他相关研究与背景
5．5．1 元胞自动机
5．5．2 群体机器人中的学习
第6章 自治计算
6．1 术语与定义
6．2 基于适应性自组织行为的智能体
6．2．1 概述
6．2．2 智能体的适应性自组织行为
6．2．3 智能体的收敛
6．3 智能体的一般特性
6．4 适应性的复制与扩散(ar-d)算法
6．5 应用实例
6．6 计算成本
6．7 与传统分割方法的比较
6．8 基于智能体的搜索中行为特征的效果
6．9 影响智能体计算的参数
6．10 自治智能体的动力性
6．10．1 对智能体动力性的理解
6．10．2 智能体动力性的连续模型
6．10．3 智能体动力性模型的推导
6．11 学习与进化之间的平衡
6．12 总结
6．13 其他相关研究与背景
6．13．1 特征提取
6．13．2 分割
第7章 自治计算的动力性与复杂性
7．1 分散式智能体的行为
7．2 目标可达性
7．2．1 e中的目标可达性(其中dime＝1)
7．2．2 e中的目标可达性(其中dime＝2)
7．2．3 行为参数对目标可达性的影响
7．3 群体的动力性
7．3．1 e中的群体动力性(其中dime＝1)
7．3．2 e中的群体动力性(其中dime＝2)
7．4 应用实例
7．5 自治计算的复杂性
7．5．1 背景知识
7．5．2 环境的复杂性
7．5．3 应用实例
7．6 总结
7．7 其他相关研究
参考文献
索引