群體機(jī)器人協(xié)同方法

目錄
“新一代人工智能理論、技術(shù)及應(yīng)用叢書”序
前言
第1章 緒論 1
1.1 群體協(xié)同 1
1.2 群體機(jī)器人的定義和特征 4
1.2.1 群體機(jī)器人的定義 4
1.2.2 生物群體的特性 5
1.2.3 群體機(jī)器人的特征 6
1.3 本書的組織結(jié)構(gòu) 12
參考文獻(xiàn) 13
第2章 群體機(jī)器人研究發(fā)展 16
2.1 群體機(jī)器人基礎(chǔ)模型 16
2.1.1 群體機(jī)器人系統(tǒng)模型 16
2.1.2 群體機(jī)器人協(xié)作方式 21
2.2 群體機(jī)器人協(xié)同方法 22
2.2.1 早期的群體機(jī)器人算法 23
2.2.2 群體機(jī)器人基礎(chǔ)任務(wù) 24
2.2.3 現(xiàn)有的群體機(jī)器人算法 31
2.3 群體機(jī)器人模擬平臺與實體項目 35
2.3.1 模擬平臺 36
2.3.2 實體項目 38
2.4 群體機(jī)器人研究現(xiàn)狀分析 40
2.5 群體機(jī)器人多目標(biāo)搜索的研究意義 41
參考文獻(xiàn) 42
第3章 群體機(jī)器人多目標(biāo)搜索問題 52
3.1 多目標(biāo)搜索問題的建模與分析 53
3.1.1 問題模型的相關(guān)工作 53
3.1.2 問題假設(shè)與理想化模型 54
3.1.3 問題的近似數(shù)學(xué)模型與分析 56
3.2 搜索策略性能的衡量指標(biāo) 58
3.3 群體機(jī)器人多目標(biāo)搜索策略的研究現(xiàn)狀 60
3.3.1 群體機(jī)器人的三階段搜索框架 61
3.3.2 啟發(fā)自群體智能算法的多目標(biāo)搜索策略 63
3.3.3 啟發(fā)自隨機(jī)搜索策略的多目標(biāo)搜索策略 64
3.3.4 動態(tài)目標(biāo)追蹤問題與彈簧虛擬力算法 65
3.3.5 本節(jié)小結(jié) 74
3.4 本章小結(jié) 75
參考文獻(xiàn) 76
第4章 基于規(guī)則的多目標(biāo)搜索策略 79
4.1 基準(zhǔn)設(shè)定與問題特征 79
4.1.1 關(guān)于基準(zhǔn)策略的探討 79
4.1.2 多目標(biāo)搜索問題的特征 80
4.2 分組爆炸策略 82
4.2.1 分組爆炸策略概述 83
4.2.2 組內(nèi)協(xié)同 84
4.2.3 拆分較大分組 85
4.2.4 利用歷史信息 87
4.2.5 速度更新式 87
4.2.6 本節(jié)小結(jié) 88
4.3 改進(jìn)的分組爆炸策略 88
4.3.1 分組爆炸策略的不足 88
4.3.2 改進(jìn)的分組爆炸策略概述 89
4.3.3 算法的收斂性 92
4.3.4 參數(shù)優(yōu)化 93
4.3.5 本節(jié)小結(jié) 94
4.4 三角編隊搜索策略 94
4.4.1 TFS策略的五個階段 95
4.4.2 TFS策略實現(xiàn)的關(guān)鍵技術(shù) 96
4.4.3 本節(jié)小結(jié) 99
4.5 *立搜索策略 99
4.5.1 廣域搜索階段的隨機(jī)搜索策略 100
4.5.2 細(xì)化搜索階段的三角梯度估計 100
4.5.3 慣性機(jī)制 100
4.5.4 本節(jié)小結(jié) 101
4.6 基于概率有限狀態(tài)機(jī)的搜索策略 101
4.6.1 研究動機(jī) 101
4.6.2 基于概率有限狀態(tài)機(jī)的搜索策略概述 105
4.6.3 參數(shù)優(yōu)化 107
4.6.4 本節(jié)小結(jié) 110
4.7 實驗結(jié)果與討論 110
4.7.1 對比算法及其配置 110
4.7.2 不同群體規(guī)模下的對比實驗 111
4.7.3 不同目標(biāo)數(shù)量下的對比實驗 116
4.7.4 不同目標(biāo)收集次數(shù)下的對比實驗 119
4.7.5 各種對比策略搜索效率的排名 122
4.8 本章小結(jié) 122
參考文獻(xiàn) 123
第5章 基于學(xué)習(xí)的多目標(biāo)搜索策略 125
5.1 基于深度學(xué)習(xí)和進(jìn)化計算的策略設(shè)計 125
5.1.1 研究動機(jī) 125
5.1.2 基于深度學(xué)習(xí)的搜索策略學(xué)習(xí) 128
5.1.3 基于進(jìn)化計算的搜索策略學(xué)習(xí) 131
5.1.4 實驗結(jié)果與討論 133
5.1.5 本節(jié)小結(jié) 141
5.2 基于強化學(xué)習(xí)的搜索策略設(shè)計 142
5.2.1 強化學(xué)習(xí)的基礎(chǔ)理論 142
5.2.2 值函數(shù)逼近 143
5.2.3 基于神經(jīng)網(wǎng)絡(luò)值函數(shù)逼近的強化學(xué)習(xí)避障算法 143
5.2.4 實驗結(jié)果與討論 151
5.2.5 本節(jié)小結(jié) 154
5.3 本章小結(jié) 154
參考文獻(xiàn) 154
第6章 簡單環(huán)境限制下的多目標(biāo)搜索 157
6.1 在環(huán)境中引入簡單限制條件 157
6.2 障礙物限制下的多目標(biāo)搜索方法 159
6.2.1 問題描述 159
6.2.2 應(yīng)對策略 159
6.2.3 實驗結(jié)果與討論 160
6.3 干擾源限制下的多目標(biāo)搜索方法 161
6.3.1 問題描述 161
6.3.2 實驗結(jié)果與討論 162
6.4 假目標(biāo)限制下的多目標(biāo)搜索方法 164
6.4.1 問題描述 164
6.4.2 應(yīng)對策略 165
6.4.3 實驗結(jié)果與討論 168
6.5 多種環(huán)境限制下的多目標(biāo)搜索方法 172
6.5.1 障礙物和干擾源限制下的多目標(biāo)搜索方法 172
6.5.2 障礙物和假目標(biāo)限制下的多目標(biāo)搜索方法 173
6.6 本章小結(jié) 174
第7章 復(fù)雜環(huán)境限制下的多目標(biāo)搜索 175
7.1 引入能量和感知限制的多目標(biāo)搜索方法 175
7.1.1 問題描述 175
7.1.2 方向選擇算法 178
7.1.3 實驗設(shè)置 185
7.1.4 實驗結(jié)果與討論 187
7.1.5 本節(jié)小結(jié) 193
7.2 復(fù)合環(huán)境中的多目標(biāo)搜索方法 193
7.2.1 群體規(guī)模 194
7.2.2 目標(biāo)數(shù)量 195
7.2.3 障礙物數(shù)量 196
7.2.4 干擾源數(shù)量 196
7.2.5 假目標(biāo)數(shù)量 197
7.2.6 目標(biāo)適應(yīng)度值上限 198
7.2.7 環(huán)境噪聲 199
7.2.8 算法的時間性能和成功次數(shù) 200
7.3 開放環(huán)境中的多目標(biāo)搜索方法 201
7.3.1 問題描述 201
7.3.2 實驗設(shè)定及假設(shè) 202
7.3.3 自適應(yīng)分布控制 203
7.3.4 實驗結(jié)果與討論 207
7.4 本章小結(jié) 211
參考文獻(xiàn) 212
第8章 復(fù)雜任務(wù)中的群體機(jī)器人協(xié)同方法 214
8.1 多智能體系統(tǒng) 214
8.2 強化學(xué)習(xí) 215
8.2.1 問題描述 215
8.2.2 值函數(shù)與貝爾曼方程 216
8.2.3 探索與利用的權(quán)衡 216
8.2.4 時序差分學(xué)習(xí) 217
8.2.5 多步自舉 217
8.2.6 策略優(yōu)化 218
8.3 深度強化學(xué)習(xí) 219
8.3.1 深度強化學(xué)習(xí)的歷史發(fā)展 219
8.3.2 深度 Q 學(xué)習(xí)算法 220
8.3.3 深度確定性策略梯度算法 223
8.3.4 深度強化學(xué)習(xí)的應(yīng)用 224
8.4 多智能體強化學(xué)習(xí) 224
8.4.1 隨機(jī)博弈建模 225
8.4.2 多智能體強化學(xué)習(xí)的挑戰(zhàn) 226
8.4.3 傳統(tǒng)的多智能體強化學(xué)習(xí)算法 226
8.4.4 多智能體深度強化學(xué)習(xí) 227
8.5 強化學(xué)習(xí)在游戲智能中的應(yīng)用 229
8.6 本章小結(jié) 231
參考文獻(xiàn) 231
第9章 基于學(xué)習(xí)策略的群體機(jī)器人協(xié)同方法 239
9.1 基于注意力機(jī)制的多智能體強化學(xué)習(xí)狀態(tài)表示方法 239
9.1.1 多智能體強化學(xué)習(xí)中的特征聚合方法 240
9.1.2 圖視角下的多智能體狀態(tài)表示學(xué)習(xí) 241
9.1.3 注意力關(guān)聯(lián)編碼器 241
9.1.4 實驗結(jié)果與討論 246
9.1.5 ARE 的優(yōu)缺點 252
9.1.6 本節(jié)小結(jié) 252
9.2 基于協(xié)同隱空間的多智能體強化學(xué)習(xí)探索方法 253
9.2.1 強化學(xué)習(xí)中的探索 253
9.2.2 基于低維協(xié)同隱空間的多智能體探索 254
9.2.3 實驗結(jié)果與討論 259
9.2.4 本節(jié)小結(jié) 262
9.3 基于多智能體強化學(xué)習(xí)的多分支集成策略網(wǎng)絡(luò) 262
9.3.1 基于多智能體強化學(xué)習(xí)的多分支集成策略網(wǎng)絡(luò)概述 264
xii 群體機(jī)器人協(xié)同方法
9.3.2 實驗結(jié)果與討論 267
9.3.3 本節(jié)小結(jié) 272
9.4 基于互引導(dǎo)Actor-Critic的多智能體高效動作探索 273
9.4.1 個體-全局-*大值約束 274
9.4.2 個體-全局-*大值約束的不可分解性問題 275
9.4.3 基于互引導(dǎo)的多智能體行動者-評論家算法 277
9.4.4 實驗結(jié)果與討論 279
9.4.5 本節(jié)小結(jié) 283
9.5 雙信道多智能體通信方法 283
9.5.1 雙信道多智能體通信方法概述 284
9.5.2 實驗結(jié)果與討論 285
9.5.3 本節(jié)小結(jié) 288
9.6 基于有向圖結(jié)構(gòu)的通信代價約減方法 288
9.6.1 簡介 288
9.6.2 模型 288
9.6.3 實驗結(jié)果與討論 290
9.6.4 本節(jié)小結(jié) 293
9.7 基于預(yù)測性貢獻(xiàn)度量的多智能體系統(tǒng)信用分配方法 293
9.7.1 多智能體近端策略優(yōu)化算法 294
9.7.2 預(yù)測性貢獻(xiàn)度量 294
9.7.3 PC-MAPPO算法 296
9.7.4 實驗結(jié)果與討論 297
9.7.5 本節(jié)小結(jié) 301
9.8 本章小結(jié) 301
參考文獻(xiàn) 302
第10章 群體機(jī)器人模擬平臺 304
10.1 模擬平臺 304
10.1.1 核心算法模塊 304
10.1.2 三維演示模塊 306
10.1.3 并行測試模塊 307
10.2 機(jī)器人鄰域的快速計算 308
10.2.1 問題背景 308
10.2.2 索引K-D樹 309
10.2.3 利用索引K-D樹進(jìn)行鄰域計算 312
10.2.4 實驗結(jié)果與討論 314
10.3 本章小結(jié) 316
參考文獻(xiàn) 316
第11章 總結(jié)與展望 318