前言
第1章 多智能體系統(tǒng)概述
1.1 自然智能和人工智能
1.1.1 自然智能
1.1.2 人工智能
1.2 多智能體系統(tǒng)
1.2.1 多智能體系統(tǒng)的定義與特點
1.2.2 多智能體系統(tǒng)的形式化描述
1.2.3 多智能體系統(tǒng)理論的發(fā)展
1.2.4 多智能體系統(tǒng)的應用
1.3 多智能體系統(tǒng)的主要技術內容
1.4 NetLogo仿真工具
第2章 反應智能體
2.1 復雜自組織系統(tǒng)
2.2 反應智能體建模
2.2.1 純反應型智能體
2.2.2 ABM建模的基本概念
2.3 掃地機器人反應行為模型
2.4 城市森林公園火災撲救反應行為模型
第3章 一致性問題
3.1 集體運動和編隊隊形
3.1.1 集體運動與自組織
3.1.2 模式和聚集
3.1.3 有組織隊形
3.1.4 Boids模型
3.1.5 Couzin模型
3.2 基于人工勢場法的機器人避障模型
3.3 無人機追捕逃犯模型
第4章 蟻群自組織與共識自主性
4.1 蟻群優(yōu)化概述
4.1.1 引言
4.1.2 蟻群算法的工作原理
4.1.3 蟻群算法的基本流程
4.1.4 蟻群算法的應用
4.2 蟻群算法的基本實現(xiàn)技術
4.2.1 蟻群算法中的轉移概率
4.2.2 信息素的更新機制
4.3 蟻群覓食問題
4.4 月球巖石搜索機器人路徑規(guī)劃
第5章 飛鳥與粒子
5.1 粒子群算法概述
5.1.1 引言
5.1.2 粒子群算法的基本流程
5.1.3 粒子群算法的應用
5.2 粒子群算法的基本實現(xiàn)技術
5.2.1 標準PSO及其擴展
5.2.2 解的空間表示與參數(shù)選擇
5.2.3 適應度評價函數(shù)
5.3 車輛加速度參數(shù)優(yōu)化問題
5.4 公共建筑物人員疏散問題
第6章 遺傳與進化智能體
6.1 遺傳算法簡述
6.1.1 遺傳算法的發(fā)展歷程
6.1.2 遺傳算法的基本流程
6.1.3 遺傳算法的應用
6.2 遺傳算法的基本實現(xiàn)技術
6.2.1 參數(shù)編碼方式
6.2.2 適應度函數(shù)
6.2.3 遺傳算子
6.3 餐廚垃圾收運路線優(yōu)化
第7章 認知智能體
7.1 認知科學
7.1.1 認矢口智能
7.1.2 認知科學的興起及發(fā)展
7.1.3 基于認知科學的人工智能
7.2 認知智能的實現(xiàn)技術
7.2.1 知識圖譜
7.2.2 知識圖譜架構及基本要素
7.2.3 知識圖譜構建技術
7.3 基于目標的城市智能交通模型
7.4 基于效用的高速公路交通模型
第8章 強化學習智能體
8.1 強化學習智能體概述
8.1.1 強化學習智能體的發(fā)展歷程
8.1.2 強化學習智能體概要
8.1.3 Q學習算法的基本流程
8.1.4 強化學習智能體的應用
8.2 強化學習的基本實現(xiàn)技術
8.3 機器人SARSA學習路徑規(guī)劃
8.4 Q學習跨越障礙機器人
第9章 多智能體網絡與通信
9.1 智能體網絡與通信問題
9.1.1 引言
9.1.2 智能體通信方式
9.1.3 智能體通信模型
9.1.4 智能體通信語言
9.2 基于廣播通信的機器人聚集
9.3 探測器和排雷機器人的點到點通信
第10章 多智能體協(xié)調、合作和協(xié)商
10.1 多智能體系統(tǒng)的協(xié)作機制研究
10.1.1 多智能體協(xié)調
10.1.2 多智能體合作
10.1.3 多智能體協(xié)商
10.1.4 多智能體協(xié)作的主要方法
10.2 機器人合作鋪路問題
10.3 機器人的組行為和協(xié)調
10.4 無人駕駛出租車協(xié)商運輸BDI模型
參考文獻