多机器人动态编队的强化学习算法研究

在人工智能领域中 ,强化学习理论由于其自学习性和自适应性的优点而得到了广泛关注 随着分布式人工智能中多智能体理论的不断发展 ,分布式强化学习算法逐渐成为研究的重点 首先介绍了强化学习的研究状况 ,然后以多机器人动态编队为研究模型 ,阐述应用分布式强化学习实现多机器人行为控制的方法 应用SOM神经网络对状态空间进行自主划分 ,以加快学习速度 ;应用BP神经网络实现强化学习 ,以增强系统的泛化能力 ;并且采用内、外两个强化信号兼顾机器人的个体利益及整体利益 为了明确控制任务 ,系统使用黑板通信方式进行分层控制 最后由仿真实验证明该方法的有效性

基于黑板结构的多传感器数据溶合系统FS-1

本文借助于数据溶合方法中的引导法构成的系统在移动式机器人定位中取得了令人满意的结果.本系统的特点是:用分布式黑板作为计算机构,使系统具有并行处理能力;把时间(时序)推理引入系统.在数据溶合中考虑了时间的重要作用.本文提出的溶合方法和结构原则上可用于其它相关的问题领域.

数控自动编程专家系统

本文简要地介绍了数控自动编程专家系统.其中包括:专家系统知识表示的形式;分层次的黑板结构;前向推理求解策略和相应的解释功能;系统针对不同类型的曲线组合,采用不同的独立的知识源(KS)进行处理.由于在知识的处理上采用编码技术,在前向推理求解策略中使用启发信息和“剪技”技术,提高了系统的时空效率.系统中的规划程序能自动规划切削路径.输出供数控车床使用的 NC 代码,并可在显示屏上进行图形显示和切削仿真.目前原型系统已经在 IBM-PC 和 Sun3/60计算机上利用FORTRAN 语言实现.