导读:本文包含了围捕问题论文开题报告文献综述及选题提纲参考文献，主要关键词:仿真作战系统,合围态势,战术目标点分配,CGF自主机动
围捕问题论文文献综述
雷鸣[1]（2016）在《CGF战术围捕问题关键技术研究》一文中研究指出在军事变革愈发激烈的当下,军队信息化建设成为了强军兴军的必要过程。仿真作为分析、研究、指导战争的重要手段,以其高效性和低成本性,受到军事人员青睐。仿真作战系统可以对战争的发展趋势和演化规律进行探究,有助于深刻认识战争,揭示战争机理,从而对其它战争相关问题的研究起指导作用,仿真的真实性决定了仿真结果的可靠性,直接影响战争结果,这也是建模与仿真领域极具挑战性的一项课题。包围是一种重要的机动形式,其目的是形成对敌围攻的战术部署,切断敌方补给,增加敌方消耗。《孙子兵法·谋略篇》曾说“兵之法,十则围之,五则攻之,倍则战之”。从中可见,当敌方人数较少时,包围是首选战术,这也体现了包围过程的重要性。在班组作战或特种作战中,包围或合围也是出现频率较多的一种战术方法,为使包围过程在高分辨率的仿真作战系统中得以体现和应用,便于参训的指战人员更高效地学习和研究相关战术战法,本文将战术合围过程分为战场态势判定、目标任务分配和CGF自主机动叁个部分,对特种作战条件下CGF战术合围问题的关键技术进行研究。主要对仿真作战系统中CGF动态特性进行数学建模,将对抗双方CGF的运动速度,攻击能力等属性加以考虑,利用相关几何图形的性质得到了CGF合围态势的判定条件方法;以判定条件为依据,选取有利战术目标点,进行CGF的战术目标点分配。其中,在CGF运动时间代价估算过程中引入了地形因素,并对A*算法进行改进,使之适用于多地形地图的最优路径规划问题;对CGF自主机动过程进行建模仿真,对人工势能场可能出现的局部极小值问题进行改进,使之能够成功避开可能引起局部极小值问题的典型障碍。在此基础上,提出了利用改进人工势能场进行Q值初始化的Q学习算法,大大降低了迭代周期和震荡幅度,提高了CGF行为的拟人特性。实验结果表明,本文提出的关键技术研究成果具有适用性,能够增加仿真作战系统的真实性和实效性。(本文来源于《国防科学技术大学》期刊2016-11-01）
张旭,贾磊磊,李玲[2]（2016）在《基于模糊与虚拟力预测的多机器人围捕问题研究》一文中研究指出多机器人追捕—逃跑问题一直是人工智能研究的一个典型问题。当存在多个机器人时,他们可以通过实时通信和协商来提高追捕效率,即机器人协调合作问题。因此,多机器人围捕问题具有一定的代表性,已成为目前研究多个智能体合作与协调系统的理想研究平台。本文通过对多机器人围捕问题的研究与分析,采用模糊控制的围捕协调策略,成功的完成了围捕任务。(本文来源于《科技视界》期刊2016年19期）
王艳[3]（2014）在《基于Metlab的多机器人围捕问题的研究》一文中研究指出本文将追捕-逃跑问题按空间、时间离散化后转为一个对策模型,并利用Matlab软件,采用栅格建模的方法来模拟仿真环境,对四个追捕机器人追捕一个目标机器人的实例进行了仿真。通过仿真发现了该支付函数的缺陷。基于此原因,重新定义了局中人的支付函数,通过衰减因子μ,在追捕的不同阶段,根据追捕的具体情况灵活地调整距离影响系数和有效包围系数的权重,从而提高了追捕的效率。(本文来源于《价值工程》期刊2014年20期）
赵金[4]（2012）在《基于NEAT的多机器人协调围捕问题研究》一文中研究指出多机器人协调控制是机器人领域中的一个重要研究方向。而多机器人追捕-逃跑问题则是该方向中的一个典型问题。这个问题要求多个自主移动的机器人组成的追捕者团队相互合作去追捕并包围另一组自主移动的逃跑者机器人，其难点在于单个的追捕者无法完成围捕，而必须要通过群体成员之间的合作才能完成围捕任务。本文以二维动态环境下的多机器人围捕问题为背景，以群智能中的涌现原理为基础，提出了一种基于群智能的多机器人协调控制方法。本文首先介绍了多机器人协调控制领域的相关背景知识、国内外研究现状，以及研究目的和意义。其次，提出一种基于群智能的多机器人协调控制方法。给出了群智能原理的定义和理论基础，并分析了实现群智能原理所需的工具，包括人工神经网络、优化算法和模拟环境等。然后，建立一个二维连续的动态多机器人追捕仿真环境，并设立一组追捕者机器人。通过给机器人个体添加传感器、人工神经网络大脑和效应器，模拟一个简单的人工生命。通过在模拟环境中进行多次迭代，使用评判函数指导群体进化方向，优化个体人工神经网络大脑参数，使追捕者个体进化出有意义的行为，如避障、追逐等。并通过个体之间的协作产生群智能完成对逃跑者机器人的围捕任务。验证了基于群智能的多机器人协调控制方法的可行性。最后，对比分析了PSO和NEAT两种化算法对在优化作为追捕者机器人大脑的神经网络上的优化效果。仿真实验验证了算法的可行性。(本文来源于《华中科技大学》期刊2012-02-01）
杨星[5]（2007）在《改进的免疫遗传算法与人工神经网络在多机器人系统围捕问题的应用》一文中研究指出多机器人系统运行控制机制将智能控制理论、人工生命理论、进化算法以及机器人编程技术等融合在一起，是机器人学和人工智能领域一个备受关注的研究课题。而采用进化算法与人工生命理论相结合的技术进行多机器人围捕问题的仿真和设计优化研究，则是多移动机器人系统研究的重要发展方向。以前所开展的多机器入围捕问题的相关研究存在以下两方面不足：第一，用于评价猎物机器人成功围捕的性能指标说服力不强，性能仿真评估结果的可信度较低；第二，机器人个体的智能程度不够高，自学习能力不强。针对以上不足，我们采用人工神经网络理论与具有精英保留策略的免疫遗传算法相结合的方法，提出了一种全新的多机器人行为决策控制系统——IGAE-ANN(Immune-Genetic Algorithm with elitist model, IGAE; Artificial Neural Network, ANN)行为决策系统，并将其应用到多机器人围捕仿真实验。本文首先对国内外多机器人系统的总体研究状况及基本理论作了详细介绍。在此基础上，对IGAE-ANN行为决策系统进行了设计研究。在IGAE-ANN行为决策系统中，采用人工神经网络作为捕猎机器人的行为控制器，并采用改进的具有精英保留策略的免疫遗传算法对神经网络的连接权值进行优化调整，使神经网络可为捕猎机器人生成最佳的行为决策，从而实现捕猎机器人在动态环境中对猎物机器人的成功围捕。在MATALB环境下的动态仿真实验结果证明了IGAE-ANN行为决策系统在整个捕猎期间具有良好的决策能力。此外，通过仿真结果对比，证实了IGAE-ANN行为决策系统在收敛速度、解的波动性以及动态收敛特征等方面，比采用带精英保留策略的标准GA算法去优化人工神经网络控制多机器人围捕效果更优。本文提出了一种新的用于评判多个机器人成功围捕猎物的性能指标。实验结果表明该指标可有效表达猎物机器人被捕获且不能再逃离的状态，比韩国学者Malrey Lee所设定的指标具有更强的说服力。(本文来源于《中南大学》期刊2007-04-01）
李淑琴,王欢,李伟,杨静宇[6]（2006）在《基于动态角色的多移动目标围捕问题算法研究》一文中研究指出基于动态角色配置的思想,提出机器人动态构建团队,合作完成多移动目标围捕任务的算法。每个移动机器人执行一个角色,角色随着环境的动态变化而不断进行更改、交换,实现团队的动态构建,不仅能适应环境中的未知事件,而且能最大地发挥个体机器人在整个团队中的作用。在简单仿真环境中进行的模拟实验表明,多机器人能够有效地合作捕获多智能移动目标,文中提出的解决方案是行之有效的。(本文来源于《系统仿真学报》期刊2006年02期）
宋梅萍[7]（2005）在《结合围捕问题的合作多智能体强化学习研究》一文中研究指出机器学习一直是AI领域的研究热点。作为应用广泛的一种机器学习方法，强化学习在单agent情况下的研究已趋于成熟，而在多agent系统中的研究仍处于上升阶段，因为多agent系统本身的复杂性和动态不确定性增加了对学习算法研究的困难。应用数学领域中研究多人交互的对策论理论，为多agent系统中的学习算法的研究提供了一个很好的理论支撑。对策论与马尔可夫决策过程相结合便构建了一个用于研究交互式多agent学习的理论框架——随机对策。 在此框架下的学习研究已经取得了一些成果，如对抗、非合作和完全合作系统中的学习以及重复对策中的学习等。本文针对随机对策框架下完全合作和理性合作的多agent学习进行了研究。 完全合作的多agent系统中，在单agent学习算法的基础上研究偏差技术，并利用多agent系统的信息共享优势，提出了基于先验知识的共享策略学习算法。此外，用于实现学习的神经网络性能也会直接影响学习结果。针对反向传播神经网络收敛速度慢和易陷入局部最优等缺陷，提出利用合作粒子群优化方法对网络权值进行训练。它可以实现快速全局优化，改善网络学习性能从而有益于强化学习的效果。以上两方面都对加快学习速度发挥了很好的作用。 理性合作情况下的多agent学习研究较少，关键问题在于两方面。一方面是目标函数的选择和计算，另一方面是学习过程中的决策协调，二者都在很大程度上影响着学习的效果。在理性合作情况下，提出利用Pareto占优解作为目标函数进行学习，它可以在提高个体理性的同时增加整体理性。为了减小学习过程中用于协调的时间费用和通信费用，而且不影响学习的速度，提出利用社会规则的方法完成学习过程中的隐式协调。制定的一系列互利性社会规则实现了多agent系统决策的统一和较高的整体性能。 采用追捕-逃跑任务作为完全合作多agent学习的应用研究背景。构建一(本文来源于《哈尔滨工程大学》期刊2005-10-01）
围捕问题论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
多机器人追捕—逃跑问题一直是人工智能研究的一个典型问题。当存在多个机器人时,他们可以通过实时通信和协商来提高追捕效率,即机器人协调合作问题。因此,多机器人围捕问题具有一定的代表性,已成为目前研究多个智能体合作与协调系统的理想研究平台。本文通过对多机器人围捕问题的研究与分析,采用模糊控制的围捕协调策略,成功的完成了围捕任务。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
围捕问题论文参考文献
[1].雷鸣.CGF战术围捕问题关键技术研究[D].国防科学技术大学.2016
[2].张旭,贾磊磊,李玲.基于模糊与虚拟力预测的多机器人围捕问题研究[J].科技视界.2016
[3].王艳.基于Metlab的多机器人围捕问题的研究[J].价值工程.2014
[4].赵金.基于NEAT的多机器人协调围捕问题研究[D].华中科技大学.2012
[5].杨星.改进的免疫遗传算法与人工神经网络在多机器人系统围捕问题的应用[D].中南大学.2007
[6].李淑琴,王欢,李伟,杨静宇.基于动态角色的多移动目标围捕问题算法研究[J].系统仿真学报.2006
[7].宋梅萍.结合围捕问题的合作多智能体强化学习研究[D].哈尔滨工程大学.2005