协同设计技术在土木工程设计中的应用前景探讨

提出计算机支持协同设计系统的基本构成，探讨协同设计的实现过程，分析协同设计系统的体系结构和实现技术。     

基于Agent的飞航导弹协同作战主体模型构建

定义了飞航导弹协同作战主体.结合现有的两种Agent体系结构,提出了飞航导弹协同作战通用主体模型体系结构.提出了基于BD I的主体内部概念结构.基于事件驱动,提出了能够直观、有效地揭示主体内部状态和活动间复杂联系的动态推理实现框架,规范了飞航导弹协同作战主体内部行为特性及其外部行为实现的描述和说明.     

Agent技术在导弹装备维修保障系统中的应用

阐述了Agent技术,分析了导弹装备维修保障系统的特性,论证了Agent技术对导弹装备维修保障系统的适应性,最后从体系结构、工作流程、通信技术等方面设计和构建了多Agent导弹装备故障诊断系统和多Agent导弹装备维修工作分析系统,为导弹装备的智能化维修保障工作提供了新的思路.     

基于Agent的信息化作战油料保障调运模型

在信息化条件下,作战油料保障向多样化接力式调运保障模式演变,致使保障调运计划优化难度加大;为了解决这一问题,提出基于Agent的油料保障调运模型;应用Agent技术,在决策者Agent与保障单位Agent之间构建“多对多”交互场景,根据保障单位的运输能力、行驶路径等参数,对油料保障调运任务进行分派;论述深度优先搜索模型算法,分析油料保障调运计划生成过程;以联合作战油料保障调运为仿真实例,验证模型有效性;仿真结果表明：该模型的研究对于提高作战油料保障能力具有重要意义。     

[分布式驱动电动汽车动力学控制]基于多Agent的电动汽车底盘智能控制系统框架

To solve the problems that flexibility and scalability limitations of the traditional integrated chassis control frameworks and the traditional vehicles chassis control system was not suitable for distributed in-wheel motors drive electric vehicles, an intelligent chassis dynamic control system framework was proposed based on multi-Agent for four-wheel independent driving electric vehicles. And the functions and interrelations of layers were analyzed. Taking direct yaw-moment control Agent of underlying control layer as an example, the controller Agent model was designed. In the co-simulation environment including MATLAB/Simulink and Carsim, simulation tests were conducted with the conditions of front wheel steering angle step input. Simulation results show that the controller Agent model may achieve the desired objectives of dynamic control and improve the performances of lateral handling stability effectively, which lays the foundation for the proposed control framework.     

基于多Agent的某型导弹智能诊断系统中网络模块的设计与实现

针对基于多Agent的某型导弹智能故障诊断系统中的Agent之间的通信问题,给出了该系统通信系统总体构成,应用IOCP线程管理方式和自定义通信协议数据包,能够实现实时监控状态下的多线程网络通信,最后给出了具体的功能函数定义和整个网络模块中Agent间的通信流程。     

Agent方法在基于HLA的作战仿真系统中的应用

在HLA框架下,以RTI作为联邦执行的底层支撑系统,通过引入Agent,提出一种扩展的联邦成员设计实现方法———Agent联邦成员,提高了仿真对象模型的智能决策能力,加强了计算机生成兵力建模技术中联邦成员的互操作性,并为系统智能性提供了足够支持,降低了系统耦合性。     

基于Q-learning的不确定环境BDI Agent最优策略规划研究

BDI模型能够很好地解决在特定环境下的Agent的推理和决策问题,但在动态和不确定环境下缺少决策和学习的能力。强化学习解决了Agent在未知环境下的决策问题,却缺少BDI模型中的规则描述和逻辑推理。针对BDI在未知和动态环境下的策略规划问题,提出基于强化学习Q-learning算法来实现BDI Agent学习和规划的方法,并针对BDI的实现模型ASL的决策机制做出了改进,最后在ASL的仿真平台Jason上建立了迷宫的仿真,仿真实验表明,在加入Q-learning学习机制后的新的ASL系统中,Agent在不确定环境下依然可以完成任务。