هدایت فازی رباتهای خودمختار با استفاده از یادگیری تشدیدی و بهینه سازی کلونی زنبور مصنوعی

۱-مقدمه.

۱-۱- تعاریف اولیه در رباتیک

۱-۲- چالش های ناوبری خودمختار

۱-۳- روش های حل مساله ی ناوبری ربات

۱-۴- اهداف و نتایج

۱-۵- ساختار پایان نامه

۲- بررسی روشهای پیشین

۲-۱- مقدمه.

۲-۲- معماری سلسله مراتبی

۲-۲-۱-روش گراف دیداری

۲-۲-۲-روش تجزیه سلولی

۲-۲-۳-روش میدان پتانسیل

۲-۳- معماری مبتنی بر رفتار

۲-۴- روش ترکیبی

۲-۵- مطالعات مرتبط

۲-۶- نتیجه گیری

۳- منطق فازی، یادگیری Q و بهینه سازی کلونی زنبور مصنوعی

۳-۱- مقدمه

۳-۲- منطق فازی

۳-۳- یادگیری Q

۳-۴- بهینه سازی کلونی زنبور مصنوعی

۳-۴-۱-زنبور ها در طبیعت

۳-۴-۲-الگوریتم بهینه سازی کلونی زنبورهای مصنوعی

۳-۴-۳-فاز جمعیت اولیه

۳-۴-۴-انتخاب جمعیت اولیه

۳-۴-۵-فاز رنبورهای به کار گرفته شده

۳-۴-۶-فاز زنبورهای تماشاگر

۳-۴-۷-فاز زنبورهای دیده بان

۴- الگوریتم یادگیری Q فازی پیشنهادی

۴-۱- مقدمه..

۴-۲- ربات کپرا

۴-۳- یادگیری Q فازی

۴-۴- بهینه سازی

۵- نتایج شبیه سازی ها و پیشنهادهای ادامه کار

۵-۱- مقدمه.

۵-۲- نرم افزار شبیه سازی KiKS

۵-۳- محیط های شبیه سازی

۵-۴- نتایج شبیه سازی

۵-۴-۱-موفقیت در رسیدن به هدف (GR)

۵-۴-۲-امنیت مسیر طی شده تا هدف (SF)

۵-۴-۳-سرعت مسیر طی شده تا هدف (SP)

۵-۵- بحث و نتیجه گیری

۵-۶-پیشنهادهای ادامه کار