多智能体与神经网络：智能控制的融合研究

本篇论文深入探讨了人工智能领域中的两个关键方向——面向多智能体的信息集成和神经网络控制算法。作者文敦伟，作为中南大学模式识别与智能系统专业的博士研究生，在导师蔡自兴教授的指导下，针对智能控制系统的构建进行了深入研究。 论文首先在第一章绪论中回顾了智能控制、神经网络、分布式人工智能和多智能体的最新发展和研究现状，为后续章节奠定了理论基础。这一章概述了研究的整体框架，明确了论文的探索路径。 第二章专门研究多层前向神经网络，着重于权值学习和结构学习，引入了神经网络的基本原理和遗传BP算法。作者创新地提出了样本划分启发式遗传BP算法和复合结构学习方法（csL），并在实验中验证了其有效性。 第三章转向递归神经网络的研究，探讨了全球递归和局部递归网络的结构和学习算法。基于模拟退火和AIopex算法，作者开发了一种基于模糊逻辑的A10pex学习算法（FLA）。此外，还提出了自环对角递归神经网络结构（sDRNN）以及相应的学习算法，并通过实验展示了算法的收敛性。 第四章进一步聚焦于神经网络在辨识和控制中的应用。在分析了关键技术后，作者提出了预去模糊FAM原理和FAM神经控制器，构造性证明了预去模糊FAM和一般FAM之间的等价性。基于第三章的sDRNN结构，设计了递归神经网络控制结构并证明了算法的收敛性，通过实例，如小车倒立摆系统和non-BIBO动态对象，展示了控制方法的有效性。 最后，第五章深化了分布式人工智能、智能体和多智能体的理论基础研究。论文重点讨论了智能体的精神状态表示和智能体的分类，分析了智能体的基本概念、研究内容和应用领域，并在此基础上构建了多智能体的概念，为智能控制的分布式环境提供了理论支持。 这篇论文不仅涵盖了神经网络的深度学习算法，还探讨了如何将这些算法融入到多智能体系统中，从而实现更高效、智能的控制策略。通过理论研究和实验验证，作者对智能控制领域的前沿问题进行了有益的探索和贡献。