项目3
机器人网络的分布式任务分配
任务1
1）N个代理商
解决约束耦合线性规划问题（1）：
min {z1 ... zN} sum {1，N}（ci'zi）主题：sum {1，N} Hizi = b zi€Pi，i€{1 ... N}
ci€R ^ ni，嗨€R ^ Sxni，b€R ^ S紧凑多面体Pi = {zi€R ^ ni | Dizi = <di，Gizi = gi} i€{1 ... N}
使用分布式双重次梯度：
包含在“智能网络物理网络的分布式优化”中
蒙特卡洛模拟和曲线图显示了收敛的N和问题大小的变化
任务2
N个机器人，N个任务分散在有限的环境中
每个机器人必须完成一项任务，每个任务最多必须由一个机器人完成
min（机器人的行进距离）
二分分配图Ga = {Va，Ua; Ea}任务Va = {1 ... N}，代理Ua = {1 ... N}边（i，k）€Ea存
2022-09-04 09:53:03
5.83MB
1
多代理SAC
介绍
环境。
在这种环境下，两名特工控制球拍在球网上弹跳球。 如果探员将球击中网，则得到+0.1的奖励。 如果探员让一个球击中地面或将球击出界外，则其获得的奖励为-0.01。 因此，每个特工的目标是保持比赛中的球权。
观察空间由8个变量组成，分别对应于球和球拍的位置和速度。 每个代理都会收到自己的本地观察结果。 有两个连续的动作可用，分别对应于朝向（或远离）网络的运动和跳跃。
该任务是情节性的，并且为了解决环境，您的特工必须获得+0.5的平均分数（在两个特工均取得最高分后，连续100次以上）。 具体来说，
在每个情节之后，我们将每个代理商获得的奖励加起来（不打折），以获得每个代理商的得分。 这将产生2个（可能不同）的分数。 然后，我们取这两个分数中的最大值。
这为每个情节产生一个单一的分数。
当这些分数的平均值（超过100集）至少为+0.5时，就认为环境已解决。
2022-08-24 18:57:52
1.23MB
1
4.多类异质主体
NetLogo可以定义不同类别(称为breeds)的turtles，各类turtle可以拥有特有的属性和例程。
定义关键词为breed，例如：
breed [wolves wolf]
breed [sheep a-sheep]
一旦定义了一类turtle，系统自动创建该类所有turtle的集合，一些相关的原语也马上可以使用了，
例如对于sheep类就有create-sheep、hatch-sheep、is-a-sheep?等。
也可以指定该类具有的变量，例如对于sheep，“sheep-own [grabbed?]”就为sheep增加了一个变量。
2022-07-14 22:24:16
293KB
1
三维数字化技术综合应用— —
案例：卡通小屋
主体建模
卡通小屋主体建模
如何用二维图形的创建及编辑命
令，来制作一个可爱的卡通小屋
模型。
卡通小屋主体建模
小结
卡通小屋建模这个案例中，我们大量用
到二维图形的创建和编辑。大家在练习
里可以自行发挥想象力，制作出更为有
趣的卡通建筑模型。
谢谢观看
2022-06-08 19:11:41
930KB