以往对机器人的研究大多是在已知的、结构化环境中进行的，研究人员对于机器人的自身以及机器人的工作环境都有精确的先验知识。这种传统的机器人设计方法必然存在一些问题，主要表现在：（1）设计者必须要具有机器人及其工作环境的先验知识，即首先要建立机器人及其工作环境的数学模型。（2）如果对机器人自身以及工作环境知识不断完善的话，那么就要不断地修改硬件和软件上的设计，给工程实现带来难以评估的工作量。（3）机器人必须精确地按照环境的内部模型进行规划的结果来运行，适应能力差。 进化机器人是机器人研究领域中的一个重要分支，由于它具有简洁的结构和高度的自主能力，这一方向正受到越来越多的国内外专家学者的重视。具有代表性的行为主义思想认为，设计智能机器人的有效途径应象生物体进化那样，采用“自下而上”方式，以感知-行动作为基础，在与环境的交互中学习。在设计智能机器人过程中，一个关键问题是如何来实现“行为主义”的思想、在与环境的交互中学习行为动作。 本论文则基于进化神经网络，对机器人行为模型和算法进行了系统研究。研究过程更加注重机器人的适应性，不注重对环境知识完备性的要求，让机器人就在完全未知环境下运行。通过机器人自身对环境的感知，来建立环境的模型，并且具有自恢复能力。机器人通过不断的学习，完善自身的适应能力，依靠与环境不断的交互来获得知识，并通过反复调整环境模型与自身的模型，最终学会在未知环境中运行。本文主要研究内容及创新成果包括：1、基于并行遗传算法和L-系统模拟自然进化和生长学习过程，提出一个人工神经网络结 构设计算法。算法对生成网络的产生式规则进行编码来约束网络的搜索空间，并采用 并行算法降低运算时间。实验证明该算法能有效提高网络结构设计的性能和收敛速度。2、提出了基于神经网络的进化机器人避碰、趋近和沿壁行为学习算法。文中首先提出了 新的机器人模拟环境和机器人模型，构建了基于神经网络的进化学习系统；然后对具 有进化学习机制的机器人基本行为学习系统进行了仿真实验，并对仿真结果进行分析 与讨论。3、基于神经网络方法提出了进化机器人避碰、趋近、沿壁行为的高级组合行为切换学习 算法。首先对机器人模拟环境进行了增强设计，给出采用神经网络实现进化学习系统 的方法，然后对具有进化学习机制的机器人组合行为切换学习系统进行了仿真实验， 并对仿真结果进行分析与讨论，最后指出了进一步研究方向。4、基于神经网络集成了进化多机器人编队行为及避碰、趋近、随机等基本行为，以控制 摘要 机器人规划路径、避开危险并同时保持队形。文中首先在研究了自主机器人构架 （AU RARA）的基础上，利用神经网络实现了机器人高级组合行为的进化学习，然后对 具有进化学习机制的机器人编队行为系统进行了仿真实验，并对多种模拟环境中的不 同编队行为类型进行了性能分析与讨论。5、提出了一个基于生长神经网络的进化机器人行为算法，新算法的主要特点是：l）、迢 过自然选择对神经同络进行进化，并能自主实 沿人进磁、移动、复制和攻击等行 为；2）、开发了一个自主机器人模拟环境，对所提出的算法进行运行恻试．模拟结果 证明，生长神经冈络系统是研究渐增进化的有效工具，新算法能够有效地实现机召人 创新行为；由于采用了生长系统，这些网络在复制过程中克服了传统进化网络的基因 型相同而表现型不同的固有缺点，系统能在长期渐增进化中处于准．收敛状态． — —’—’－’”、r－一、——”‘—、一’”—”””’”’—”一’”“—一”“『”’”一’一’——”’————””“’”t 本文所研究的各种算法并不局限于上述应用，对函数优化、组合优化、板式识别、图象压络等计算机应用领域也有广泛的应用前景．