题目：智能体认知系统关键技术研究

由于所承担任务的日益复杂化，智能体对其自身自主性的要求越来越高。随着应用环境的复杂化和未知化，“传统自主”方法所依赖的静态知识库日益庞大，搜索算法逐渐复杂，“传统自主”方法本身成了智能体系统复杂化的重要原因，降低了系统的可靠性。通过研究认知系统赋予智能体认知能力的“认知自主”方法成为提高智能体，尤其是处于未知环境中的智能体自主性的有效方法。

本论文基于美国国家科学基金项目指南（National Science Foundation Call For Proposal）和美国空军科学研究办公室项目指南（Air Force Office of Scientific Research Call For Proposal），在“建设国家高水平大学公派研究生项目”和“飞行器控制一体化技术国防重点实验室”的“智能飞行控制技术研究平台”建设项目的支持下，与美国俄亥俄大学电子工程和计算机科学学院合作，剥离智能体认知系统研究中的关键问题，结合生物学和心理学的相关研究成果，从理论层面和技术层面“挖掘（机器认知）深层的数学含义和自主能力的普适特点[1]”。

论文首先参考生物神经系统，为智能体设计了分层模块化的认知系统结构和功能划分，尤其是运动传导通路和信息传导通路，以实现智能体运动指令的下行分解和传感信息的上行抽象，并进一步描述智能体认知发展的动态过程及智能体与环境的交互。该系统结构为智能体提供了自主设定目标任务，管理自身健康状态以及自学习的能力，并为智能体提供了随个体发展不断进化的认知能力。

其次，为方便引入动态系统理论建立认知系统数学模型，论文给出了认知系统结构的多反馈环形式，成功地将认知过程分解为多个层次。各反馈环以不同的时间尺度独立运行，高层决策及学习功能不会被低层行为打断，低层指令执行亦无需高层认知指导。多时间尺度的应用亦使各反馈环认知结构可单独设计。动机选择过程更是有效地结合了认知系统的连续和离散部分，实现认知系统从连续动态系统到离散事件驱动系统的转换。

然后，论文通过引入ML机制，为智能体认知过程建立了系统状态空间及系统状态拓展规则。该规则不仅描述了威胁智能体生存的基本信息，亦描述了有助于智能体发展的高层信息，且不依赖于具体的智能体个体和其生存环境，为建立认知系统的数学模型打下基础。

随后，本文基于上述状态抽象机制，利用动态系统理论建立了认知系统的数学模型，通过微分方程描述了智能体认知能力随时间动态变化的过程，并指出认知发展过程本质上是动态系统状态趋向于系统平衡点/标称轨迹的过程，为定量分析和设计认知系统提供了保障。

论文最后通过对比两类心理学目标跟踪行为（GGB和SMB）和传统动态系统跟踪行为（CCB）， 抽象出目标函数J中的控制能量代价参数R为系统状态x的函数时的线性优化问题（NSLQR问题），通过严格的数学证明给出了NSLQR问题的最优解，并建模比较GGB，SMB和CCB行为的优劣。研究指出，当仅考虑终端目标时，行为GGB和SMB要优于传统跟踪行为CCB，这为智能体行为决策提供了指导。

论文研究所得结果可应用于外星探索、战场救援、楼宇侦查等领域，部分研究成果可应用于如多智能体系统等协同运动领域，具有较广泛的应用价值。