碩士論文
本論文使用全連接神經網絡（FCRNN）作為核心的控制器，透過多目標改良式的連續型蟻群最佳化（MO-MCACO）演算法來控制雙足機器人(NAO)的前進行走步態。
利用多目標最佳化演算法優化遞迴神經網路於雙足機器人步態生成
Biped Robot Gait Generation Using Recurrent Neural Networks Optimized Through A Multi-objective Optimization Algorithm
我們控制每隻腳上的五個關節，共計有十個可控的自由度。
在最佳化全連接神經網絡(FCRNN)後，我們使用它來控制一條腿上髖關節的俯仰角與翻滾角，以及膝關節的俯仰角。
其餘的七個角度是通過向前行走姿勢的對稱性所獲得。
全連接神經網絡(FCRNN)有兩種類型。一種是無傳感器反饋全連接神經網絡(FCRNN)，另一種是傳感器反饋全連接神經網絡(FCRNN)。
對於後者，單腳與雙腳傳感器的反饋將被討論。對於單腳的回授，我們只傳送來自右腳的反饋。對於雙腳的回授，兩個全連接神經網絡(FCRNN)共享相同的權重，兩者的差異來自反饋它們各自受控的腳。
在評估機器人的控制性能時，就三個目標函數而言，我們會測量行走速度，軌跡的筆直，震盪性，行走姿勢與腳的穩定性。
通過使用多目標改良式的連續型蟻群最佳化（MO-MCACO）演算法來解決多目標優化的問題。
本篇論文使用的模擬環境是Webots機器人模擬器。經軟體學習後的全連接神經網絡(FCRNN)被應用於控制一個真正的機器人以展示其性能。
而全連接神經網絡(FCRNN)在沒有傳感器回授與具有來自單腳和雙腳傳感器回授的性能比較也同樣被展示於模擬世界中。