近年来,利用机器学习方法研究人工智能引起了广大研究者的注意。但深度学习等机器学习方法在应用领域发挥其强大工具的同时也有其明显弊端,如泛化能力差、效率低,较小偏差能产生较大的错误等。如何增加人工智能的鲁棒性和通用性,发展通用人工智能引起越来越多学者的重视和关注。美国密歇根州立大学翁巨杨教授利用发育网络来解决传统机器学习中存在的缺陷。论文将人类的神经调节机理与发育网络相结合,提出了基于神经调节机理的调节发育网络模型。论文首先介绍了发育网络的基本原理及其特点。其次,基于血清素和多巴胺的神经调节原理,论文提出了包含血清素和多巴胺神经递质的调节发育网络模型,来模拟多巴胺的奖励作用和血清素的惩罚作用。为验证该模型的有效性,论文设计了三种环境下的机器人自主导航试验:静态、动态和复杂环境。在三种环境下,通过比较智能体与目标、智能体与最近障碍物之间的距离以及总运行步数,并对不同的环境中(大奖励小惩罚、大惩罚小奖励以及当前调节发育网络)智能体的运行状况进行了比较分析。实验结果表明:相比于原始调节发育网络,当前调节发育网络表现出较好的导航效果,具有较高的实用性。最后,文章在包含血清素和多巴胺神经递质的调节发育网络基础之上,通过模拟乙酰胆碱和去甲肾上腺素对环境中不确定性事件的反应机理,提出了包含血清素、多巴胺、乙酰胆碱和去甲肾上腺素四种神经递质的调节发育网络模型。类似地,论文首先分别对静态、动态以及复杂环境下障碍物突然出现时,智能体对障碍物的躲避行为进行了分析和比较。进一步地,为了更充分地证明包含四种神经递质的调节发育网络的优越性,在复杂环境下以人工势场法作为对比,进行实验验证。实验结果表明:相比于原始调节发育网络、包含血清素和多巴胺神经递质的调节发育网络以及人工势场法,包含四种神经递质的调节发育网络下,智能体能够较及时地对障碍物进行躲避,具有更好的灵活性。