基于Agent技术的CGF仿真智能体自主决策系统总体设计分析

本文研究的CGF仿真智能体自主决策系统适用于HLA体系结构,在相应CGF软件模块基础上基于Agent技术进行开发,支持CGF智能体自主、交互的仿真决策,模型在实时环境内通过对已知战场的信息感知、反应和决策、执行指令。     

基于物联网的感知图书馆设计

提出了一种基于物联网技术的感知图书馆设计方案,介绍了实现原理,系统功能与模型方案.该系统综合运用了RFID技术、无线通讯技术、计算机网络与传感器技术,实现了感知图书、感知人员、感知环境三大功能,真正实现了智能图书馆的感知交互.     

基于分簇协同Q-学习的频谱感知算法

针对大规模认知无线电网络中协同频谱感存在的感知时间长、能量消耗过多、缺乏自适应能力等问题,提出了一种基于分簇协同的Q-学习频谱感知算法.该算法利用分簇机制,把大规模的环境变成小规模的簇内环境,分簇后簇内采用协同Q-学习,通过代理在与环境交互过程中不断试错来确定频谱检测的最佳门限值,使系统具有自主学习的能力.实验结果表明:大规模环境下系统的检测性能有显著提高.     

基于强化学习的三维游戏控制算法

基于强化学习,设计了一个面向三维第一人称射击游戏(DOOM)的智能体,该智能体可在游戏环境下移动、射击敌人、收集物品等.本文算法结合深度学习的目标识别算法Faster RCNN与Deep Q-Networks(DQN)算法,可将DQN算法的搜索空间大大减小,从而极大提升本文算法的训练效率.在虚拟游戏平台(ViZDoom)的两个场景下(Defend_the_center和Health_gathering)进行实验,将本文算法与最新的三维射击游戏智能体算法进行比较,结果表明本文算法可以用更少的迭代次数实现更优的训练结果.     

基于专家系统的数学网上交互学习系统的设计

针对现有网络交互式数学学习系统存在的与教师交互不及时、资源选择效率低和非文本信息处理难等缺点,设计了一种基于专家系统的数学学习系统.通过深入研究学生自主学习的特性,该系统设计了＂智能问答＂＂学习管理＂＂交互训练＂和＂辅助工具＂等模块,使得对于学习资源的提供和交互行为的分析具有智能性,能够根据学生学习过程中出现的问题,进行针对性的训练,从而提高学生的学习效率.     

基于上下文感知的智能停车场系统的研究

上下文感知是在移动计算环境中实现人机自然交互的关键.车辆停放乱和车辆失窃是停车场的重点问题.针对该问题,提出了一种基于ZigBee和上下文感知的智能停车场管理系统,给出了智能停车管理系统的总体架构.该系统使用RFID对车和车主进行跟踪,并根据所感知信息进行上下文推理决策判断合法性,从而有效实现对停车场的智能化管理.     

面向多目标参数整定的协同深度强化学习方法

多目标控制参数联合优化整定是自动化系统保持高效、稳定运行的关键问题,强化学习常用于建立自动化调参智能体,代替人工完成参数整定. 针对现有方法使用固定权重将多个优化目标线性组合为单目标,训练具有固定调参知识的单智能体模型,导致实际目标关系受环境影响与先验不符时,智能体无法感知并做出适应性决策调整,限制参数整定效果的问题,提出一种面向多目标参数整定的协同深度强化学习方法. 该方法利用离线仿真学习目标整定知识建立多个Double-DQN智能体,在线建立整定效果反馈,感知目标实际关系并调整智能体协同策略,实现有效的多目标参数整定. 列车自动驾驶参数整定实验结果表明,方法对停车误差、舒适度两个目标整定效果良好,能自适应不同车轨性能且可持续优化,实用价值大.      

机场智慧飞行区内涵、分级与评价

对机场智慧飞行区的内涵、分级与评价进行诠释与定义,明确了智慧飞行区运行目标为"全时安全、零误高效、最优效益、绿色环保".借鉴高等智慧生物的基本要素和能力,将智慧飞行区定义为由先进的基础设施、服务设备、感知网络、数据中心、通信网络和能源系统组成,并具有不同程度的主动感知、自动辨析、自主决策、自主适应、自主行动、动态交互和持续供能等智能能力的飞行区.在此基础上,明确了智慧飞行区智能能力的具体技术内涵以及智能能力之间的逻辑关系.最后,从两个维度上提出了智慧飞行区分级和评价体系.     

多智能体遗传算法用于超高维函数优化

基于智能体对环境的感知与反作用的能力提出了一种新的函数优化方法--多智能体遗传算法.该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争或合作,同样,智能体也可利用自身的知识进行自学习来增加能量.理论分析证明算法具有全局收敛性.实验结果表明,多智能体遗传算法对维数高达甚至10000的函数,都能以较少的计算量获得高质量的解,充分说明算法具有很快的收敛速度.     

面向主动配电网的安全多智能体深度强化学习电压优化控制

针对主动配电网电压优化控制中模型不确定性和通信代价大的问题，提出了一种基于灵敏度矩阵安全的多智能体深度强化学习(SMS-MADRL)算法。该算法利用安全深度强化学习，应对主动配电网的固有不确定性，并采用多智能体结构实现通信代价较小的分布式控制。首先，将电压优化控制问题描述为受约束的马尔可夫博弈(CMG);然后，对无功功率进行适当修改，通过分析节点电压的变化得到灵敏度矩阵，进而与主动配电网环境进行交互，训练出若干可以独立给出最优无功功率指令的智能体。与现有多智能体深度强化学习算法相比，该算法的优点在于给智能体的动作网络增添了基于灵敏度矩阵的安全层，在智能体的训练和执行阶段保证了主动配电网的电压安全性。在IEEE 33节点系统上的仿真结果表明：所提出的算法不仅能够满足电压约束，而且相较于多智能体深度确定性策略梯度(MADDPG)算法，网络损耗减少了4.18%,控制代价减少了70.5%。该研究可为主动配电网的电压优化控制提供理论基础。