基于深度强化学习的不完美信息群智夺旗博弈

复杂环境中群智博弈问题是近年来的研究热点之一.为解决不完美信息条件下多智能体夺旗博弈问题,本文提出了一种基于多智能体双重决斗深度Q网络(multi-agent dueling double deep Q-network, MAD3QN)以及图注意力网络(graph attention network, GAT)的多智能体夺旗博弈深度强化学习算法(G-MAD3QN).该算法在实现多智能体在迷宫地图中路径规划的同时,建模不完美信息条件下多智能体合作与竞争关系,从而确定夺旗博弈策略.在实验中,本文基于二维迷宫环境,考虑智能体观测信息不完美条件,将G-MAD3QN算法与多智能体深度Q网络(multi-agent deep Q-network, MADQN)、MAD3QN等多智能体深度强化学习的基线算法进行对比,从而验证了在二对二夺旗博弈中本文G-MAD3QN算法的有效性.     

逆变器带脉冲负载运行特性及改进措施

为研究逆变器带脉冲负载运行规律,提升逆变器带脉冲负载性能,首先针对逆变器带脉冲负载系统进行了仿真建模和实验平台的搭建,在仿真和实验的基础上,详细分析了脉冲负载占空比、峰值功率以及开关周期对数字控制PWM逆变器运行规律的影响;针对带脉冲负载时逆变器输出电压波形质量和各运行指标均较差的情况,深入分析得到逆变器数字化离散过程造成的时间延迟和逆变控制器响应速度是影响逆变器带脉冲负载性能的主要因素;在此基础上提出了一种基于多次采样和解耦控制的逆变器改进恒压/恒频(voltage/frequency,V/f)控制,并利用MATLAB/Simuilink仿真进行了验证。