跳到主要导航 跳到搜索 跳到主要内容

基于深度强化学习的任务分析方法

  • 龚 雪
  • , 彭 鹏菲
  • , 荣 里*
  • , 郑 雅莲
  • , 姜 俊
  • *此作品的通讯作者
  • 海军工程大学

科研成果: 期刊稿件 › 论文 › 同行评审

1 引用 (Scopus)

摘要

针对任务分析中任务协同交互耦合度高、影响因素繁多等问题,提出了基于序列解耦与深度强化学习的任务分析方法,实现了复杂约束条件下的任务分解及任务序列重构。设计了基于任务信息交互的深度强化学习环境,基于目标网络与评估网络损失函数间的差值改进SumTree算法,实现任务间的优先级评估;将激活函数运行机制引入深度强化学习网络,提取任务特征,提出贪婪激活因子,优化深度神经网络参数,确定智能体最优状态,从而进行智能体状态转换。通过经验回放生成多目标任务执行序列图。仿真实验结果表明,该方法能生成最佳调度下的可执行任务图;且相对于静态情景,该方法对动态情景有较好的自适应性,在领域任务筹划中具有良好的推广应用前景。
投稿的翻译标题Task Analysis Methods Based on Deep Reinforcement Learning
源语言中文
页(从-至)1670-1681
页数12
期刊Xitong Fangzhen Xuebao / Journal of System Simulation
卷36
期7
DOI
出版状态已出版 - 1 7月 2024

基金资助

国家重点研发计划(2017YFC1405205);海军工程大学科研发展基金自主立项项目(425317S107)。

关键词

  • 任务分析
  • 强化学习
  • 评估网络
  • 贪婪因子
  • 耦合任务
  • 激活函数

收录

  • CSCD

学术指纹

探究 '基于深度强化学习的任务分析方法' 的科研主题。它们共同构成独一无二的学术指纹。

引用此