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
- APA
- Author
- BIBTEX
- Harvard
- Standard
- RIS
- Vancouver