检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

49 篇 学位论文
19 篇 期刊文献

馆藏范围

68 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

66 篇 工学
- 33 篇 控制科学与工程
- 31 篇 计算机科学与技术...
- 30 篇 软件工程
- 22 篇 仪器科学与技术
- 19 篇 机械工程
- 14 篇 信息与通信工程
- 13 篇 电子科学与技术（可...
- 9 篇 电气工程
- 9 篇 交通运输工程
- 6 篇 航空宇航科学与技...
- 2 篇 动力工程及工程热...
- 2 篇 水利工程
- 2 篇 网络空间安全
- 1 篇 土木工程
- 1 篇 船舶与海洋工程
- 1 篇 兵器科学与技术
- 1 篇 环境科学与工程（可...
- 1 篇 公安技术
31 篇 管理学
- 31 篇 管理科学与工程(可...
- 3 篇 工商管理
3 篇 经济学
- 3 篇 应用经济学
2 篇 理学
- 2 篇 系统科学
- 1 篇 数学
2 篇 军事学
- 1 篇 战术学
- 1 篇 军队指挥学
- 1 篇 军事装备学
1 篇 艺术学
- 1 篇 设计学（可授艺术学...

主题

68 篇 深度强化学习算法
11 篇 路径规划
7 篇 移动机器人
5 篇 遗传算法
4 篇 任务卸载
3 篇 移动边缘计算
3 篇 蚁群算法
3 篇 粒子群算法
2 篇 双区域并网发电系...
2 篇 燃料电池汽车
2 篇 注意力机制
2 篇 人工智能
2 篇 智能制造
2 篇 双延迟深度确定性...
2 篇 水力发电机组
2 篇 无人驾驶
2 篇 能量管理策略
2 篇 边缘计算
2 篇 一次调频
2 篇 计算卸载

机构

4 篇 北京邮电大学
4 篇 电子科技大学
2 篇 大连理工大学
2 篇 华北电力大学
2 篇 沈阳工业大学
2 篇 重庆理工大学
2 篇 广西大学
2 篇 驻马店职业技术学...
2 篇 河南工业大学
2 篇 西安电子科技大学
2 篇 南京航空航天大学
2 篇 西安理工大学
2 篇 哈尔滨工程大学
1 篇 太极计算机股份有...
1 篇 北京交通大学
1 篇 中国电子科技集团...
1 篇 桂林电子科技大学
1 篇 河南科技大学
1 篇 武汉纺织大学
1 篇 天津大学

作者

1 篇 xie ming-yang
1 篇 wang lijun
1 篇 伍朝兵
1 篇 李小婧
1 篇 何虹辉
1 篇 董文辉
1 篇 高雪峰
1 篇 齐嫣然
1 篇 宋汶秦
1 篇 邵敬平
1 篇 陈孝威
1 篇 jiao xinquan
1 篇 陈嘉伟
1 篇 guan xinyu
1 篇 刘健行
1 篇 郑婷娟
1 篇 liu qingfu
1 篇 张泽功
1 篇 郭丹
1 篇 张剑

语言

68 篇 中文

检索条件"主题词=深度强化学习算法"

共 68 条记录，以下是31-40 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

无人机数据传输问题的研究

无人机数据传输问题的研究

引用

作者：史湘楠内蒙古科技大学

学位级别：硕士

近年来随着移动通信网络的迅速发展,产生的数据流量需求日益提高,会对当前地面通信系统带来了极大的挑战。仅仅依靠传统地面部署难以解决上述问题,除此之外,当面对地势险峻或不可抗因素产生的环境问题时,传统部署成本过高且难以部署。... 详细信息

近年来随着移动通信网络的迅速发展,产生的数据流量需求日益提高,会对当前地面通信系统带来了极大的挑战。仅仅依靠传统地面部署难以解决上述问题,除此之外,当面对地势险峻或不可抗因素产生的环境问题时,传统部署成本过高且难以部署。无人机(Unmanned Aerial Vehicle,UAV)通过远距离操控系统的操纵驾驶飞行,由于灵活性强,体积小,方便部署等优点被广泛应用于无线通信系统中。本文主要将无人机通信系统应用于草原环境中,由于草原环境特点为面积广阔,气候多变,基站较少,则会产生通信系统信息传输问题。因此设计一种无人机协同中继传输系统,解决数据传输问题,扩大通信覆盖范围,主要研究内容有以下三个方面。第一,本文基于草原牧区放牧进行数据采集,并针对放牧路径进行设计,将放牧路径的终点作为无人机数据采集的目标点。首先对牧区环境进行建模,得到过度放牧区域和牧区可用面积,并依据载畜量,羊群数量及放牧天数作为轮牧区域划分标准,对遗传算法中三种算子进行优化设计,同时加入四周连通性概念,确保算法合理划分轮牧区域。在此基础上将蚁群算法信息回溯机制和动态检测机制进行改进,避免算法陷入死循环,从而提升算法收敛速度并快速寻找放牧最短路径,为无人机进行数据传输提供技术支持。第二,将改进的一种基于深度强化学习算法用于无人机数据采集,首先在羊群放牧过程中,为了确保观测羊群动态和牧区环境状况,需要对羊群佩戴项圈传感器。无人机通过对羊群项圈传感器进行数据采集,保证数据传输的有效性。然后对项圈传感器容量进行计算,通过传感器容量大小和羊群动态确定无人机采集数据的飞行路径。在飞行的过程中,能耗也是需要考虑的因素,在草原环境中风速是特有的变量,因此在计算能耗的过程中加入风速变量提升仿真环境的真实性。最后在此基础上确保无人机在有限的能量中完成数据采集过程,结果表明算法可以快速搜索传感器容量存储数据量,并规划出实时动态的采集路径。第三,将改进的一种基于强化学习算法用于无人机数据传输,当传输距离相对较远时,数据无法及时回传到地面用户,因此需要加入中继无人机进行数据传输确保通信系统的稳定性,并将吞吐量作为数据传输大小的标准。首先将规划好的无人机采集路径进行数据输出,然后通过吞吐量公式得出无人机之间的传输距离决定吞吐量的大小,并将无人机之间的距离进行计算,最后通过实验结果表明通过算法计算可以扩大无人机之间的吞吐量,完成无人机数据传输。

关键词：数据传输遗传算法蚁群算法深度强化学习算法数据采集

来源：评论

学校读者我要写书评

暂无评论

基于深度强化学习的移动机器人路径规划研究

基于深度强化学习的移动机器人路径规划研究

引用

作者：于效民大连理工大学

学位级别：硕士

机器人是机械、计算机、人工智能等多学科融合的产物,具有高度灵活性。服务型移动机器人在室内环境中运动,通过传感器与环境进行交互从而获取环境信息,然后进行路径规划,路径规划是移动机器人导航中至关重要的一环。传统的路径规划算法... 详细信息

机器人是机械、计算机、人工智能等多学科融合的产物,具有高度灵活性。服务型移动机器人在室内环境中运动,通过传感器与环境进行交互从而获取环境信息,然后进行路径规划,路径规划是移动机器人导航中至关重要的一环。传统的路径规划算法首先需要建立全局地图,然后在已知地图中进行路径规划,这种算法导致感知与决策分离,在未知环境中难以应用。随着目前深度学习与强化学习的发展,可将深度强化学习算法应用在动态未知环境中对移动机器人进行路径规划研究。本文采用改进的深度强化学习算法在无全局地图信息的动态未知环境中进行路径规划。本文做的工作如下:首先,采用树莓派、单片机、激光雷达和直流电机等建立差速轮式移动机器人平台。在移动机器人平台中,单片机作为下位机,主要负责接收上位机发送的速度指令,然后驱动电机运动,并且采集编码器脉冲数据,融合成里程计数据返回给上位机;树莓派作为上位机主机,主要订阅由上位机从机笔记本电脑端深度强化学习算法节点发布的/cmd＿vel话题,并根据运动学模型进行分解,然后发送速度指令给下位机,并且接收下位机的里程计数据。然后完成移动机器人平台控制系统软件的设计,并对差速轮式机器人进行运动学建模。其次,建立深度强化学习算法的模型,本文采用改进DQN算法来进行路径规划研究,DQN算法充分利用了深度学习的感知能力与强化学习的决策能力。在训练过程中,以单线激光雷达采集的环境信息作为神经网络的输入,输出为机器人在该状态下所有动作的值函数。为了避免网络退化的现象,本文将卷积网络结构修改为残差网络结构,并通过实验验证其能解决网络退化问题,且能够加快网络的收敛速度。最后,针对于DQN算法在动态未知复杂环境中收敛速度慢以及训练时稳定性差的问题,在深度双Q网络和竞争网络的基础上,提出了一种将价值函数与奖励值函数结合、引入目标网络参数学习率的C-RD3QN算法。在Pygame中搭建仿真实验环境,实验验证了C-RD3QN算法能够提高训练时的稳定性、加快训练时的收敛速度,并且在动态未知复杂环境中能够规划出耗时更少、路径更短、避障更优的路径。为了方便算法移植到物理样机中进行路径规划,通过机器人操作系统ROS、强化学习工具包Open AI Gym和机器人仿真软件Gazebo搭建仿真实验环境,将仿真环境中训练好的网络模型在仿真环境中与真实环境中利用搭建的移动机器人平台进行路径规划实验,验证了C-RD3QN算法在动态未知复杂环境中路径规划的有效性。

关键词：移动机器人路径规划深度强化学习算法动态未知环境

来源：评论

学校读者我要写书评

暂无评论

基于共识策略的多无人机组网研究

基于共识策略的多无人机组网研究

引用

作者：黄芷菡北京邮电大学

学位级别：硕士

近年来,无人机(UAV)以其体积小、机动性强、成本低等优点,在人们生活的各个领域得到了广泛的应用。与单无人机相比,团队式的无人机系统在执行追踪、监控、检查和自动化工厂等协作任务方面具有显著优势。其中,作为无人机领域的一个重要应... 详细信息

近年来,无人机(UAV)以其体积小、机动性强、成本低等优点,在人们生活的各个领域得到了广泛的应用。与单无人机相比,团队式的无人机系统在执行追踪、监控、检查和自动化工厂等协作任务方面具有显著优势。其中,作为无人机领域的一个重要应用,多无人机协同完成追踪任务目前受到了广泛的关注。在多无人机追踪网络中,无人机之间准确及时的信息交互是精准追踪目标的关键。目前分布式协同估计方法越来越受到重视,多智能体共识策略就是其中一种重要的方法,有效的共识策略可以通过与相邻无人机的信息交互完成追踪任务。然而,在多无人机追踪网络中,由于追踪无人机时刻在移动,且信道环境复杂多变,网络拓扑会随时发生改变,一些现有的通信链路也会发生频繁地中断,导致通信质量下降,严重影响共识策略的准确性和收敛时延,以至于无法实现精准追踪。在追踪网络中,影响共识收敛时延的主要因素是网络的连通度,且无人机在追踪和共识的过程中,能效也是一个最基本的性能指标,因此,本文将针对以上指标进行以下研究:针对增减网络拓扑边以提高网络连通度的方式,本文在追踪网络中引入了一架中继无人机,建立了一种新的网络拓扑更新方式,提出了一种基于DQN算法的中继无人机部署与轨迹规划的方案。将部署中继无人机的过程分为两个步骤。首先提出了基于DQN的部署算法来获取中继无人机的初始位置,优化了追踪网络的能量消耗和共识收敛时延。其次,在追踪无人机的运动过程中,提出了基于DQN的轨迹规划算法,有效地提高了多无人机跟踪网络的共识成功概率,降低了多无人机追踪网络的中断概率。仿真结果表明,与Q-learning算法、随机位置部署算法相比,本文提出的算法具有更好的性能。针对增减网络拓扑权重以提高网络连通度的方式,本文提出了一种基于MADQN算法的多无人机轨迹和功率分配联合优化方案。由于联合优化问题的组合性和非凸性,同时考虑到每架无人机的效用是根据网络环境和其它无人机的行为来确定的,可以将该问题建模为一个随机博弈问题。针对离散动作空间和大状态空间导致的计算复杂度高的问题,提出了 MADQN算法来求解该问题的最优策略。仿真结果表明,本文提出的算法与其它算法相比,具有明显的优势,有效地减少了共识收敛时延和网络的能量消耗。针对改变网络连通度可以减少共识收敛时延的具体原因,本文进一步从图论的角度,解释了网络共识问题,分析了网络连通度,并且详细给出了前两个提出的方案之所以能提升和改善共识收敛时延的具体原因,同时对其分别进行了相应的仿真,仿真结果验证了分析结果。综上所述,本文主要针对追踪场景下,网络的共识收敛时延和能效这两个性能指标展开研究,从网络连通度的角度做了相应的分析,并分别提出了两种优化方案,对未来可研究方向进行了展望。

关键词：多无人机追踪网络共识收敛时延路径规划能效优化深度强化学习算法

来源：评论

学校读者我要写书评

暂无评论

基于深度强化学习的柴油机两级增压匹配及耦合控制

基于深度强化学习的柴油机两级增压匹配及耦合控制

引用

作者：伍朝兵重庆理工大学

学位级别：硕士

涡轮增压作为提升发动机动力性、降低排放的重要技术,已经在发动机上广泛使用。普通的单级涡轮增压受限于结构、尺寸等因素,存在涡轮迟滞、工作工况范围较窄等缺点。汽车工程师采用两级增压来改善上述缺点,其中电辅助增压应用较为广泛,... 详细信息

涡轮增压作为提升发动机动力性、降低排放的重要技术,已经在发动机上广泛使用。普通的单级涡轮增压受限于结构、尺寸等因素,存在涡轮迟滞、工作工况范围较窄等缺点。汽车工程师采用两级增压来改善上述缺点,其中电辅助增压应用较为广泛,电动增压系统可以在低速工况和加速工况进行快速响应,在一定条件下还可以进行能量回收,废气涡轮增压在高速工况下具有较高的经济性,将两者结合可以实现更好的增压效果。两级增压系统存在气动耦合,对两个系统控制也是一个难点。本文首先借鉴协同控制算法对双输入单输出的两级增压系统进行控制,协同控制算法中采用PID控制器,存在调参时间成本高的问题。因此本文采用基于无模型的深度强化学习算法来控制两级增压,深度强化学习通过智能体与环境交互来获取经验,具有自适应自学习的特点。深度强化学习算法需要进行大量数据训练才能得到一个较好的策略,本文采用两个方法来改善这一问题。首先采用并行强化学习来提高收集数据的效率,其次是借鉴迁移学习中的预训练方法,对神经网络进行预训练,降低收敛时的回合数。首先,在GT-power搭建一维均值发动机模型,将均值发动机模型与详细模型输出参数作对比,验证均值模型精度能否达到要求。根据发动机参数计算出电动压气机的压比、流量等参数,选择合适电动压气机及电机,进行瞬态和稳态性能分析。其次,借鉴阀门位置控制器(Valve Position Controller,VPC)的经验,在Simulink中搭建两级增压控制器,用此控制器对两级增压系统进行协同控制。在Python中搭建并行深度强化学习算法,实现两级增压系统的自适应控制。然后,搭建联合仿真平台并进行训练。将GT-power和Python软件通过Simulink连接起来,实现两者数据实时传输。采用FTP-72作为验证工况,协同控制采用的是经典PID控制器,通过联合仿真平台进行训练调参,实现整个工况进气压力跟随控制。并行深度强化学习需要进行多个回合训练,采用一段复杂工况进行调参训练,然后再运用到整个工况。对于并行深度强化学习,分别进行单个智能体和多个智能体仿真训练,对比其累计奖励值收敛情况。借鉴迁移学习中的预训练方法,对并行深度强化学习中的神经网络进行预训练,加快收敛速度。最后,对训练结果进行分析。从整体和局部工况,分析协同控制的两级增压进气压力跟随效果,整体跟随较好,在局部工况细节上还存在超调和跟随不足的现象。并行强化学习结果表明,4个智能体相对于单个智能体,收敛时的回合数降低23%。对神经网络进行预训练后,经过预训练的4个智能体收敛时的回合数降低65.45%,单个智能体经过预训练后收敛回合数降低40.97%,说明预训练可以加快收敛。为了验证深度强化学习控制效果,选择工况中900s到945s内进气压力跟随效果与协同控制对比,从结果来看深度强化学习压力跟随效果要优与协同控制,通过绝对误差来量化进气压力跟随效果,通过计算得出,深度强化学习相比于协同控制绝对误差降低47.54%。综上所述,本研究采用并行深度强化学习控制两级增压,可以实现动态调参,降低调参工作量。通过并行深度强化学习算法实现两级增压的耦合控制,并采用预训练来加快收敛速度,给传统控制算法调参提供参考,对智能算法运用到发动机控制领域具有一定的参考意义。

关键词：柴油机两级增压协同控制深度强化学习算法预训练

来源：评论

学校读者我要写书评

暂无评论

异构无线网中考虑绿色能源的任务卸载和资源分配

异构无线网中考虑绿色能源的任务卸载和资源分配

引用

作者：郭丹华北电力大学

学位级别：硕士

移动通信网络和物联网技术的飞速发展促进了智能终端的不断革新,边缘计算的出现进而为海量智能终端的广泛应用提供了可能。由于智能终端存在计算能力不足、电池容量有限等问题,导致终端不足以直接处理数据量大、时延敏感类任务。边缘服... 详细信息

移动通信网络和物联网技术的飞速发展促进了智能终端的不断革新,边缘计算的出现进而为海量智能终端的广泛应用提供了可能。由于智能终端存在计算能力不足、电池容量有限等问题,导致终端不足以直接处理数据量大、时延敏感类任务。边缘服务器部署于网络边缘端,凭借着较强的计算和存储能力为终端产生的时延敏感型任务提供服务。用户将任务传输至边缘侧,然而边缘侧自身拥有的计算能力往往有限,因此,针对用户多样化的服务质量需求,为任务制定合理的卸载决策以及资源分配策略尤为重要。此外,气温变化正逐渐成为全球性挑战,为实现“双碳”承诺,发展绿色通信刻不容缓。基于此,本文以最小化系统开销作为优化目标,针对异构无线网中的任务卸载和资源分配展开研究。具体研究内容如下: 本文第一部分主要研究异构无线网络架构下的多任务计算卸载问题。构建无线异构环境系统模型,在任务卸载过程中应用排队论将其卸载到边缘节点及边缘云,此外在路边单元部署太阳能板,通过绿色能源的使用降低系统电网能耗。由于优化目标是多目标非凸NP-Hard问题,且多边缘节点的应用场景使得求解该问题具有一定困难,因此本文采用改进遗传算法进行求解,并建立外部档案加快种群的收敛速度。仿真结果表明,改进后的算法可有效降低系统成本和传统电能量的使用。本文第二部分研究多任务在卸载之后面临的相关资源分配问题,在任务完成卸载之后对边缘侧的计算和通信资源分配进行优化。首先通过深度强化学习算法为每个任务分配所需的计算资源,其次根据任务情况设计基于任务优先级、速率需求及剩余子频带数的算法为任务分配通信资源。仿真结果表明,相比于随机分配和Q-Learning算法,本文设计的算法在完成计算资源和频谱资源的优化的同时,实现了系统开销最小化。

关键词：任务卸载资源分配太阳能遗传算法深度强化学习算法

来源：评论

学校读者我要写书评

暂无评论

移动边缘计算场景下无人机集群飞行轨迹控制与计算卸载优化研究

移动边缘计算场景下无人机集群飞行轨迹控制与计算卸载优化研究

引用

作者：查杨阳北京邮电大学

学位级别：硕士

无人机通信网络作为移动边缘计算系统的一部分,能够为移动设备上的计算密集型任务提供可持续服务。然而,考虑到无人机集群的系统复杂性和资源有限性,无人机通信网络想要在移动设备密集分布的场景下提供稳定可靠的服务依然存在挑战性,比... 详细信息

无人机通信网络作为移动边缘计算系统的一部分,能够为移动设备上的计算密集型任务提供可持续服务。然而,考虑到无人机集群的系统复杂性和资源有限性,无人机通信网络想要在移动设备密集分布的场景下提供稳定可靠的服务依然存在挑战性,比如移动设备接入范围的有限性和设备集群的规模性影响了无人机通信网络对移动设备的接入率;另外,无人机接入移动设备和传输计算任务的过程会增加时延并产生能量损耗,从而导致服务质量较差。针对上述挑战,本论文基于深度强化学习,从两个不同层次研究了多移动设备场景下无人机集群分布式计算卸载优化的问题,主要研究内容及成果如下:(1)移动边缘计算中无人机集群的飞行轨迹控制算法针对移动边缘计算场景中分布式无人机集群的飞行轨迹控制问题,本论文提出了一种基于聚类和深度强化学习的两阶段方案:阶段一通过聚类算法获取移动设备集群的质心集合,从而确定无人机集群的阵型;阶段二通过共识主动机制在深度强化学习算法上的应用,制定了无人机通信网络的协同飞行策略。通过仿真实验,验证了该方案的优越性。(2)移动边缘计算中无人机集群的计算卸载优化算法针对移动边缘计算场景中无人机集群的低服务质量问题,本论文基于上述无人机集群飞行轨迹控制算法的研究成果,引入了算力、带宽和存储资源,首先根据移动边缘计算系统的时延和能耗,确定了优化目标是最小化平均时延和能耗加权的系统成本,然后在此基础上提出了一种改进的优先级经验回放双深度Q网络算法,通过数据预处理消减了状态空间维度。经过实验验证,该方案实现了最小化平均成本的优化目标。

关键词：移动边缘计算无人机通信网络聚类算法深度强化学习算法计算卸载

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的移动机器人路径规划方法研究

基于强化学习的移动机器人路径规划方法研究

引用

作者：张荣霞山东科技大学

学位级别：硕士

如今，移动机器人应用的增长趋势彰显了机器人学在众多领域中的重要性，特别是在自动化工业环境中，路径规划发挥着重要作用。传统的路径规划方法，无法在复杂的环境中处理复杂高维环境信息，或者容易陷入局部最优问题，缺乏对环境的适... 详细信息

如今，移动机器人应用的增长趋势彰显了机器人学在众多领域中的重要性，特别是在自动化工业环境中，路径规划发挥着重要作用。传统的路径规划方法，无法在复杂的环境中处理复杂高维环境信息，或者容易陷入局部最优问题，缺乏对环境的适应能力。　　为了提高移动机器人的自主路径规划能力，在移动过程中既能避开障碍物，又能快速规划出最短路径。本文设计并实现了基于强化学习以及深度强化学习的算法，使移动机器人总能从起点到目标点规划出一条无障碍路径。本文实现的主要工作包括:　　(1)针对基于强化学习的模拟退火-Q(λ)学习算法存在空间泛化问题，将模糊控制算法与模拟退火-Q(λ)学习算法相结合，得到FSA-Q(λ)学习算法，不仅解决了连续状态空间泛化问题，也加速了算法的收敛速度，避免陷入局部最优的问题，动作的探索与利用平衡的问题也得到妥善解决。将FSA-Q(λ)学习算法应用到二维动态障碍物环境中进行路径规划，实验证明，无论起点，终点如何变化，智能体都可以找到从起点到目标点的无障碍路径，这表明该算法具有很强的空间泛化能力，它可以不断更新模糊规则库，增加agent的经验知识，最终找到最优路径。　　(2)深度确定策略梯度算法（DeepDeterministicPolicyGradient，DDPG）算法存在训练时间过长、训练数据需求大、训练初期的学习策略不稳定等问题。针对DDPG算法的缺点以及DDPG算法改进措施的对比实验，得到算法性能较优的基于优先经验回放(PrioritizedExperienceReplay，PER)的DDPG算法。DDPG-PER算法将OU(Omstein-Unlenbeck，OU)随机过程代替传统的ε-greedy策略，增加算法对未知环境的探索欲望，使用优先经验回放的方法，使得机器人可以有选择地重放经验动作，提升了网络数据训练的效率，提高了算法的性能。但DDPG-PER算法通常使用均方误差损失函数进行采样，不能很好的处理离群数据的问题。针对此问题，本文将优先经验回放中的TD误差函数调整为分段函数，使用胡贝尔损失函数代替原始的误差函数，根据TD误差值与阈值的大小关系调整样本优先级，减少非均匀采样带来的误差。在奖惩函数上，借鉴FSA-Q(λ)学习算法的路径规划奖惩函数设计，将机器人的行为分解为避障行为和引导行为，机器人根据与障碍物的距离调整奖惩值，使移动机器人的路径规划算法更加具有实时性。对神经网络的激活函数进行改进，不同层数的神经网络采用不同的激活函数，提高路径规划的效率。将DDPG-PER算法与改进DDPG-PER算法进行对比，Gazebo仿真环境实验表明改进DDPG-PER算法在本文仿真环境中路径规划的有效性。

关键词：移动机器人深度强化学习算法改进DDPG-PER算法路径规划

来源：评论

学校读者我要写书评

暂无评论

空地协同网络的智能缓存机制研究

空地协同网络的智能缓存机制研究

引用

作者：秦宏志沈阳航空航天大学

学位级别：硕士

无人机辅助的空地协同网络缓存是移动边缘计算(Mobile Edge Caching,MEC)的关键组成部分,它利用无人机的缓存资源,在非高峰时期对热点内容进行缓存,在高峰时期为用户提供缓存内容。由于无人机的能量和缓存资源有限,不同的缓存策略会对... 详细信息

无人机辅助的空地协同网络缓存是移动边缘计算(Mobile Edge Caching,MEC)的关键组成部分,它利用无人机的缓存资源,在非高峰时期对热点内容进行缓存,在高峰时期为用户提供缓存内容。由于无人机的能量和缓存资源有限,不同的缓存策略会对缓存命中率和内容传输时延产生影响。因此,本文考虑在提高无人机能量效率的同时,解决缓存文件的选择与放置问题。本文首先提出了一种无人机辅助地面基站的智能缓存机制。在该机制中提出了一种内容流行度预测算法,分析内容受用户欢迎的程度,从而筛选出待缓存内容。利用深度强化学习算法(Deep Reinforcement Leaning,DRL)对待缓存内容的放置位置进行优化。根据用户请求,利用隐马尔科夫模型(Hidden Markov Model,HMM)实现缓存内容传输过程中无人机的高效调度。其次,为缓解无人机缓存空间有限的问题,进一步提出了一种无人机辅助的地面用户设备间通信(Device-to-Device,D2D)网络中的缓存与任务卸载优化机制。该机制利用地面用户本地的存储资源缓存内容,并在分析内容流行度的基础上,进一步提出了用户活跃度模型更准确的描述文件的流行度。为了实现任务卸载时的数据传输速率最大化,任务处理时间最小化,利用多智能体强化学习算法优化用户的计算任务卸载策略和无人机的部署。通过仿真实验对上述两种无人机辅助的空地协同缓存机制进行性能评估。结果表明,与现有的解决方案相比,本文所提出的智能缓存机制在提高内容缓存命中率的同时文件传输的时延明显降低,且通过无人机的合理部署与调度,提高了无人机的能量效率。

关键词：缓存策略优化无人机空地协同网络深度强化学习算法命中率

来源：评论

学校读者我要写书评

暂无评论

基于用户意图和环境模型的5G无线网络自治愈方法

基于用户意图和环境模型的5G无线网络自治愈方法

引用

作者：陈成北京邮电大学

学位级别：硕士

随着互联网的快速发展,各种新型业务层出不穷。为了应对终端连接数量和移动数据流量的快速增长所带来的挑战,同时为了给用户提供更好使用体验、更低传输时延以及更高传输速率的服务,5G网络应运而生。5G网络的应用给更多的业务场景带来... 详细信息

随着互联网的快速发展,各种新型业务层出不穷。为了应对终端连接数量和移动数据流量的快速增长所带来的挑战,同时为了给用户提供更好使用体验、更低传输时延以及更高传输速率的服务,5G网络应运而生。5G网络的应用给更多的业务场景带来了新的发展方向与前景,例如自动驾驶、海量机器通信、边缘计算、工业物联网(Industrial Internet of Things,ⅡoT)等行业应用也因为5G技术的发展而迎来更大发展机遇。未来5G网络由大量异构站点组成,单个站点覆盖范围较小,并兼容了毫米波、D2D等技术,管理非常复杂,其小区故障的概率也要高于3G和4G网络。5G网络需要在故障情况下,仍然需要保障高度可用性和可靠性。快速消除故障影响的手段即为自组织网络(SON,Self-Organized Networks)中的自治愈用例。自治愈包含中断检测和中断补偿两个阶段。在中断检测上,目前中断检测主要采用KPI数据,缺乏对用户意图和环境的感知,数据精度不够且无法及时检测;针对中断补偿,当前中断补偿方法主要为调节邻区基站参数或者增加移动基站,前者调节能力有限,后者则成本较高,并且都缺乏对用户的分级,且时效性不强。针对5G无线网络中小区中断检测问题,本文提出了一种基于网络用户意图和环境数据模型的中断检测方法。该方法通过网络用户意图解析得到网络问题和严重程度,明确受到中断影响的用户范围,并结合用户环境数据和基站KPI数据构成综合数据集合,然后再进行中断检测,获取中断基站的位置。具体的,首先,本文提出了基于改进TextCNN 算法(TI-TextCNN,TextCNN based on term frequency-inverse document frequency)的主客观意图转译方法,将用户的主观意图转化为网络问题类型,同时提出了基于改进双向LSTM算法(CA-BiLSTM,BiLSTM based on Convolutional Neural Networks)的网络用户情绪识别方法,将用户的情绪映射为网络问题的严重程度,并依据情绪等级确定受到中断影响的用户范围;其次,针对受影响用户定义了环境数据模型,采集网络环境数据,并结合了用户意图数据、地理位置数据和基站KPI数据生成综合数据集合;然后,提出了基于用户意图和环境数据模型的 KNN 算法(ID-KNN,K-Nearest Neighbor based on Intent of User and Data Model of Environment)对综合数据集合进行分析,在该算法中首先对数据进行降维,然后计算距离加权的K值并与阈值对比分析,诊断出中断的基站。最后,利用仿真实验进行验证,证明了本文所提出的中断检测方法相比较其他方法检测准确率更高,对无法单纯通过KPI数据检测出的中断问题能够很好的识别。针对5G无线网络中小区中断补偿问题,该方法在小区中断检测的基础上,针对中断基站,提出了意图驱动的智能化中断补偿方法。首先,针对网络中断场景进行建模,本文选取了天线下倾角、方位角和基站功率分配方案这三个参数作为优化对象,然后结合用户意图数据中的网络问题严重程度得到用户等级,并依此提出了加权用户传输速率最大化作为优化目标。然后,针对不同规模的网络,本文分别提出了改进粒子群算法IPSO和深度强化学习算法进行中断补偿。在粒子群算法中,将固定值权重修改成自适应权重,从而提升算法学习速率,并加快收敛。在深度强化学习中,结合网络特点确定奖励、行为和环境的设置。仿真结果显示,改进粒子群算法由于不需要预先训练模型,因此能够胜任中小规模的网络中断补偿,而深度强化学习算法则需要预先进行模型的训练,对于数据集的要求较高,但是能够在大规模复杂网络中发挥更好的补偿效果。综上所述,本文提出了一种基于用户意图和环境模型的5G无线网络自治愈方法,通过分析用户意图和环境数据模型,基于网络用户意图和环境数据模型实现中断检测,再利用人工智能算法进行中断补偿,能够快速识别和定位各类中断问题,并完成中断小区的精准快速补偿,为未来网络的自主智能管理提供了一种可行的方案。

关键词： 5G无线网络管理网络自治愈意图驱动粒子群算法深度强化学习算法

来源：评论

学校读者我要写书评

暂无评论

复杂环境下的移动机器人路径规划方法研究

复杂环境下的移动机器人路径规划方法研究

引用

作者：方立平南昌工程学院

学位级别：硕士

随着科技的发展,移动机器人的应用越来越广泛,其场景也变得复杂多变,这使得对其功能和性能的要求也不断提高,其中移动机器人的自主导航能力对它的广泛应用起到了重要作用,而良好的路径规划技术是实现移动机器人自主导航的基础。因移动... 详细信息

随着科技的发展,移动机器人的应用越来越广泛,其场景也变得复杂多变,这使得对其功能和性能的要求也不断提高,其中移动机器人的自主导航能力对它的广泛应用起到了重要作用,而良好的路径规划技术是实现移动机器人自主导航的基础。因移动机器人的工作环境复杂多变,移动机器人在导航过程中进行路径规划时不仅要考虑静态的障碍物,还要处理状态不断变化的动态障碍物,而传统的路径规划方法不能适应复杂多变的环境。为此,本文以移动机器人为研究对象,针对静态及动态环境下移动机器人的路径规划算法提出改进,使得移动机器人可以规划出更好的路径。主要的研究内容如下: (1)基于改进蚁群算法的全局路径规划。为解决在移动机器人路径规划的过程中蚁群算法收敛速度慢、易于陷入局部最优等问题,提出了一种改进的蚁群算法。首先对传统蚁群算法在栅格环境中做机器人路径规划任务时经常穿过对角障碍物的问题,对移动机器人的行进机制进行改进,使其避开对角障碍物;其次采用非均匀的信息素初始化方法,减少蚁群算法搜索初期的盲目性,加速算法收敛;然后设置自适应的信息素挥发系数,让信息素挥发系数随迭代次数的变化而变化,并增加信息素浓度范围限制条件,从而提升算法的全局搜索能力;最后设计了一种拐点优化方法,减少最优路径的节点数并减短路径长度。通过仿真实验验证了本文改进算法在收敛速度和路径优化方面的提升,以及在不同规模地图中的适应性和有效性。 (2)基于改进深度强化学习算法的局部路径规划。针对移动移动机器人在复杂多变环境中使用深度强化学习算法进行路径规划时算法训练时间长、收敛速度慢的缺点,提出一种改进双延迟深度确定性策略梯度(Twin Delayed Deep Deterministic Policy Gradient,TD3)的方法。首先针对传统深度强化学习在路径规划中存在的奖励函数相对单一的问题,引入人工势场中的引力场和斥力场,优化TD3算法的奖励函数,通过更优秀的奖励机制引导移动机器人合理地躲避障碍物前往目标点;然后设计运动约束规则对移动机器人的运动方向进行约束,使得运动轨迹更加平滑流畅。通过仿真实验验证了本文方法的优越性。 (3)基于全局路径参考的局部路径规划仿真实验。在一个全局环境信息已知而局部环境信息未知的仿真实验环境中,首先使用改进的蚁群算法规划出一条全局路径;然后以此路径作为参考路径,在参考路径上设置突障碍物,使用基于改进TD3算法的局部路径规划方法进行局部路径规划实验,实验结果表明本文所提方法在复杂环境下移动机器人路径规划的有效性。

关键词：移动机器人路径规划蚁群算法深度强化学习算法

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共7页 << < 1 2 3 4 5 6 7 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：