随着协同计算的不断进步,环境-类、Agents、角色、组和对象(environments-classes,Agents,roles,groups and objects,E-CARGO)模型作为一种基于角色协同(role-based collaboration,RBC)技术受到了广泛关注。通过对基于E-CARGO的组多角...
详细信息
随着协同计算的不断进步,环境-类、Agents、角色、组和对象(environments-classes,Agents,roles,groups and objects,E-CARGO)模型作为一种基于角色协同(role-based collaboration,RBC)技术受到了广泛关注。通过对基于E-CARGO的组多角色分配(group multi-role assignment,GMRA)模型开展研究,提出了一个普适度更高的角色依赖的团队多角色分配(team multi-role assignment with role dependency,TMRARD)模型,涉及到引入角色依赖关系和团队共同目标后,如何将协作单元(Agents)有效分配给角色,以最大化群体表现与协同效应。将TMRARD形式化建模,针对角色依赖约束的复杂性,对依赖输入规模进行合理性分析,设计出基于混合整数线性规划(mixed-integer linear programming,MILP)的Gurobi求解策略,并用仿真实验验证了该方法的有效性与鲁棒性,在大规模和复杂约束情形下性能显著,以期为协同计算的决策支持提供新的思路。
本文提出了一种基于YOLOv8的元素定位方法,利用计算机视觉技术解决了传统方法的诸多局限。首先,把多梯度融合特征提取(channel-to-pixel,C2f)模块中的Bottleneck模块替换为新的动态蛇形卷积(dynamic snake convolution,DSConv)模块,其能够根据特征自适应学习感兴趣区域;其次,在主干网络增加SE通道注意力机制,能够感知主要目标图像特征;最后,使用Wise-IoU损失函数替代原先的交并比(intersection over union,IoU)损失函数,从而克服梯度消失的问题。通过消融和对比实验,与基线模型相比在精确度、F_(1)分数和mAP@0.5分别提升了6.7%、9.7%、7.8%,在应用进行元素定位时准确率均能获得明显的提升。
暂无评论