联邦学习是一种新型的分布式机器学习方法,可以在不共享原始数据的前提下训练模型。当前,联邦学习方法存在针对模型准确率最优化、通信成本最优化、参与者性能分布均衡等多个目标同时优化难的问题,难以做到多目标的同步均衡。针对该问题,提出联邦学习四目标优化模型及求解算法。将全局模型错误率、模型准确率分布方差、通信成本、数据成本作为优化目标,构建优化模型。同时,针对该模型的求解搜索空间大,传统NSGA-Ⅲ算法难以寻优的问题,提出基于佳点集初始化策略的改进NSGA-Ⅲ联邦学习多目标优化算法GPNSGA-Ⅲ(Good Point Set Initialization NSGA-Ⅲ),以求取Pareto最优解。该算法通过佳点集初始化策略将有限的初始化种群以均匀的方式分布在目标求解空间中,相较于原始算法,使第一代解最大限度地接近最优值,提升寻优能力。实验结果证明,GPNSGA-Ⅲ算法得到的Pareto解的超体积值相较于NSGA-Ⅲ算法平均提升107%;Spacing值相较于NSGA-Ⅲ算法平均下降32.3%;对比其他多目标优化算法,GPNSGA-Ⅲ算法能在保证模型准确率的情况下,更有效地实现模型分布方差、通信成本和数据成本的均衡。
针对联合战场受损环境下作战过程所面临的作战单元损伤及杀伤能力不持续等问题,提出一种杀伤链分析构建与韧性优化方法。提出杀伤链韧性概念内涵、分析了其特点,并给出一个新的杀伤链韧性度量指标。在相关概念基础上,结合杀伤链元路径表示方法和指挥控制(command and control,C2)组织结构实现考虑,设计一种杀伤链分析构建方法,为后续韧性优化研究开展奠定了优选杀伤链基础。为高效解决受损环境下杀伤链的重组或重构问题,提出一种基于链间近似度的杀伤链韧性优化方法。在构建的海空联合作战场景上验证了所提方法和算法的科学性和有效性。
大语言模型(large language models,LLMs)一经诞生便受到了指挥控制(command and control,C2)组织领域的广泛关注,讨论LLMs的发展现状及主要功能,介绍C2组织结构模型,建立LLMs在C2组织领域的应用架构,全面分析C2组织中LLMs在处理态势、...
详细信息
大语言模型(large language models,LLMs)一经诞生便受到了指挥控制(command and control,C2)组织领域的广泛关注,讨论LLMs的发展现状及主要功能,介绍C2组织结构模型,建立LLMs在C2组织领域的应用架构,全面分析C2组织中LLMs在处理态势、任务、约束和方案等数据时的潜在应用,探讨LLMs在C2组织领域应用时的潜在风险。
暂无评论