-
公开(公告)号：CN118938999A
公开(公告)日：2024-11-12
申请号：CN202411005423.2
申请日：2024-07-25
Applicant: 东南大学 , 北京京航计算通讯研究所
IPC: G05D1/695 , G05D109/20
Abstract: 本发明提出了一种无人机集群通信与决策针对链路动态性的智能目标任务分配方法，以应对链路动态性带来的挑战。随着无人机网络结构日趋复杂，链路的不稳定性对智能体间的交互稳定性造成影响。本方法通过分组、分层策略，将受动态性因素影响的任务迁移给其他智能体，减少任务接收次数，降低动态性因素传播风险，更好更智能地完成目标任务分配工作。具体操作包括将无人机建模为智能体，将不同层次的无人机群建模为网络层，对智能体任务进行三类分组，并根据智能体接受和任务完成的风险与成本，选择迁移智能体。与传统集中式任务迁移方法相比，本发明有效减轻了动态性因素影响，提高了任务完成率。
-
公开(公告)号：CN118966646A
公开(公告)日：2024-11-15
申请号：CN202411005417.7
申请日：2024-07-25
Applicant: 东南大学 , 北京京航计算通讯研究所
IPC: G06Q10/0631 , G06N5/04 , G06N3/0442 , G06N3/042 , G06N3/092
Abstract: 本发明提供了一种针对无人机群中辅助任务不确定到达时间特性的任务目标分配方法，以解决大规模混杂智能无人机群体面对周期性到达的辅助任务决策时的局部最优性问题。在高动态博弈场景中，智能无人机群体需要执行的任务分为主要任务与辅助任务，辅助任务完成可以对主要任务起辅助作用，降低其执行时间。面对实际对抗环境中辅助任务的到达时间与影响范围不确定的情况，提出以下方法。首先，该方法构建任务之间的注意力模型为任务计算特征向量；其次，任务的到达时间等属性结合构建智能体和任务之间的注意力模型；最后，使用分层强化学习的方法对任务进行分配处理。本方法加快了任务整体的完成时间，提高了系统的存活率。
-
公开(公告)号：CN119130050A
公开(公告)日：2024-12-13
申请号：CN202411246900.4
申请日：2024-09-06
Applicant: 北京京航计算通讯研究所
IPC: G06Q10/0631 , G06Q10/04 , G06N3/006
Abstract: 本发明涉及一种适用于复杂任务场景的多智能体目标分配方法，属于智能体集群技术领域；方法包括：在复杂任务场景下，定义智能体集群目标分配行为、优化目标，建立智能体集群目标分配问题的数学模型，并定义约束；将智能体集群目标分配问题拆分为多智能体行为设计问题和任务分配问题；针对多智能体行为设计问题，通过对场景环境进行有序分割，在每个分割后的子区域内，分别寻找近似最优的路径；针对任务分配问题，通过估计不同任务分配策略所带来的目标分配增益，选择产生最大目标分配增益的任务组合进行任务分配。本发明提供的策略方法可以取得接近最优的目标分配增益，有效地在目标分配效果与计算效率之间达成平衡。
-
公开(公告)号：CN113112361B
公开(公告)日：2025-04-22
申请号：CN202110361436.3
申请日：2021-04-02
Applicant: 东南大学
IPC: G06Q40/04 , G06Q10/0635 , G06F16/245 , G06N5/04
Abstract: 本发明公开了一种大宗商品交易中的监管主体联盟形成方法与系统，用于大宗商品电子商务交易背景下，对交易中存在的风险形成具体的监管任务，为执行监管任务形成可提供稳定高效监管资源的监管主体联盟，根据大宗商品交易中单笔交易的基本信息与所需监管服务类型形成监管任务，通过学习历史风险交易事件建模监管资源及监管主体；针对具体的监管任务根据资源匹配求解任务分配问题，寻找可执行该任务且监管收益最高的监管主体，所有监管主体协作执行监管任务即可视为一个监管联盟，以达到对交易中风险事件执行监管以降低损失的目的。
-
公开(公告)号：CN116776963A
公开(公告)日：2023-09-19
申请号：CN202310637974.X
申请日：2023-05-31
Applicant: 东南大学
Abstract: 本发明提出了针对对抗场景下不确定性辅助任务的分层强化学习方法。首先进行上层的任务分配阶段，智能体先获取全局环境信息，然后提取出其中对自身重要的辅助任务信息，再基于此提取出重要的主要任务信息，最后结合其它智能体的信息学习出任务分配策略；然后进行下层的任务执行阶段，智能体先根据分配结果构建专属子环境，然后在子环境内学习出任务执行顺序，最后执行具体动作。本专利提出的分层强化学习算法可以更高效地帮助多智能体系统学习如何执行不确定辅助任务，通过先学习上层的多智能体不确定辅助任务分配策略，再学习下层的单智能体不确定辅助任务执行策略，分别解决不确定辅助任务对群体和个体的影响，可以有效降低问题的复杂度。
-
Patent Agency Ranking
公开(公告)号：CN113111935A
公开(公告)日：2021-07-13
申请号：CN202110372411.3
申请日：2021-04-07
Applicant: 东南大学
Abstract: 本发明公开了一种大宗商品电子商务市场中基于交易数据实时聚类的相同交易主体判定方法，所述方法用于判断两个交易主体是否为相同交易主体，所述方法包括：对于实时到来的交易数据基于交易品种、交易时间和交易规模进行实时聚类；基于聚类结果中相同簇中的相似交易比例获得两个交易主体的交易相似度；若所述交易相似度大于相似度阈值，则判定所述两个交易主体是同一交易主体，本发明解决了传统的基于交易主体的注册信息判定相同主体的方法难以应用在大宗商品跨平台交易情景的问题，有效利用交易信息，聚集相似交易，实现从相似交易角度进行相同主体判定。
-
公开(公告)号：CN119005462A
公开(公告)日：2024-11-22
申请号：CN202411005431.7
申请日：2024-07-25
Applicant: 东南大学
IPC: G06Q10/047 , G06Q10/0631
Abstract: 本发明提出了一种基于分支定价算法的多信息采集机器人避险方法，旨在提高机器人在敌方围捕和攻击下的安全执行任务的能力。在对抗环境中，机器人执行信息采集、战场救援等危险任务。为了提高避险成功率，本发明将问题分解为采集策略和任务分配两个子问题，并提供解决方案。首先，采用分支定价算法为机器人设计避险行为策略；其次，在策略基础上，使用策略图算法优化任务分配，以获得最优避险任务分配策略。这两种算法结合考虑任务完成时间和避险增益，使机器人在相同时段内同一区域执行任务，最大化避险效益。
-
公开(公告)号：CN118966649A
公开(公告)日：2024-11-15
申请号：CN202411005438.9
申请日：2024-07-25
Applicant: 东南大学
IPC: G06Q10/0631
Abstract: 本发明提出了一种大规模无人机集群在线任务调配优化方法，包括一个在线调配框架和三种针对低优先级任务、高优先级任务、混合优先级任务的调配策略。首先，无人机被建模为智能体，大规模集群中的无人机按层次建模为网络层，并对智能体上的任务和新到来的在线任务进行建模。其次，为处理实时任务并降低开销，设计了包含任务输入预处理、计算调度、处理反馈三个阶段的在线调配框架。最后，基于框架，分别设计了被动调配策略应对低优先级任务，主动调配策略应对高优先级任务，以及主被动结合策略应对混合任务集，旨在减少调配对系统影响，提升任务成功率和完成率。
-
公开(公告)号：CN118966648A
公开(公告)日：2024-11-15
申请号：CN202411005427.0
申请日：2024-07-25
Applicant: 东南大学
IPC: G06Q10/0631 , G06N3/045 , G06N3/092
Abstract: 本发明提出了一种针对多无人机集群任务迁移的混杂图注意强化学习方法。该算法基于混杂注意力机制的多智能体强化学习，通过使用混杂注意力通信机制来学习群体结构的结构影响。具体而言，每个组的领导智能体首先通过组内注意网络了解组内智能体之间的影响关系，分析在多无人机集群下的策略关联，获得每个组的动态沟通信息。随后，各智能体通过组间注意机制综合多个组间的通信信息，学习组间的动态交互，获取任务迁移策略，最终，引导智能体实现高效的任务迁移和协作。
-
公开(公告)号：CN116932217A
公开(公告)日：2023-10-24
申请号：CN202310925250.5
申请日：2023-07-25
Applicant: 东南大学
IPC: G06F9/50
Abstract: 本发明提供了一种多重网络化产业链中面向智能体动态性的自适应任务迁移方法，以解决网络层与任务不匹配导致负载不均衡、智能体过载风险的问题。首先，将多重网络化产业链上的智能体进行动态性建模，并选择网络层内的后备智能体来替换故障智能体；其次，为了解决网络层间出现负载不均衡问题，计算各网络层间的状态势场，随着势场降低的方向进行网络层间任务迁移；最后，为了减少智能体的过载风险，计算网络层内各智能体的状态势场，通过势场梯度进行网络层内的任务迁移。与传统基于单一方法任务迁移策略相比，本方法研究网络层内与网络层间任务迁移的特性，实现网络层间的负载平衡，同时能有效减少智能体过载风险，提高产业链的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
36
records
(took 0.043 seconds)
