-
公开(公告)号：CN115577175A
公开(公告)日：2023-01-06
申请号：CN202211233566.X
申请日：2022-10-10
Applicant: 大连理工大学
IPC: G06F16/9535 , G06Q10/04 , G06N3/04 , G06N3/08
Abstract: 本发明属于深度学习方向的个性化路径推荐算法领域，涉及一种基于深度学习引导的A*算法的个性化路径推荐算法，包括：对数据进行预处理，从用户历史出行信息中提取可用数据；CNN+LSTM神经网络通过提取出的数据学习其中隐含的用户的个性化偏好特征，利用CNN+LSTM神经网络进行路径规划，得到备选路径；选路径的评测标准作为A*搜索算法的估算函数，用于A*搜索算法的迭代过程中下一时刻结点选取的依据；经A*搜索算法规划出的路径为最终求解结果即为用户推荐的个性化路径。该算法为现代导航系统的路线推荐功能提供了新的选择，能为用户提供更契合用户需要的路线建议，提升用户对导航服务的满意度，提高交通出行的质量。
-
公开(公告)号：CN113886672A
公开(公告)日：2022-01-04
申请号：CN202111225568.X
申请日：2021-10-21
Applicant: 大连理工大学
IPC: G06F16/953 , G06N3/00 , G06N3/12
Abstract: 本发明提供了一种基于局部搜索和种群增强进化策略的网络关键节点识别方法，属于组合优化技术领域。该方法采用启发式搜索方法对网络图进行搜索，采用贪婪法则初始化解集池过程；随机选取两个解进行交叉过程；之后进行提升过程；最后更新解集池，从交叉过程开始循环直到达到终止条件。本发明加入了初始化解集池和交叉策略，提高了解的多样性；针对单纯文化基因算法可能出现的迭代冗余过多的问题，将原有的基准值依次递减重新求解的方法改为只初始化一次解集池，减少冗余；同时在提升过程中加入割点策略，加快了运算速度。针对可能出现的种群趋同现象，以种群中节点的重复度为依据，使用若干个随机解替换掉种群中最差的解，提高了种群中解的多样性。
-
公开(公告)号：CN112859847A
公开(公告)日：2021-05-28
申请号：CN202110010473.X
申请日：2021-01-06
Applicant: 大连理工大学
IPC: G05D1/02
Abstract: 一种工作在通行方向限制下的多机器人协同路径规划方法，其属于多机器人协同控制技术领域。该方法以路径长度与路径平滑度作为路径评价标准，使用A*算法进行单机器人路径规划；然后在全局地图中根据机器人的位置信息及占位信息，建立与栅格地图尺寸一致的、可以动态更新的通道状态表；接着对于路径规划层生成的路径，再判断是否存在局部环路；最后结合通道状态表中相关栅格的占用状态，判断局部环路优化的条件是否成立，成立则将优化后的路径下发给机器人，并更新通道状态表。该方法利用通道状态表，描述机器人之间的相互影响，在实现动态碰撞避免的基础上，对通行方向限制导致的局部环路现象进行分析处理，减小路径代价，提高整体工作效率。
-
公开(公告)号：CN111176892A
公开(公告)日：2020-05-19
申请号：CN201911333317.6
申请日：2019-12-23
Applicant: 大连理工大学
IPC: G06F11/14
Abstract: 本发明公开一种基于备份策略的对抗式搜索方法，属于零和博弈策略搜索领域。本发明通过优化经典极大极小算法的备份规则，提出了一种迭代最优极大极小(IOM)算法。该方法包括如下步骤：首先，利用静态评估函数计算任一给定节点的评估值。然后，根据备份规则以反向传播的方式更新每个节点的最终值，即，每个节点的最终备份值等于其评估值减去其子节点中的最大备份值的两倍。本发明在计算中间节点最终状态值时所使用的备份规则，为减小博弈树中病态节点对决策质量的影响提供了一种解决方法。与误差最小化极大极小算法以及经典的极大极小算法相比，本发明所述的迭代最优极大极小算法在搜索深度有限的条件下提高了决策质量。
-
公开(公告)号：CN120031334A
公开(公告)日：2025-05-23
申请号：CN202510194631.X
申请日：2025-02-21
Applicant: 大连理工大学
IPC: G06Q10/0631 , G06Q10/04 , G06Q50/04 , G06F17/10 , G06N3/006
Abstract: 本发明公开了一种基于改进模因搜索算法的柔性作业车间调度方法，属于作业车间调度技术领域。本发明对机器选择和工序排序采用两段式方式编码，并采用混合初始化种群生成策略，设计了一种新型的取优算子来指引搜索的方向，并将取优算子与基于工序优先的交叉算子和均匀交叉算子结合形成混合领域搜索策略，加入自适应交叉和变异策略提高搜索效率，随后基于关键路径和禁忌搜索对优秀个体进行局部搜索，最终获得完工时间最短的个体。实验证明，与传统的模因算法以及其它先进的算法相比，本发明所述方法获得了更好的求解性能。
-
Patent Agency Ranking
公开(公告)号：CN117291255A
公开(公告)日：2023-12-26
申请号：CN202311291584.8
申请日：2023-10-08
Applicant: 大连理工大学
Abstract: 本发明提出了一种基于中继训练和博弈的分层强化学习方法，属于人工智能中的强化学习领域。本发明将博弈思想融入强化学习中，并借助分层结构训练出可以提出目标任务的高层策略和负责执行目标任务的低层策略，从而缓解强化学习维数灾难以及采样效率低下的问题。特别地，在低层策略训练过程中，智能体在博弈中学习，并引入辅助惩罚和中继机制：辅助惩罚控制训练任务的难度，中继机制扩大智能体探索环境的范围，从而使得智能体更加了解环境，极大地提升了训练效果。
-
公开(公告)号：CN114154397B
公开(公告)日：2024-05-10
申请号：CN202111316717.3
申请日：2021-11-09
Applicant: 大连理工大学
IPC: G06F30/27 , G06F18/214 , G06N3/092 , A63F13/822
Abstract: 本发明公开了一种基于深度强化学习的隐式对手建模方法，属于多智能体强化学习方向的对手建模领域。本发明围绕动态博弈环境下的对手建模问题，利用深度强化学习技术提出了一种改进的隐式对手建模方法。该隐式建模方法不依赖于特定领域知识，能适应对手策略的动态变化，同时还解决了过度估计问题并具有较快的收敛速度。
-
公开(公告)号：CN117173595A
公开(公告)日：2023-12-05
申请号：CN202310763417.2
申请日：2023-06-27
Applicant: 大连理工大学
IPC: G06V20/17 , G06V10/46 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 本发明属于图像处理领域，具体涉及一种基于改进YOLOv7的无人机航拍图像目标检测方法，解决无人机航拍图像目标检测问题。首先，获取训练数据集并进行数据增强处理。然后，搭建基于改进YOLOv7的无人机航拍图像目标检测网络；基于最大迭代次数，用训练样本对搭建的目标检测网络进行训练。最后，使用训练好的目标检测网络对无人机航拍图像进行目标检测。相较于现有方法，该方法更有效地关注到图像中的小目标，提高了检测的准确率。
-
公开(公告)号：CN111176892B
公开(公告)日：2023-06-09
申请号：CN201911333317.6
申请日：2019-12-23
Applicant: 大连理工大学
IPC: G06F11/14
Abstract: 本发明公开一种基于备份策略的对抗式搜索方法，属于零和博弈策略搜索领域。本发明通过优化经典极大极小算法的备份规则，提出了一种迭代最优极大极小(IOM)算法。该方法包括如下步骤：首先，利用静态评估函数计算任一给定节点的评估值。然后，根据备份规则以反向传播的方式更新每个节点的最终值，即，每个节点的最终备份值等于其评估值减去其子节点中的最大备份值的两倍。本发明在计算中间节点最终状态值时所使用的备份规则，为减小博弈树中病态节点对决策质量的影响提供了一种解决方法。与误差最小化极大极小算法以及经典的极大极小算法相比，本发明所述的迭代最优极大极小算法在搜索深度有限的条件下提高了决策质量。
-
公开(公告)号：CN115456179A
公开(公告)日：2022-12-09
申请号：CN202211199815.8
申请日：2022-09-29
Applicant: 大连理工大学
Abstract: 本发明提出了一种基于深度学习的加速最大可满足性问题局部搜索方法，属于布尔可满足性问题的局部搜索求解技术领域。本发明可以在不同PMS局部搜索求解器使用之前，输入将要求解的对应PMS问题，随后通过门控图卷积神经网络(GGCN)和多边图卷积神经网络(MGCN)输出一组确定初始解分配。实验证明，以通过深度学习获得的初始解为搜索起点的不同局部搜索求解器均获得了巨大的求解性能提升。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.021 seconds)
