科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对任务分析中任务协同交互耦合度高、影响因素繁多等问题，提出了基于序列解耦与深度强化学习的任务分析方法，实现了复杂约束条件下的任务分解及任务序列重构。该方法设计了基于任务信息交互的深度强化学习的环境，同时基于目标网络与评估网络损失函数间的差值改进SumTree算法，实现任务间的优先级评估；而后将激活函数运行机制引入深度强化学习网络，提取任务特征，提出贪婪激活因子，优化深度神经网络参数，确定智能体最优状态，从而进行智能体状态转换。最后，通过经验回放，生成多目标任务执行序列图。仿真实验结果表明，该方法能生成最佳调度下的可执行任务图；且相对于静态情景，该方法对动态情景有较好的自适应性，在领域任务筹划中具有良好的推广应用前景。
-
单位水资源与水电工程科学国家重点实验室; 武汉大学; 中国人民解放军海军工程大学
