科研之友
微信
新浪微博
Facebook
分享链接
摘要
在利用深度学习实现列车智能驾驶时，神经网络架构和参数的选择过于依赖人工经验，现有梯度下降法在参数优化时易陷入局部最优，且学习任务单一。针对上述问题，提出一种自适应多种群链式多智能体算法(AMPCMA)优化LSTM网络的列车智能驾驶新方法，该方法有机地将计算智能与深度学习结合，能充分挖掘优秀驾驶员数据。其具体实现过程为：首先，从自动化深度学习角度出发，采用遗传算法(GA)优化深度网络结构，克服了其结构难以确定的问题，并在此基础上分粗、细学习2个阶段对整个网络的参数进行优化。在粗学习阶段，采用AMPCMA算法对LSTM参数预置初值，有效地学习多个任务的共性。该算法能在进化过程中动态调整小种群链表规模，具有较好的灵活性和自适应性。接着在细学习阶段，基于上述多任务共性学习所得到的LSTM参数，再用Adam算法分别对单个任务上的参数精细优化，以实现任务的个性学习；其次，有效地设计了多任务之间的信息共享机制，且任务共性和个性学习有机结合，使得整个网络泛化能力强，较好地改善了列车档位、档位操纵时间和列车速度的多任务决策效果；最后，通过仿真实验验证了所提出的AMPCMA-LSTM模型较传统机器学习方法更优越，提高了列车操控与预测精度，并能在多种操控序列下表现出较强的鲁棒性。
- 单位
