基于MADDPG的多无人机协同任务决策

针对多无人机任务决策方法研究中传统优化算法难以在短时间内得到期望结果的问题,基于深度强化学习提出一种无人机多智能体深度确定性策略梯度(MADDPG)算法,通过允许无人机在学习时使用全局信息,在应用决策的时候只使用局部信息的方法,从网络结构、状态空间、动作空间和奖励函数设计了MADDPG算法的模型结构。最后通过仿真实验,并对比深度确定性策略梯度(DDPG)算法,验证了本文提出的MADDPG算法在保证精度的基础上,学习速度大幅度提高,弥补了传统强化学习算法在多智能体领域的不足。

基于网络负载均衡的无人作战系统跨云层任务分配方法

网络化作战已成为未来战争的必然趋势,提出了"多层云架构"系统,该系统针对战场上多种资源进行统一调度、管理、协调和监控,充分实现资源高内聚、低耦合的控制逻辑,达到资源的快速配置、优化组合。并结合云计算技术和该系统下的资源配置模型进行分析,提出了基于负载均衡的跨云层任务分配方法。通过仿真验证:在"多层云架构"下基于负载均衡的跨云层任务分配方法能够有效均衡系统负载,快速高效地处理任务,提升系统效率。

基于DDPG的无人机路径规划

针对无人机路径规划中传统算法面对未知情况时适应程度低、在线求解效率低、计算量大等问题,基于深度强化学习DDPG算法,提出了一种无人机路径规划方法。采用策略网络和评价网络的双网络结构,拟合无人机路径规划决策函数和状态动作函数,根据状态空间、动作空间和网络结构设计了DDPG算法模型。通过仿真验证了所提出的路径规划方法的有效性。