基于多智能体强化学习的机场飞机滑行智能调度方法

通过智能调度优化航空器在滑行道系统的滑行过程可以提升场面飞机运行效率。针对国内某大型枢纽机场,提出了一种基于多智能体强化学习的机场飞机滑行智能调度方案。在中央控制器端,使用集中式学习框架和多智能体近端策略优化(MAPPO)算法生成分布式策略。该策略可根据机场场面信息决定每架飞机的移动方向和移动速度,在避免冲突条件下,最小化飞机的滑行时间,有效解决了机场资源冲突问题。

基于相互学习和SoftLexicon的中文命名实体识别模型

中文自然语言文本中实体边界区分难、语法复杂度大,中文命名实体识别(NER)难度往往比英文命名实体识别大。针对中文NER中分词误差传播的问题,提出一种基于相互学习和SoftLexicon的中文命名实体识别模型MM-SLLattice。首先,向字级别表示的句子中加入词信息的模型;然后,在词信息的引入过程中通过结合开放词典与领域词典信息来提高模型的精度;最后,在训练过程中,引入了深度相互学习减小泛化误差提高模型的性能。实验结果表明,该模型在不同类型的中文数据集的实体识别能力有提升,MM-SLLattice在MSRA数据集上F1值为94.09%,比独立网络提高了0.41个百分点,对比实验中F1值也优于其他主流模型协同图形网络(CGN)、卷积注意力网络(CAN)、LR-CNN。所提模型可以更精确地提取中文实体。