基于模拟退火与强化学习机制的任务分析方法

针对常规任务分析中任务间信息交互因素复杂且评估指标单一,提出了基于模拟退火选择策略的强化学习改进算法,实现了一种面向复杂因素的强化学习改进的任务序列重构及任务图生成方法;以模拟退火思想为基础,将Q学习机制引入退火转换因子,实现任务序列重组;依据任务间信息交互模型和退火因子元素,构建智能体(Agent)运行环境,计算收敛动作状态表(Q-table),确定任务最优状态,进行任务状态转换,通过迭代学习,最终生成任务执行序列图;通过仿真实验,研究结果表明:该方法能有效解决任务分析中多方条件限制的任务序列重组问题,且对动态情景有更强的适应性,其任务序列图执行效率高,能完善多维度条件限制情况的应对机制。