多智能体优化技术在室内WLAN规划中的应用

由于人们对无线通信的需求的增加以及通信质量的不断提升,无线局域网(Wireless Local Area Networks,WLAN)的接入点(Access Point,AP)部署问题在优化领域受到了越来越多的关注。目前,大量的文献都在研究WLAN规划问题,并提出了一系列优化技术。然而,这些技术的寻优能力在面对复杂的AP部署场景时就会下降。为了解决复杂的WLAN规划问题,本文在前人工作的基础上,提出了一种改进型多智能体优化算法。该算法基于分布式人工智能,从AP角度和全局角度来优化AP的布局。

多智能体遗传算法投影寻踪建模与实证研究

采用多智能体遗传算法(MGA)进行投影寻踪聚类(PPC)建模,对投影向量约束条件采用两种不改变迭代进化过程的归一化处理方法,经三种不同类型的数据分别进行建模,得到了相同的建模结果,有效地解决了求解最佳投影向量的最优化问题。对评价指标数据采用极大化或极小化(不同的归一化)处理方式,得到的投影向量系数互为相反数,同一样本的投影值之间只相差一个常数,说明PPC建模技术既可用于探索性研究,也可用于验证性分析。PPC技术主要用于大样本情况,稳健性和可靠性均较好;指标之间存在明显的相关性,会影响建模结果的有效性和合理性。

基于多智能体深度强化学习的无人机路径规划

为解决多无人机(unmanned aerial vehicle, UAV)在复杂环境下的路径规划问题,提出一个多智能体深度强化学习UAV路径规划框架.该框架首先将路径规划问题建模为部分可观测马尔可夫过程,采用近端策略优化算法将其扩展至多智能体,通过设计UAV的状态观测空间、动作空间及奖赏函数等实现多UAV无障碍路径规划;其次,为适应UAV搭载的有限计算资源条件,进一步提出基于网络剪枝的多智能体近端策略优化(network pruning-based multi-agent proximal policy optimization, NP-MAPPO)算法,提高了训练效率.仿真结果验证了提出的多UAV路径规划框架在各参数配置下的有效性及NP-MAPPO算法在训练时间上的优越性.

执勤行车时间的KMP-RBF融合预测方法

针对执勤车辆沿某一路径行驶时长难以预测的问题,文中提出一种KMP-RBF融合方法,采用GPS定位、悉尼自适应交通控制系统(SCATS)线圈作为融合信号源,建立路况信息选择融合模型,将模糊推理知识表达、MAPSO算法寻优和RBF网络训练相结合,自适应优化系统关键参数,从训练数据库匹配适用时间、空间数据.实验中,使用交通监控系统实测实验用车行驶时长数据,并与预测数据进行对比,从误差率、算法迭代与精确度方面证明文中方法是高效而可靠的.