基于智能代理的车间调度仿真系统研制
这是一篇关于智能代理,多智能体,车间调度,仿真系统,分配策略,调度规则,合同网协议的论文, 主要内容为车间调度是现代制造系统的主要组成部分,车间调度问题实质是一个事先为作业分配资源的优化决策过程,即对一个可用的加工机床集在时间上进行加工作业集的分配,以满足某个性能指标集。在现代化制造系统中,随着企业规模的扩大,解决好企业车间调度问题,是实现生产自动化、高效率和高柔性的关键所在;作为一类典型的组合优化问题,车间调度的研究具有重要的理论和实用价值。正确处理好车间调度问题,可以为企业节约大量的人力、物力,使制造设备和资源可以得到更加有效充分地利用,提高企业的生产效率。 车间调度不仅是一个NP难题,而且是已知的同类型问题中最坏命题。由于车间制造信息庞杂,特别是车间生产过程中各种不确定性因素普遍存在(如设备故障,操作人员缺席,紧急订单的产生等)。此外,车间制造活动中还存在大量不精确信息和不完备信息,所有这些因素使得车间调度问题变得很复杂。 本文从智能代理和仿真方法着手,用GAIA的方法建立起车间调度模型,通过对模型地分析,把复杂的车间调度问题抽象为管理Agent、机器Agent和工件Agent,重点分析了这三种智能代理间的通信机制和基于合同网的招标—投标过程,并且以“最短完工时间和企业获得最大的经济效益为衡量标准”,设计了一套调度分配策略和调度规则,为了保障车间调度能有效、持续地进行,还建立起惩罚措施。最后通过以具体的车间调度实例为对象,在WindowsXP平台下,采用SQLServer2000进行数据库库设计,用C#语言开发出智能车间调度仿真软件。 该软件能根据动态订单流的需求,合理安排工件到设备上进行有效加工,其过程具有智能化、动态性,这对优化和改进车间调度算法,具有重要的参考价值。同时能够充分发挥设备的可利用性,提高调度速度,增强企业生产效率,最大限度的获得经济效益。
基于SSH2架构的分布式多智能体风电场监测系统
这是一篇关于风电场,多智能体,状态监测,SSH2架构,Java Web的论文, 主要内容为随着世界各国经济的发展,环境问题日益严峻,大力开发清洁能源势在必行。我国风电产业发展迅猛,总装机容量连续三年超过美国,稳居世界第一,但频发的风力发电机故障也给风电场带来不小的经济损失。目前的风电场,大多采用日常巡检及事后维修方式,效率低、成本高,风电场风机设备监测系统,均由厂家一体化设计,软硬件耦合,缺乏灵活性,且无法扩展监测对象,不可以实现分布式监测。 应用分布式多智能体技术,设计风电场设备状态监测系统,底层Agent负责相应监测对象的数据采集及分析处理,并将结果上传；顶层的协调与管理Agent收集各底层Agent的处理结果,通过对数据采集与处理Agent运行权限的登记与注销,灵活增加或减少监测对象,无需变动顶层软件即可实现底层硬件与顶层软件的解耦。数据采集后需进行快速傅里叶变换及小波分析等处理,进而提取故障特征值,故引入分布式计算方法,将复杂的数学运算分摊给底层Agent;采用基于合同网协议的多Agent协作方式,底层Agent参与任务投标,由顶层Agent进行评价并授予任务。 传感器及相应的嵌入式系统构成系统底层硬件单元,顶层软件采用基于J2EE规范的SSH2框架搭建风电场设备状态监测管理系统。系统采用浏览器／服务器模式,减轻风机客户端的系统开销,使其专注于风机监测任务,发挥服务器事务处理能力强的优势；在轻量级SSH2框架中,利用Struts2框架在表示层的优点,高效处理中控室下达的各种控制命令；基于Spring框架中依赖注入的解耦策略,以配置文件的方式将监测系统的业务逻辑组织在一起,由Spring进行管理并自动实现对象的实例化,在实现解耦的同时达到减少系统开销的目的；在持久层使用Hibernate实现与风电场监测系统数据库的交互,通过对JDBC进行轻量级封装,能够将因数据持久层的变动而引起的修改量减至最小；最后,采用TCP/IP协议,风机与主控室间进行无线局域网通讯,完成信息的传递。 实验结果表明,监测系统能实时监测风电机组各基本单元的运行状态,且机组各运行单元之间及机组之间的监测相互独立、互不影响。
基于智能代理的车间调度仿真系统研制
这是一篇关于智能代理,多智能体,车间调度,仿真系统,分配策略,调度规则,合同网协议的论文, 主要内容为车间调度是现代制造系统的主要组成部分,车间调度问题实质是一个事先为作业分配资源的优化决策过程,即对一个可用的加工机床集在时间上进行加工作业集的分配,以满足某个性能指标集。在现代化制造系统中,随着企业规模的扩大,解决好企业车间调度问题,是实现生产自动化、高效率和高柔性的关键所在;作为一类典型的组合优化问题,车间调度的研究具有重要的理论和实用价值。正确处理好车间调度问题,可以为企业节约大量的人力、物力,使制造设备和资源可以得到更加有效充分地利用,提高企业的生产效率。 车间调度不仅是一个NP难题,而且是已知的同类型问题中最坏命题。由于车间制造信息庞杂,特别是车间生产过程中各种不确定性因素普遍存在(如设备故障,操作人员缺席,紧急订单的产生等)。此外,车间制造活动中还存在大量不精确信息和不完备信息,所有这些因素使得车间调度问题变得很复杂。 本文从智能代理和仿真方法着手,用GAIA的方法建立起车间调度模型,通过对模型地分析,把复杂的车间调度问题抽象为管理Agent、机器Agent和工件Agent,重点分析了这三种智能代理间的通信机制和基于合同网的招标—投标过程,并且以“最短完工时间和企业获得最大的经济效益为衡量标准”,设计了一套调度分配策略和调度规则,为了保障车间调度能有效、持续地进行,还建立起惩罚措施。最后通过以具体的车间调度实例为对象,在WindowsXP平台下,采用SQLServer2000进行数据库库设计,用C#语言开发出智能车间调度仿真软件。 该软件能根据动态订单流的需求,合理安排工件到设备上进行有效加工,其过程具有智能化、动态性,这对优化和改进车间调度算法,具有重要的参考价值。同时能够充分发挥设备的可利用性,提高调度速度,增强企业生产效率,最大限度的获得经济效益。
异构多智能体博弈对抗的强化学习技术优化
这是一篇关于强化学习,多智能体,异构性,泛化性的论文, 主要内容为近年来,随着计算能力的提升和数据量的增长,人工智能逐渐成为计算机学科的热门研究方向。作为最贴近人类学习过程的人工智能方法,强化学习是目前最吸引人关注的明星领域之一。而多智能体强化学习作为博弈论和人工智能的交叉点,更是最前沿的研究点,目前已经在学界和业界得到广泛应用,例如机器人、游戏、推荐系统等。但是距离发展成为类似人脸识别或文本分类等成熟落地的人工智能技术,多智能体强化学习仍有许多科学问题和工业挑战需要克服。在多智能体强化学习的训练中,由于环境返回的奖励信号过于稀疏训练效率较低,训练所需的数据量巨大,导致训练的硬件要求和时间成本太高;并且现有的算法没有考虑到智能体之间的异构性,实际上这是多智能体博弈对抗问题中的一个重要因素;最后经过训练的强化学习模型经常过度拟合于特定任务,导致模型缺乏泛化性,使模型在应用于不同场景时不具备稳定性。针对多智能体博弈对抗问题中存在的异构性问题,本文提出分组的思想,将智能体按照观察空间和动作空间的特征划分为不同的种群,以此对异构问题进行建模并形式化为一个边际优化问题,通过交替最大化理论求解该优化问题并证明了其收敛性和局部最优性,为理解和促进异构智能体之间的关系提供了新的视角。在此基础上还提出了一种高效的两阶段异构融合迭代方法,通过微调的方法修改现有模型使其快速适应异构任务以提高效率,并通过迭代方法依次训练不同的智能体组直到算法收敛。针对模型的泛化性问题,提出了状态建模与特征提取的方法,将状态向量建模为一个与智能体数量无关的特殊矩阵并通过卷积网络从矩阵中提取有价值的特征,此外还使用了死亡掩码技术以避免死亡智能体对损失函数计算的影响。最后本文在星际争霸SMAC平台的不同场景地图中进行了广泛的实验,结果表明本文提出的方法在困难的异构多智能体任务中的表现显著优于SOTA算法并具有较好的泛化性。
基于陆股通订单流拆解的量化交易策略研究
这是一篇关于陆股通,多智能体,择时,量化策略的论文, 主要内容为为了加大境内市场的对外开放程度,从我国于2014年开始正式实施陆股通制度。自陆股通制度施行以来截止2021年底,已累计超16000亿元净资金通过该渠道净流入A股市场。作为外资持有内地股市的重要通道,2021年资金净流入量再创新高,全年累计净流入资金超4000亿元,同比增长超100%,布局A股市场的进程再加速,引发市场的强烈关注。同时随着计算机技术的快速发展,量化交易逐步被金融机构和个人投资者广泛使用。量化交易技术利用计算机技术、数学工具和综合性的数据来做出合理的交易决策。近年来,深度学习等及其学习方法受到投资者青睐,并将其应用至多领域下。本文主要基于以上两个角度,将针对陆股通资金进行结构化拆解,并将基于强化学习等理论构建市场的量化交易策略,以此关注陆股通资金的交易行为对我国内地金融市场的影响。本文首先回顾了国内对陆股通资金的研究现状和股票市场的量化策略研究。介绍多智能体强化学习、卡尔曼滤波器、K-means聚类模型的理论知,并将陆股通资金根据其托管机构的交易特性将资金订单流进行拆分并进行描述。再将陆股通订单流拆解后,根据细分出的不同类型资金体现出的特点,将多智能体强化学习、卡尔曼滤波等模型应用至股票市场,构建基于交易型资金的大类配置收益择时策略。同时根据基于行业净流入因子的构建,对策略进行进一步优化,提出出基于陆股通资金的双优配置策略并对模型进行回测。研究显示,将陆股通订单流拆解后,交易型资金在多智能体强化学习算法和卡尔曼滤波原理帮助下,可以有效对大类资产配置进行择时。同时,结合择时信号和行业选择的双优配置策略也可在市场上获得超额收益。本文最后对模型提出了改进和优化方法,并对强化学习在A股市场的应用进行展望。
基于智能代理的车间调度仿真系统研制
这是一篇关于智能代理,多智能体,车间调度,仿真系统,分配策略,调度规则,合同网协议的论文, 主要内容为车间调度是现代制造系统的主要组成部分,车间调度问题实质是一个事先为作业分配资源的优化决策过程,即对一个可用的加工机床集在时间上进行加工作业集的分配,以满足某个性能指标集。在现代化制造系统中,随着企业规模的扩大,解决好企业车间调度问题,是实现生产自动化、高效率和高柔性的关键所在;作为一类典型的组合优化问题,车间调度的研究具有重要的理论和实用价值。正确处理好车间调度问题,可以为企业节约大量的人力、物力,使制造设备和资源可以得到更加有效充分地利用,提高企业的生产效率。 车间调度不仅是一个NP难题,而且是已知的同类型问题中最坏命题。由于车间制造信息庞杂,特别是车间生产过程中各种不确定性因素普遍存在(如设备故障,操作人员缺席,紧急订单的产生等)。此外,车间制造活动中还存在大量不精确信息和不完备信息,所有这些因素使得车间调度问题变得很复杂。 本文从智能代理和仿真方法着手,用GAIA的方法建立起车间调度模型,通过对模型地分析,把复杂的车间调度问题抽象为管理Agent、机器Agent和工件Agent,重点分析了这三种智能代理间的通信机制和基于合同网的招标—投标过程,并且以“最短完工时间和企业获得最大的经济效益为衡量标准”,设计了一套调度分配策略和调度规则,为了保障车间调度能有效、持续地进行,还建立起惩罚措施。最后通过以具体的车间调度实例为对象,在WindowsXP平台下,采用SQLServer2000进行数据库库设计,用C#语言开发出智能车间调度仿真软件。 该软件能根据动态订单流的需求,合理安排工件到设备上进行有效加工,其过程具有智能化、动态性,这对优化和改进车间调度算法,具有重要的参考价值。同时能够充分发挥设备的可利用性,提高调度速度,增强企业生产效率,最大限度的获得经济效益。
基于SSH2架构的分布式多智能体风电场监测系统
这是一篇关于风电场,多智能体,状态监测,SSH2架构,Java Web的论文, 主要内容为随着世界各国经济的发展,环境问题日益严峻,大力开发清洁能源势在必行。我国风电产业发展迅猛,总装机容量连续三年超过美国,稳居世界第一,但频发的风力发电机故障也给风电场带来不小的经济损失。目前的风电场,大多采用日常巡检及事后维修方式,效率低、成本高,风电场风机设备监测系统,均由厂家一体化设计,软硬件耦合,缺乏灵活性,且无法扩展监测对象,不可以实现分布式监测。 应用分布式多智能体技术,设计风电场设备状态监测系统,底层Agent负责相应监测对象的数据采集及分析处理,并将结果上传；顶层的协调与管理Agent收集各底层Agent的处理结果,通过对数据采集与处理Agent运行权限的登记与注销,灵活增加或减少监测对象,无需变动顶层软件即可实现底层硬件与顶层软件的解耦。数据采集后需进行快速傅里叶变换及小波分析等处理,进而提取故障特征值,故引入分布式计算方法,将复杂的数学运算分摊给底层Agent;采用基于合同网协议的多Agent协作方式,底层Agent参与任务投标,由顶层Agent进行评价并授予任务。 传感器及相应的嵌入式系统构成系统底层硬件单元,顶层软件采用基于J2EE规范的SSH2框架搭建风电场设备状态监测管理系统。系统采用浏览器／服务器模式,减轻风机客户端的系统开销,使其专注于风机监测任务,发挥服务器事务处理能力强的优势；在轻量级SSH2框架中,利用Struts2框架在表示层的优点,高效处理中控室下达的各种控制命令；基于Spring框架中依赖注入的解耦策略,以配置文件的方式将监测系统的业务逻辑组织在一起,由Spring进行管理并自动实现对象的实例化,在实现解耦的同时达到减少系统开销的目的；在持久层使用Hibernate实现与风电场监测系统数据库的交互,通过对JDBC进行轻量级封装,能够将因数据持久层的变动而引起的修改量减至最小；最后,采用TCP/IP协议,风机与主控室间进行无线局域网通讯,完成信息的传递。 实验结果表明,监测系统能实时监测风电机组各基本单元的运行状态,且机组各运行单元之间及机组之间的监测相互独立、互不影响。
基于陆股通订单流拆解的量化交易策略研究
这是一篇关于陆股通,多智能体,择时,量化策略的论文, 主要内容为为了加大境内市场的对外开放程度,从我国于2014年开始正式实施陆股通制度。自陆股通制度施行以来截止2021年底,已累计超16000亿元净资金通过该渠道净流入A股市场。作为外资持有内地股市的重要通道,2021年资金净流入量再创新高,全年累计净流入资金超4000亿元,同比增长超100%,布局A股市场的进程再加速,引发市场的强烈关注。同时随着计算机技术的快速发展,量化交易逐步被金融机构和个人投资者广泛使用。量化交易技术利用计算机技术、数学工具和综合性的数据来做出合理的交易决策。近年来,深度学习等及其学习方法受到投资者青睐,并将其应用至多领域下。本文主要基于以上两个角度,将针对陆股通资金进行结构化拆解,并将基于强化学习等理论构建市场的量化交易策略,以此关注陆股通资金的交易行为对我国内地金融市场的影响。本文首先回顾了国内对陆股通资金的研究现状和股票市场的量化策略研究。介绍多智能体强化学习、卡尔曼滤波器、K-means聚类模型的理论知,并将陆股通资金根据其托管机构的交易特性将资金订单流进行拆分并进行描述。再将陆股通订单流拆解后,根据细分出的不同类型资金体现出的特点,将多智能体强化学习、卡尔曼滤波等模型应用至股票市场,构建基于交易型资金的大类配置收益择时策略。同时根据基于行业净流入因子的构建,对策略进行进一步优化,提出出基于陆股通资金的双优配置策略并对模型进行回测。研究显示,将陆股通订单流拆解后,交易型资金在多智能体强化学习算法和卡尔曼滤波原理帮助下,可以有效对大类资产配置进行择时。同时,结合择时信号和行业选择的双优配置策略也可在市场上获得超额收益。本文最后对模型提出了改进和优化方法,并对强化学习在A股市场的应用进行展望。
基于认知行为知识的智能体强化学习技术研究
这是一篇关于认知行为模型,强化学习,多智能体,启发加速算法的论文, 主要内容为受限于采样效率问题,智能体面对高维连续状态空间、奖励稀疏以及多智能体协同等复杂任务时,仅依靠深度强化学习算法从零学习最优策略十分困难。如何将已有知识表示为智能体可理解、可利用的形式,并用于加速策略学习仍是一个难题。首先,本文提出基于认知行为模型的深度强化学习框架,将领域内先验知识建模为基于信念-愿望-意图(Belief-Desire-Intention,BDI)的认知行为模型。然后,基于此框架,分别在单智能体和多智能体应用场景中提出了对应的深度强化学习算法,并定量化设计了认知行为模型对智能体策略更新的引导方式。最后,设计了基于认知行为模型的强化学习原型系统,以无人机侦察路径规划任务为例,验证了本文所提出方法的有效性。主要工作内容及创新点如下:1.提出了基于认知行为模型的强化学习框架。首先,将认知行为知识构建为基于BDI智能体模型的认知行为模型,为学习提供动态的指导。在此基础上,分别提出了基于认知行为模型的单智能体强化学习架构和基于认知行为模型的多智能体强化学习架构。此外,具体设计了所提架构中各功能模块以及模块间相互作用关系,为本文后续算法设计提供架构基础。2.设计实现了单智能体启发加速深度强化学习算法。为缓解高维状态空间和稀疏奖励对强化学习效率的影响,提出启发加速深度Q网络(HADQN)。首先,设计了启发策略形式及作用原理,将认知行为与学习过程结合。其次,构建了启发策略网络用于拟合认知行为知识,并将其融入深度Q网络。再次,设计了启发策略网络的更新方式和其对学习的动态引导方式。最后,在典型GYM环境和星际争霸2环境中验证了算法可以根据环境变化动态提取有效的认知行为知识,并借助启发策略网络加速智能体策略收敛。3.设计实现了多智能体启发加速协同强化学习算法。针对多智能体环境下,状态空间维度巨大提升的问题,以及智能体对环境的部分可观特性,提出启发加速QMIX网络(HAQMIX)。首先,设计了基于GRU核心的启发加速DRQN网络,解决了部分可观环境下智能体的状态确认困难的问题。其次,设计了基于Mixing网络的启发加速智能体价值联合网络,利用了集中训练分散执行的平稳训练优势。最后,在星际争霸3M环境中验证了算法能够将模型提供的知识运用到学习过程中,同时能高效地利用正确的知识加速智能体策略收敛。4.设计实现了原型系统并设计案例进行验证。本文基于框架及算法研究成果,设计实现了面向多种学习环境的原型系统。首先,完成了环境选择模块、模型设置模块、算法配置模块、仿真测试模块和决策应用模块等系统功能模块的构建与集成。其次,设计实现了以无人机侦察路径规划任务为背景的单智能体及多智能体学习环境。最后,演示了系统在所设计环境中的表现,进而验证了本文所设计框架及具体实现算法的有效性与优势。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/45752.html
