检索结果-南通市图书馆

基于网络功能虚拟化的意图驱动智能路由原型系统的设计与实现

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于网络功能虚拟化的意图驱动智能路由原型系统的设计与实现

作者：刘峰麟北京邮电大学

学位级别：硕士

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

万里茶道（河北段）旅游高质量发展研究

万里茶道（河北段）旅游高质量发展研究

作者：闫麟内蒙古财经大学

学位级别：硕士

党的二十大报告指明了“高质量发展是全面建设社会主义现代化国家的首要任务。”感应着国家和时代的呼唤,新时代下的旅游业也需要转型,即从注重发展速度向注重发展质量转变。本文研究坚持贯彻新发展理念,依据利益相关者理论的相关论述,... 详细信息

党的二十大报告指明了“高质量发展是全面建设社会主义现代化国家的首要任务。”感应着国家和时代的呼唤,新时代下的旅游业也需要转型,即从注重发展速度向注重发展质量转变。本文研究坚持贯彻新发展理念,依据利益相关者理论的相关论述,同时秉持着实现高质量发展的目标,根据相关文献和理论研究,认为万里茶道(河北段)旅游的发展成果应该归功于其系统组成要素的同频共振和协同发展。因此,本文根据旅游业高质量发展内涵和特征的理论指导,分析万里茶道(河北段)旅游发展的系统组成要素,按照旅游经济、服务、资源以及社会支持系统四个层面搭建旅游业高质量发展评价指标体系,而且,本研究旨在厘清指标体系内部层次结构关系,构建万里茶道(河北段)旅游发展水平综合评价模型。之后,将采用熵权法和模糊综合评价法综合一体,据此对评价模型进行量化分析,找出旅游面临的问题。此篇文章的研究样本采用万里茶道(河北段)近5年(2017-2021)来的旅游年度数据,研究出该系统目前旅游业高质量发展的具体现状,尤其是其发展过程中所面对的问题,结论如下:(1)整体分析万里茶道(河北段)旅游发展整体处于中等水平。(2)从指标体系构建的数据表现而言,万里茶道(河北段)旅游资源系统评价指标体系分析的发展水平为良,旅游经济系统、服务系统、社会支持系统均处于中等水平,有待进一步提升,而且其系统中,旅游服务系统发展速度大幅度慢于经济、资源、社会支持系统。(3)观察各发展要素,结合评价模型的数据量化表现分析,过去五年中旅游环境的发展水平为优,旅游资源和居民利益的发展水平等级为良,而经济效益、经济效率、服务能力等方面则为中等发展水平。最后,为了推动旅游业向更高水平的高质量发展迈进,本文研究了万里茶道(河北段)旅游业在近年来的优质发展态势及所面临的各体系相关问题,提出了一系列基于新发展理念的具体策略。

关键词：万里茶道(河北段) 旅游高质量发展新发展理念

Janus Ga2SSe异质结构光催化水分解制氢第一性原理研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

Janus Ga2SSe异质结构光催化水分解制氢第一性原理研究

作者：张基麟贵州大学

学位级别：硕士

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于风速变化特征的风电功率预测算法研究

基于风速变化特征的风电功率预测算法研究

作者：邹瑞麟南京信息工程大学

学位级别：硕士

SIRT1在布鲁氏菌诱导巨噬细胞自噬中的作用机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

SIRT1在布鲁氏菌诱导巨噬细胞自噬中的作用机制

作者：亓麟西北农林科技大学

学位级别：硕士

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

强化学习驱动的多智能体作战仿真技术研究

强化学习驱动的多智能体作战仿真技术研究

作者：雷凯麟西安工业大学

学位级别：硕士

随着人工智能的不断发展,军事作战仿真领域迎来了更加智能化的决策方案。本文采用基于强化学习的模型训练方法,在具有不确定性、不完整性的战场环境中,研究多智能体系统的协同决策方法,其目的是解决在作战仿真中多智能体强化学习算法常... 详细信息

随着人工智能的不断发展,军事作战仿真领域迎来了更加智能化的决策方案。本文采用基于强化学习的模型训练方法,在具有不确定性、不完整性的战场环境中,研究多智能体系统的协同决策方法,其目的是解决在作战仿真中多智能体强化学习算法常常面临的算法不稳定、样本利用效率不高和维数爆炸等问题,并在战场仿真环境中对改进算法的有效性进行了实验验证。关于本篇论文的具体工作内容和创新点主要有以下几个方面:首先,基于推演仿真平台构建强化学习模型,通过研究战场上的作战单元、作战武器和作战时长,将复杂场景下多智能体协同作战想定转化为基于任务规划的作战想定和基于动作控制的作战想定,并建立对应的状态空间与动作空间映射关系的强化学习模型,分别是基于任务规划的MDP模型和基于动作控制的MDP模型,实现了兵棋推演平台上的复杂作战想定的状态空间与动作空间的维度分解,显著降低了维数灾难现象。最后使用DDGP、SAC、MADDPG在两种不同的作战想定上进行实验验证,实验结果证实了这种强化学习分解模型的有效性。针对离策略强化学习算法在训练过程中对经验样本利用效率不高、多次反复搜索等相关问题,通过分析现有的经验回放机制和优先经验回放机制的优点和不足,提出了一种结合KL散度和优先经验回放机制的多智能体强化学习算法(KLPER-MADDPG)。该算法的核心思想是在训练时采集出多个批量经验,然后通过KL散度对这批次的批量经验的优先级进行排序,使用与智能体的当前策略更相近的批量经验进行学习,使得智能体能够更有效地利用已有的经验信息。最后在兵棋推演平台上进行实验验证,结果表明KLPER-MADDPG算法显著提高了探索效率并改善了算法的收敛性。对于复杂作战场景中智能体面临的动作空间和状态空间维度过大所导致信息冗赘、维数爆炸、难以学习到关键信息的问题,本文提出了一种基于分层Actor-Critic框架的多智能体协同决策方法(HMa AC)。该算法对复杂作战想定按照层级关系对状态空间和指令空间进行分割,高层决策下达集群宏观作战任务规划,低层决策对执行宏观作战指令的作战单元进行动作操控。高低两层智能体使用基于分层的AC框架进行作战决策。在兵棋推演平台上的实验结果表明,与基线算法相对比,HMaAC算法得到了更高的奖励,并且极大地提升了任务成功率。

关键词：分层强化学习多智能体强化学习优先经验回放作战仿真