摘要：针对策略未知逃逸无人机环境中多无人机协同追捕对抗任务,提出P3C-MADDPG算法的多无人机协同追捕对抗策略。首先,为解决多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)算法训练速度慢和Q值高估问题,在MADDPG算法中分别采用基于树形结构储存的优先经验回放机制(Prioritized Experience Replay,PER)和设计的3线程并行Critic网络模型,提出P3C-MADDPG算法。然后基于构建的无人机运动学模型,设计追逃无人机的状态空间、稀疏奖励与引导式奖励相结合的奖励函数、加速度不同的追逃动作空间等训练要素。最后基于上述训练要素,通过P3C-MADDPG算法生成策略未知逃逸无人机环境中多无人机协同追捕对抗策略。仿真实验表明,P3C-MADDPG算法在训练速度上平均提升了11.7%,Q值平均降低6.06%,生成的多无人机协同追捕对抗策略能有效避开障碍物,能实现对策略未知逃逸无人机的智能追捕。

摘要：提出BP神经网络的分布式区域滑坡预测方法,算法设计在大数据分布式处理平台Spark下实现,通过构造包含均方误差和L2正则化的代价函数,提高运算实时性和算法泛化能力。统计影响滑坡评价因子的量化指标和定义监测剖面危险级别评价值,并进行评价因子特征选取,用于三峡库区忠县区域9个滑坡11年月监测海量数据挖掘,对研究区所有滑坡监测剖面每月进行危险级别评价,实现以月为周期的区域滑坡危险程度空间预测。试验表明,采用所述方法得到的拟合精度、准确度、效率均比梯度提升决策树、随机森林算法好,预测的滑坡危险级别准确,该方法可作为区域滑坡空间预测的一种新思路。

摘要：“阶跃式”滑坡在复杂多变的地质环境作用下呈现突变与稳定交替、不平衡的演化形态,根据此特点提出了边坡突变与稳定分类的平衡集成树模型,建立高维地质环境影响因子与致变之间的关联,并应用于三峡库区26个具有“阶跃”特征的滑坡。考虑到直接使用分类器难以捕捉有效信息,模型利用了合成边界少数类过采样原理适当提升突变样本比率,再分别组合随机森林和梯度提升树进行优化和训练,并对测试集和预测集进行评估校核。同数据平衡前后的不同模型进行对比实验,平衡集成树模型能够有效提高突变预测的整体精度,并量化得出了所有地质环境因子的特征重要性指标,最终应用于样本外的王爷庙滑坡结果表明,模型取得了较高的预报水平。该方法能够实现突变的有效预测,并发现核心影响因子及其数据分布特征,为研究“阶跃式”滑坡机理和预警提供了新的思路。