摘要：传统的交换机决策算法主要基于固定的规则和策略,难以适应复杂多变的网络环境。随着人工智能技术的快速发展,机器学习和深度学习算法成为改进交换机决策的有力工具。这些算法能够通过学习和训练来自动调整交换机的决策策略,提高网络的效率和可靠性。主要介绍基于人工智能的计算机网络交换机决策算法的理论基础、应用技术和算法设计,以及几种具体的算法示例。

摘要：基于深度神经网络的拟人化自动驾驶为复杂环境下的高级自动驾驶提供了新的思路,但网络的封闭性会导致上层驾驶指令很难进入网络,为此,设计了一种开关式深度神经网络,该网络由卷积神经网络层和长短期记忆网络层组成,在两个子网络间嵌入了具有开关性质的特征选择层,并通过不同的驾驶指令选择激活不同的特征分支,从而完成了相应的驾驶任务。实车测试结果表明,开关式深度神经网络不会显著增加模型的推理时间,同时该网络实现了根据输入的不同驾驶指令完成车辆在路口的左转、右转、直行和绕障行为。

摘要：目前研究的电缆关键节点采集与规划方法容易造成关键节点漏采、节点稳定性较差。为解决上述问题,采用决策算法,提出电缆关键节点的采集和规划方法。对需要采集的电缆及通道按照预定的关键节点指标进行采集,为电缆及通道快速有效采集提供决策支持。根据设定的电缆数字化目标,融合电网与路网,建立通道拓扑算法,实现通道有效规划。在电缆关键节点采集过程中,建立了多个约束,根据约束条件分析采集和通道规划承载力,实现通道运营高效管理。实验结果表明,该方法能够有效降低关键节点缺失率,提高电缆采集和规划的稳定性和有效性。

摘要：精细农业的实现离不开高精度农机的支持。为了提高农机的设计精度,有效的缩短设计周期,提出了一种基于模糊多准则决策算法的农机部件参数化优化方法。该方法基于Solid Works建模软件和VB编程软件的兼容性接口,可通过VB编程来实现自动化和参数化建模过程,提高了农机零部件的设计效率,利用模糊多准则算法对零件的尺寸进行优化,从而有效地提高了农机零部件的设计精度。以农机部件液压缸的设计为例,通过参数化建模方法自动建立了一级缸和二级缸的模型,结果发现:使用模糊多准则决策算法可提高设计效率和经济效益,缸体的结构力学性能也得到了有效优化。

摘要：针对目前舰艇的抗沉决策算法和软件还不能与各类监测信息、控制信息有效融合,造成"抗沉决策"和"抗沉实施"不能同步进行,进而大大降低抗沉指挥效率的问题,以及传统的舰体平衡推理速度较慢,不能根据进水态势和抗沉效果进行实时调整的问题,开展相关研究,有效解决这些问题。以抗沉任务的实施为驱动,设计能够与抗沉监控设备联动的实时决策算法;同时,设计并开发抗沉实时决策监控平台。测试和仿真结果表明,该平台的自动化程度更高,抗沉速度更快,是舰员开展抗沉指挥的重要手段。

摘要：足球比赛中进攻方队员的行为决策对比赛结果有很大影响。给出了进攻方无球队员和控球队员的行为决策算法:对于无球队员,根据40个位置点设置固定的跑位点,无球队员处于接球状态时原地接球,否则向计算出的跑位点运动;对于控球队员,首先判断射门条件,成立时射门,否则根据其他球员和自身威胁系数决定是否传球或运球。最后采用4-4-2阵型在VC++环境下进行仿真,效果表明了算法的可行性。

摘要：在加工含有自由曲面的复杂高精度模具时,常在粗铣和精铣加工之间安排半精铣加工工序。为了合理选择半精铣的刀具直径,在分析了粗铣加工所得实体模型的结构特性基础上,提出了适合于半精铣刀具直径决策的算法。实例验证了该算法的可行性和有效性。

摘要：针对如何在网格环境中提高整个网格平台的性能和效率问题,提出了逼近理想解的排序法,即TOPSIS(technique for order preference by similarity to ideal solution)多指标综合评价模型,对网格节点的网络性能进行评价,将评价结果用于网格资源分配决策,得到了最短任务完成时间的资源分配方案。用网格模拟器GridSim搭建了包括路由器的网格环境,测试及与随机算法对比结果表明了TOPSIS多指标网格资源分配决策算法的可用性和高效性。

摘要：设计了一种使用角色来代替智能体的多智能体协同学习方法。根据多智能体系统的特性在多智能体系统中划分若干角色,每个角色拥有其独立的状态空间和动作空间,为智能体的状态空间和动作空间来的子空间。把多智能体系统对智能体的学习转变为对角色的学习。用角色的分配来代替多智能体系统的决策,使用强化学习的方法训练决策层,使其在各个状态下都能选择到最优的角色分配策略。在"星际争霸Ⅱ学习环境"(SC2LE)中进行实验,验证了该方法在有效降低状态空间的情况下,仍然具有可行性与高鲁棒性。

摘要：基于人类驾驶员数据获得自动驾驶决策策略是当前自动驾驶技术研究的热点。经典的强化学习决策方法大多通过设计安全性、舒适性、经济性相关公式人为构建奖励函数,决策策略与人类驾驶员相比仍然存在较大差距。本文中使用最大边际逆向强化学习算法,将驾驶员驾驶数据作为专家演示数据,建立相应的奖励函数,并实现仿驾驶员的纵向自动驾驶决策。仿真测试结果表明:相比于强化学习方法,逆向强化学习方法的奖励函数从驾驶员的数据中自动化的提取,降低了奖励函数的建立难度,得到的决策策略与驾驶员的行为具有更高的一致性。