摘要：扫描覆盖问题一直是无线传感网络的热点问题,目前大多数研究主要集中于同构无人机扫描覆盖问题,目标为无人机数量最小的情况下对区域节点达到全覆盖。近年来,扫描覆盖问题衍生出新的方向,即MTMC(min-time max-coverage)问题,即使用有限无人机对区域节点进行扫描覆盖,使得覆盖率尽可能大的同时任务时间尽可能小。在考虑了无人机异构性的基础上,分析了MTMC问题的数学模型,提出了CWBGAA(CW Based on Genetic Annealing Algorithm optimization)算法解决MTMC问题。上述算法分为两阶段解决问题,第一阶段基于启发式插入算法生成每架无人机对应的飞行路径,第二阶段基于遗传退火算法对生成后路径进行路径优化,使得无人机的飞行时间降低。仿真结果表明,CWBGAA算法相较于其它算法拥有更好的性能,提升覆盖率的同时降低了任务执行时间。

摘要：策略重用(policy reuse, PR)作为一种迁移学习(transfer learning, TL)方法,通过利用任务之间的内在联系,将过去学习到的经验、知识用于加速学习当前的目标任务,不仅能够在很大程度上解决传统强化学习(reinforcement learning, RL)收敛速度慢、资源消耗大等问题,而且避免了在相似问题上难以复用的问题。本文综述了RL中的PR方法,将现有方法细分为策略重构、奖励设计、问题转换、相似性度量等方面来分别介绍和分析各自的特点,及其在多智能体场景和深度RL(deep RL, DRL)中的扩展。并且,介绍了源和目标任务之间的映射方法。最后,基于当前PR的应用,叙述了该课题在未来发展方向上的一些猜想和假设。

摘要：协同显著性检测旨在发现并分割出一组图像中相同语义类别的前景显著目标.当前基于深度学习的协同显著性检测方法主要存在两方面局限:(1)训练数据中仅含有单一显著目标,无法为模型训练提供对抗样本,导致其泛化性受限,难以有效应对未知类别目标、干扰显著目标、嘈杂背景等挑战;(2)现有方法通常利用卷积神经网络提取特征,其感受野受限,无法建模长程依赖关系,限制了所学特征的表征力.为此,本文提出了一种新颖的基于组间对抗数据混合的协同显著性检测变换器,旨在通过纯视觉变换器构建序列到序列的协同显著性检测网络,并使用组间混合后的数据进行对抗训练,以提升模型的泛化性.所设计的网络结构包含数据混合子网络和协同显著性检测变换器两部分.具体而言,在数据混合子网络中,本文设计了目标细化模块,输入类激活图,引导网络以无监督的方式从一组图像中分割出边缘平滑的显著目标作为对抗对象,并通过设计调距模块将对抗对象以最小化重叠的方式混合至另一组图像之中,生成混合训练数据;在协同显著性检测变换器中,本文从序列建模的角度,设计了任务注入器,将组信息图符与显著性信息图符注入序列特征之中,并利用自注意力机制充分捕获特征之间的全局上下文信息.最后,将获得的组特征和显著性特征通过自注意力机制进行充分混合交互,以进一步增强特征的表征力,生成精确的协同显著性检测结果.本文在包含Cosal2015、Co CA和Co SOD3k等三个基准数据集上做了充分的实验评估,与多个领先方法的对比结果充分证明了本方法的优越性能.

摘要：多无人机在现代化作战中的运用日渐增多,无人机任务规划在无人机智能作战中至关重要。针对子系统能力约束下的无人机任务分配问题,提出一种Levy Flight(LF)优化下基于拍卖机制的混沌反向学习狼群优化算法CRL-AMIWPA。首先,定义无人机能力矩阵和任务场景,对无人机异构性、任务执行能力、执行任务能力最低需求建立同一矩阵描述,根据距离油耗和最迟任务完成时间的加权和建立目标函数,建立子系统约束下的任务分配模型;然后,设计狼群个体编码,每个编码方案包含一种任务分配策略,针对未达到任务需求最低能力的解,采用基于合同网的拍卖策略予以修正。另外,在狼群初始化阶段,采用Tent混沌算子和反向学习策略,将狼群个体均匀地分布在解空间中,以提高初始种群的多样性,最后,利用LF策略优化寻优过程,提高跳出局部最优解的能力。仿真实验结果表明,所提算法能有效解决在子系统约束场景下无人机任务分配问题,相比其他群智能算法和狼群算法,具有更优的寻优性和收敛速度。