【技术实现步骤摘要】
一种基于人机混合增强的复杂产品自主构建方法和模块
本专利技术涉及复杂产品领域。更具体地，涉及一种基于人机混合增强的复杂产品自主构建方法、模块、存储介质和计算机设备。
技术介绍
复杂产品是指产品结构复杂、设计制造过程庞杂、技术含量高、涉及多个学科知识交叉与融合、资金密集、技术密集和知识密集型产品，复杂产品的设计是机械、电子、控制等多领域并行设计的过程。传统以航天复杂产品为代表的复杂产品设计主要靠人的经验和认知、辅以计算分析和仿真试验等手段，自顶向下逐级进行指标体系决策、技术途径分析、总体方案设计。随着新一代复杂产品的技术指标要求越来越高、条件工况要求越来越多、博弈协作要求越来越难，已经出现设计难以闭合、难以优化、难以加快等现象，传统的手段已经越来越难以适应新一代复杂产品的发展。本质上，复杂产品设计问题是具有高难技术指标、复杂条件工况、多方博弈协作特征的高阶多维非线性系统的多目标多约束优化问题。受限于人对复杂问题的抽象水平、关联能力和学习效率的不足，存在对高阶多维非线性系统的模型“抽象难”、对多目标多约束要求下的...
【技术保护点】
1.一种基于人机混合增强的复杂产品自主构建方法，其特征在于，包括：/nS00、根据人的知识建立从关键特征状态到行动映射的参数化知识模型，将所述知识模型中的待测参数编码成神经网络的输出向量；/nS20、根据环境的关键特征状态以及奖励函数输出值编码神经网络的输入向量；/nS40、智能体配置；/nS60、基于人已知的经验知识产生从关键特征状态到行动映射的训练数据，利用所述训练数据反向拟合神经网络参数，驱动知识模型在训练环境中推演；/nS80、基于强化学习持续优化所述神经网络参数，直至完成所述神经网络的训练，最终实现智能体的自适应。/n
【技术特征摘要】
1.一种基于人机混合增强的复杂产品自主构建方法，其特征在于，包括：
S00、根据人的知识建立从关键特征状态到行动映射的参数化知识模型，将所述知识模型中的待测参数编码成神经网络的输出向量；
S20、根据环境的关键特征状态以及奖励函数输出值编码神经网络的输入向量；
S40、智能体配置；
S60、基于人已知的经验知识产生从关键特征状态到行动映射的训练数据，利用所述训练数据反向拟合神经网络参数，驱动知识模型在训练环境中推演；
S80、基于强化学习持续优化所述神经网络参数，直至完成所述神经网络的训练，最终实现智能体的自适应。
2.根据权利要求1所述的方法，其特征在于，所述S20包括：
S201、提取训练环境的关键特征状态进行集成，将集成的关键特征状态编码成所述神经网络的一类输入向量，并对其进行归一化处理；
S203、建立从所述关键特征状态到奖励值映射的奖励函数，将奖励函数输出值编码成所述神经网络的另一类输入向量。
3.根据权利要求1所述的方法，其特征在于，所述S40包括：
S401、根据人工经验进行智能体决策网络和评价网络的设计编码；
S403、对智能体训练的超参数进行设计编码；
S405、将相关设计编码进机器学习引擎，做好机器自主学习的准备。
4.根据权利要求1所述的方法，其特征在于，所述S60包括：
S801、所述神经网...
【专利技术属性】
技术研发人员：林廷宇，贾政轩，曾贲，肖莹莹，
申请(专利权)人：北京仿真中心，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。