一种基于自学习的智能体生成方法及系统技术方案

本发明专利技术提供一种基于自学习的智能体生成方法及系统，所述方法具体实施方式包括：构建虚拟空间模型和智能算法模型；获取智能算法模型数据，构建虚拟空间中的智能算法模型；对智能算法模型进行训练，并构建智能算法模型演化库；基于构建智能算法模型演化库，对智能算法模型进行校验，得到智能体；该方法简化数据驱动技术的使用过程，降低数据驱动技术的使用门槛，加速智能体的迭代与演化，实现智能设计的过程，使数据驱动技术的应用领域进一步扩展。使数据驱动技术的应用领域进一步扩展。使数据驱动技术的应用领域进一步扩展。

【技术实现步骤摘要】
一种基于自学习的智能体生成方法及系统


[0001]本专利技术涉及自学习
，更具体的，涉及一种基于自学习的智能体生成方法及系统。

技术介绍

[0002]近年来，在大数据、云计算、机器视觉等技术突飞猛进的基础上，人工智能的应用前景得到了空前的发展，这种数据驱动技术正逐渐展露其不可替代的巨大作用，Gartner认为，到2020年，至少40％的新研发项目会在团队中配备人工智能专业人员和技术手段辅助开展工作。
[0003]随着计算机性能的综合提升，数据驱动技术正快速迭代演化出自主学习的特性，在应对复杂产品/系统的设计效用迅速提升，进而逐渐在应对多维度的复杂设计问题上实现了颠覆性的突破，甚至在一些领域上超越了人类的顶级专家，如红领集团变批量/定制化的服装设计、围棋/中国象棋/国际象棋等对弈系统设计、DOTA2/星际争霸II等即时策略游戏智能体的设计等已经能够完美战胜人类专家。
[0004]然而，在自主学习技术不断扩展至各个领域的过程中，一些工程性质的实际问题正持续发酵。具体而言，由于人不擅长进行多维信息之间的精确量化分析，系统越复杂则人抽象和认知的速度越慢，通过自主学习的方法可以加速知识的产生和方案的生成，但由于数据驱动技术的成熟应用与否取决于数据资源的体量/可靠性、计算框架的时效、虚实映射的成熟度等因素，特别是在处理复杂设计任务时，面临数据获取难、机理建模复杂、模型迁移等具体问题，采用传统方法构建的设计模型将很难实现短时间收敛。

技术实现思路

[0005]为了解决上述问题中的至少一个，本专利技术第一方面提供一种基于自学习的智能体生成方法，包括：
[0006]构建虚拟空间模型和智能算法模型；
[0007]获取智能算法模型数据，构建虚拟空间中的智能算法模型；
[0008]对智能算法模型进行训练，并构建智能算法模型演化库；
[0009]基于构建智能算法模型演化库，对智能算法模型进行校验，得到智能体。
[0010]在可选的实施方式中，所述构建虚拟空间模型和智能算法模型，包括：
[0011]依据系统的设计指标、参数、约束以及系统需要完成的任务目标，构建虚拟空间模型；
[0012]基于虚拟空间模型和智能方法，构建智能算法模型；
[0013]在可选的实施方式中，获取智能算法模型数据，构建虚拟空间中的智能算法模型，包括：
[0014]针对不同的设计目标、设计变量以及设计参数，构建训练场景；
[0015]基于训练场景，形成统一的调用架构模型，将调用架构模型与智能算法模型进行
集成；
[0016]将具体的智能算法模型与分布式计算方法相结合，使智能算法模型收敛。
[0017]在可选的实施方式中，对智能算法模型进行训练，并构建智能算法模型演化库，包括：
[0018]基于任务目标和设计指标，对智能算法模型的决策行为进行奖惩评判，进而调整智能算法模型的演进方向；
[0019]基于构建虚拟空间模型和智能算法模型，构建智能算法模型演化库。
[0020]在可选的实施方式中，基于构建智能算法模型演化库，对智能算法模型进行校验和调整，得到智能体，包括：
[0021]根据智能算法模型演化库中的评价分数，选取智能算法模型进行物理校验；
[0022]依据校验的结果对模型库的智能算法模型评价分数进行调整，直至智能算法模型演化库的评价分数保持不变，进而得到智能体。
[0023]本专利技术第二方面提供一种基于自学习的智能体生成系统，包括：
[0024]构建模块，构建虚拟空间模型和智能算法模型；
[0025]获取模块，获取智能算法模型数据，构建虚拟空间中的智能算法模型；
[0026]训练模块，对智能算法模型进行训练，并构建智能算法模型演化库；
[0027]校验模块，基于构建智能算法模型演化库，对智能算法模型进行校验和调整，得到智能体。
[0028]在可选的实施方式中，所述构建模块包括：
[0029]虚拟空间模型，依据系统的设计指标、参数、约束以及系统需要完成的任务目标，构建虚拟空间模型；
[0030]智能算法模型，基于虚拟空间模型和智能方法，构建智能算法模型；
[0031]在可选的实施方式中，所述获取模块包括：
[0032]训练场景单元，针对不同的设计目标、设计变量、设计参数，构建训练场景；
[0033]模型集成单元，基于训练场景，形成统一的调用架构模型，将调用架构模型与智能算法模型进行集成；
[0034]收敛单元，将具体的智能算法模型与分布式计算方法相结合，使智能算法模型收敛。
[0035]在可选的实施方式中，所述训练模块包括：
[0036]智能算法模型调整单元，基于任务目标和设计指标，对智能算法模型的决策行为进行奖惩评判，进而调整智能算法模型的演进方向；
[0037]智能算法模型演化库单元，基于构建虚拟空间模型和智能算法模型，构建智能算法模型演化库。
[0038]在可选的实施方式中，所述校验模块包括：
[0039]校验单元，根据智能算法模型演化库中的评价分数，选取智能算法模型进行物理校验；
[0040]调整单元，依据校验的结果对模型库的智能算法模型评价分数进行调整，直至智能算法模型演化库的评价分数保持不变，进而得到智能体。
[0041]本专利技术的有益效果
[0042]本专利技术提供一种基于自学习的智能体生成方法及系统，所述方法具体实施方式包括：构建虚拟空间模型和智能算法模型；获取智能算法模型数据，构建虚拟空间中的智能算法模型；对智能算法模型进行训练，并构建智能算法模型演化库；基于构建智能算法模型演化库，对智能算法模型进行校验，得到智能体；该方法简化数据驱动技术的使用过程，降低数据驱动技术的使用门槛，加速智能体的迭代与演化，实现智能设计的过程，使数据驱动技术的应用领域进一步扩展。
附图说明
[0043]为了更清楚地说明本专利技术实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]图1为本专利技术实施方式中一种基于自学习的智能体生成方法示意图。
具体实施方式
[0045]下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0046]目前，自主学习技术不断扩展至各个领域的过程中，一些工程性质的实际问题正持续发酵。具体而言，由于人不擅长进行多维信息之间的精确量化分析，系统越复杂则人抽象和认知的速度越慢，通过自主学习的方法可以加速知识的产本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自学习的智能体生成方法，其特征在于，包括：构建虚拟空间模型和智能算法模型；获取智能算法模型数据，构建虚拟空间中的智能算法模型；对智能算法模型进行训练，并构建智能算法模型演化库；基于构建智能算法模型演化库，对智能算法模型进行校验，得到智能体。2.根据权利要求1所述智能体生成方法，其特征在于，所述构建虚拟空间模型和智能算法模型，包括：依据系统的设计指标、参数、约束以及系统需要完成的任务目标，构建虚拟空间模型；基于虚拟空间模型和智能方法，构建智能算法模型。3.根据权利要求1所述智能体生成方法，其特征在于，获取智能算法模型数据，构建虚拟空间中的智能算法模型，包括：针对不同的设计目标、设计变量以及设计参数，构建训练场景；基于训练场景，形成统一的调用架构模型，将调用架构模型与智能算法模型进行集成；将具体的智能算法模型与分布式计算方法相结合，使智能算法模型收敛。4.根据权利要求1所述智能体生成方法，其特征在于，对智能算法模型进行训练，并构建智能算法模型演化库，包括：基于任务目标和设计指标，对智能算法模型的决策行为进行奖惩评判，进而调整智能算法模型的演进方向；基于构建虚拟空间模型和智能算法模型，构建智能算法模型演化库。5.根据权利要求1所述智能体生成方法，其特征在于，基于构建智能算法模型演化库，对智能算法模型进行校验和调整，得到智能体，包括：根据智能算法模型演化库中的评价分数，选取智能算法模型进行物理校验；依据校验的结果对模型库的智能算法模型评价分数进行调整，直至智能算法模型演化库的评价分数保持不变，进而得到智能体。6.一种基于自学习的智...

【专利技术属性】
技术研发人员：曾贲，林廷宇，肖莹莹，贾政轩，李鹤宇，
申请(专利权)人：北京仿真中心，
类型：发明
国别省市：