【技术实现步骤摘要】
本专利技术涉及机器学习和人工智能，尤其涉及一种面向任务规划的模型自学习优化方法。
技术介绍
1、智能任务规划和动态调整技术是基于数据驱动和算法优化的思想。首先，智能任务规划技术通过对任务目标、约束条件和资源需求等进行分析，生成初始任务规划方案。然后，动态调整技术通过实时监测任务执行情况，并与环境交互，获取实时数据和反馈信息。利用这些数据并运用机器学习、优化算法等方法，对任务规划方案进行动态调整，以适应环境变化和任务需求的变化。通过不断调整和改进，技术能够提高任务执行的效率、减少资源消耗，并实现任务目标的最优化。
2、现有智能任务规划和动态调整技术虽然取得了一定的进展，但缺少复杂情况下多目标任务规划动态调整自学习的相关研究，仍存在一些不足和缺点。首先，对于复杂多变的任务环境和需求，现有技术往往难以做出准确的预测和判断，导致任务规划的不准确性和动态调整的滞后性。其次，现有技术在处理大规模任务和复杂约束条件时，计算复杂度高，实时性较差，无法满足实时性要求较高的任务。此外，对于动态调整技术的参数选择和调整策略，缺乏系统的理论指导和评估方法，使得调整过程具有一定的盲目性和试错性。因此，进一步改进和完善现有智能任务规划和动态调整技术，提高其适应性、实时性和效率，是当前研究的重要方向。
技术实现思路
1、面向复杂多变的任务场景，针对单一行动任务规划模型无法实时进行调整，难以适应任务环境变化的弊端，本专利技术基于任务规划自学技术进行任务环境数据清洗与编码，获得任务环境基础特征信息，对任
2、本专利技术的具体技术方案为：
3、一种面向任务规划的模型自学习优化方法，包含数据预处理与特征学习、任务场景辨识与分类和静动态任务规划自学习，还包括：利用聚类的方法针对实时更新的环境信息进行数据预处理，通过神经网络自编码进行特征提取。基于特征提取结果进行场景分类与辨识。利用实时更新的环境信息以及任务指挥人员调整后的任务规划方案作为学习样本，结合离线、在线自学习对多种场景下的任务规划静、动态调整自学习网络进行更新，优化规划网络参数，提升任务规划效能。
4、具体技术方案为：
5、一种面向任务规划的模型自学习优化方法，包括以下步骤：
6、s1：任务规划动态调整自学习系统数据预处理包括实时环境数据、任务结果与初步评价；数据预处理部分首先进行任务数据获取、任务数据结构化表达，对任务数据清洗得到满足数据质量要求的任务数据；在此基础上实现任务数据特征提取；
7、s2：经过数据预处理后根据环境和任务状态数据进行任务状态辨识与场景分类；首先进行任务状态辨识，得到任务执行节点与目标的分布信息以及目标的所属类型等任务状态；再将辨识的结果作为场景分类的输入，将任务场景按照类型分为简单且短时任务场景、复杂且长时任务场景、实时任务场景常见的任务场景；任务场景分类的目的是为了训练适应不同任务场景的模型，以便在任务执行过程中，能够根据不同的任务场景及时选用恰当的模型；
8、s3：通过效能评分以及场景分类结果，对任务规划辅助生成自学习网络以及任务规划动态调整自学习网络在不同场景数据下的模型进行自学习优化以及封装，实现具有任务场景针对性的智能任务规划网络。
9、进一步的s1包括以下子步骤：
10、s1.1、设计一个适合任务规划且能够准确地描述任务的相关信息和属性数据模型；定义一个任务对象，包含任务的标识、名称、目标、约束条件、资源需求属性；从原始数据中抽取与任务相关的信息，从非结构化或半结构化数据中提取关键信息，并将其转换为结构化的属性-值对或关系型表示，将其转换为任务数据模型的结构化表达方式；
11、s1.2、根据每个变量的合理取值范围和相互关系进行一致性检查，检查数据是否合乎要求，是否存在重复数据、超出正常范围、逻辑上不合理或者相互矛盾的数据，对数据进行合理性审查；
12、s1.3、采用聚类的方法进行数据清洗，事先确定相关数据的阈值范围，若某些聚类簇的数据样本量比其他簇少得多，而且这个簇里的数据的特征也与其他簇差异很大，则将该簇里的大部分样本点视为异常点；
13、s1.4、将栈式稀疏降噪自编码网络作为任务数据特征提取的深度学习模型，通过神经网络自编码进行特征提取；对输入数据进行编码和解码，实现数据的压缩和重构，通过最小化重构误差来最优化压缩性能。
14、s1.4具体包括以下子步骤：
15、s1.4.1为实现复杂数据的特征提取，在神经网络中加入稀疏性限制；对若干个自编码器进行栈化堆叠，形成栈式自编码网络，令前一个自编码器的输出作为后一个自编码器的输入，使自编码器拥有多层神经网络的优良性能；
16、s1.4.2将栈式稀疏降噪自编码网络作为数据特征提取的深度学习模型；将网络层数设为三层；网络每层的节点数与数据的维度直接相关，输入层节点数与输入数据维度相同，输出层节点数代表输出数据的维度，根据特征提取效果调整设定隐含层每层的节点数；为实现特征检测的功能，设置隐含层神经元个数大于输入层神经元个数，提取完备的特征，第二、三层隐含层节点数则按逐层递减设置；输出层节点数通过计算原始数据集的本征维度确定；
17、s1.4.3激活函数选择常用的sigmoid函数；
18、s1.4.4进行特征数据深度学习与挖掘后，模型输出为相应的任务状态特征，并且满足任务分配神经网络的输入标准；其中包括动态属性特征、静态固有属性特征和环境关联属性特征；
19、动态属性特征包括目标实时位置、目标行为变化参数；静态固有属性特征包括目标类型、节点属性；环境关联属性特征包括是否偏离路径、目标与任务执行节点的相对位置。
20、s2包括以下子步骤：
21、s2.1、基于模板匹配进行任务状态辨识，具体包括以下子步骤：
22、s2.1.1根据历史任务经验和专家知识生成的先验模型生成模板，通过对任务执行计划进行详尽地描述，将一系列简单行为特征整合为任务事件，并将事件复合形成完整的任务状态模式，基于此辨识任务状态；
23、s2.1.2在模板匹配推理中，根据数据预处理提取的特征，即任务目标属性、目标类型、空间位置和运动特性，将特征聚类复合事件依次匹配验证，最终得到正确的任务状态辨识结果；
24、s2.1.3在将任务状态辨识结果输入用于场景分类的深度自适应神经网络前进行编码，作为神经网络的输入；
25、s2.2、模板匹配进行任务状态辨识后，采用深度自适应神经网络对任务场景进行分类，将任务场景按照任务类型分为简单且短时任务场景、复杂且长时任务场景、实时任务场景常见本文档来自技高网...
【技术保护点】
1.一种面向任务规划的模型自学习优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向任务规划的模型自学习优化方法，其特征在于，S1包括以下子步骤：
3.根据权利要求2所述的一种面向任务规划的模型自学习优化方法，其特征在于，S1.4具体包括以下子步骤：
4.根据权利要求1所述的一种面向任务规划的模型自学习优化方法，其特征在于，S2包括以下子步骤：
5.根据权利要求1所述的一种面向任务规划的模型自学习优化方法，其特征在于，S3包括以下子步骤：
【技术特征摘要】
1.一种面向任务规划的模型自学习优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向任务规划的模型自学习优化方法，其特征在于，s1包括以下子步骤：
3.根据权利要求2所述的一种面向任务规划的模型自学习优化方法，其...
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。