[发明专利]一种基于极限学习机的多智能体的任务理解方法

权利要求书

1.一种基于极限学习机的多智能体的任务理解方法，其特征在于，所述方法包括：

初始化所述多智能体参数和环境态势感知信息；

根据所述多智能体的任务、所述多智能体参数和环境态势感知信息制定所述极限学习机的多智能体的任务理解样本数据；

根据所述多智能体的任务理解样本数据确定所述极限学习机的多智能体的任务理解网络结构；

利用所述多智能体的任务样本数据对所述极限学习机的多智能体的任务理解网络结构进行训练得到所述极限学习机的多智能体的任务理解模型；

当所述多智能体接收到任务指令后，获取当前环境态势感知信息和所述多智能体参数，将所述当前环境态势感知信息和所述多智能体参数输入到所述极限学习机的多智能体的任务理解模型中得到所述多智能体的任务理解结果。

2.根据权利要求1所述的任务理解方法，其特征在于，所述任务理解样本数据包括任务理解数据和任务理解标签数据，被分为任务理解训练数据和任务理解测试数据。

3.根据权利要求2所述的任务理解方法，其特征在于，利用所述多智能体的任务理解样本数据对所述极限学习机的多智能体的任务理解网络结构进行训练得到所述极限学习机的多智能体的任务理解模型，包括：

利用所述多智能体的任务理解训练数据对所述极限学习机的多智能体的任务理解网络结构进行训练得到所述极限学习机的多智能体的初始任务理解网络结构；

利用所述多智能体的任务理解测试数据对所述极限学习机的多智能体的初始任务理解网络结构进行测试，当满足所述多智能体的性能时，保存所述极限学习机的多智能体的初始任务理解网络结构为所述极限学习及的多智能体的任务理解模型；否则，调整所述极限学习机的多智能体的初始任务理解网络结构。

4.根据权利要求1所述的任务理解方法，其特征在于，所述多智能体参数包括所述多智能体的个数n和所述多智能体的能力值，n为正整数；

所述环境态势感知信息包括环境中目标对象的威胁度和，数量或分布密度。

5.根据权利要求4所述的任务理解方法，其特征在于，所述多智能体的任务理解样本数据格式为[x₁,...,x_n,y₁,y₂]，任务理解样本标签数据格式为[o₁,...,o_i,...,o_n]，其中，x_i为第i个智能体针对任务指令的能力值，y₁为通过环境态势感知到的目标对象的威胁度值，y₂为通过环境态势感知到的目标对象的个数或分布密度，o_i的值为0或1，1≤i≤n，i为正整数，i为多智能体编号。

6.根据权利要求3所述的任务理解方法，其特征在于，所述多智能体的任务理解网络结构，包括输入层、隐含层和输出层；其中，所述输入层的节点个数为n+2，输出层的节点个数为1，隐含层的节点个数小于所述样本数据的数量。

7.根据权利要求6所述的任务理解方法，其特征在于，调整所述极限学习机的多智能体的初始任务理解网络结构为调整所述多智能体的任务理解网络结构的隐含层的节点个数。

8.根据权利要求1所述的任务理解方法，其特征在于，所述多智能体的任务包括搜索任务和打击任务。

9.根据权利要求6所述的任务理解方法，其特征在于，所述隐含层的急活函数为sigmoid函数。