[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

说明书

本公开的极限学习机的多智能体的任务理解方法，初始化多智能体参数和环境态势感知信息；根据多智能体的任务和参数以及环境态势感知信息制定极限学习机的任务理解样本数据；根据任务理解样本数据确定极限学习机的任务理解网络结构；利用任务样本数据对极限学习机的任务理解网络结构进行训练得到极限学习机的任务理解模型；当多智能体接收任务指令后，获取当前环境态势感知信息和多智能体参数，将当前环境态势感知信息和多智能体参数输入到极限学习机的任务理解模型中得到任务理解结果。能够充分利用战场环境态势信息和多智能体能力值等信息，产生有效切合指挥员思维的理解结果，避开一定程度上依赖专家系统的主观性因素，保证任务理解的准确性。

技术领域

本公开属于多智能体的任务理解技术领域，特别是涉及到一种基于极限学习机的多智能体的任务理解方法。

背景技术

随着计算机技术、通信技术和人工智能技术的迅速发展，传统的战争形态和思维也发生了改变。随着现代化、信息化的推进，各种新技术也被运用到作战系统中，作战方式也在不断升级和演变。多智能体系统具有减少人员伤亡、机动能力与生存能力强、功能配置灵活、适合在恶劣环境下执行各种危险任务等优点，已经成为新型战场的重要力量。

多智能体系统与有人平台深度融合，是形成有人平台和多智能体系统一体化协同体系的重要保障。OODA循环模型描述了决策的四个环节：观察、判断、决策、行动。多智能体系统的任务理解是OODA循环中的重要一环，是指无人平台结合对环境和态势的理解，产生与有人平台下达的表达不足或不清晰的指令符合的任务理解结果。经典的任务理解方法有分层的任务分解方法、自然语言至动作指令的映射方法等。但是，这些方法在一定程度上依赖专家系统的主观性因素，会造成相同的指令在相同的条件下得到不同的任务理解结果等问题。

发明内容

有鉴于此，本公开提出了一种基于极限学习机的多智能体的任务理解方法，能够充分利用战场环境的态势信息和多智能体能力值等信息，产生有效切合指挥员思维的理解结果，避开了一定程度上依赖专家系统的主观性因素，使得相同的指令在相同的条件下得到相同的任务理解结果，保证任务理解的准确性。

根据本公开的一方面，提出了一种基于极限学习机的多智能体的任务理解方法，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。