MétaCan
Menu
Retour à la cohorte
Enregistrement W4205821028 · doi:10.2514/6.2022-2215

Autonomous Strategic Defense: An Adaptive Clustering Approach to Capture Order Optimization

2022· article· en· W4205821028 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueAIAA SCITECH 2022 Forum · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueRobotic Path Planning Algorithms
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCluster analysisMathematical optimizationComputer scienceSet (abstract data type)Travelling salesman problemComputational complexity theoryPath (computing)Set cover problemConstraint (computer-aided design)Realization (probability)Optimization problemArtificial intelligenceAlgorithmMathematics

Résumé

récupéré en direct d'OpenAlex

View Video Presentation: https://doi.org/10.2514/6.2022-2215.vid The proliferation of UAV technology has introduced a new risk to the security of high-value assets. Emerging advancement in cooperative multi-agent control of UAVs presents a means of automating a defensive response to these new threats. A practical realization of an automated defense strategy is limited by the computational constraints of onboard computers. The UAV’s onboard computer must solve multiple non-convex NP-hard navigation optimization problems to maximize the effectiveness of its defensive strategy. One such problem is the challenge of finding the optimal flight path for a single defender that must capture multiple slower invaders. This problem has been labeled as the n-Invader Capture Order Problem, abbreviated as n-ICOP. This research proposes an approximation method for reducing the solution space of n-ICOP. Given a specific constraint on computational resources, the method can adaptively reduce the computational load while optimizing the accuracy of the approximation. The new method splits the n-ICOP into a grouping problem and an ordered set problem, like the clustered variant of the Traveling Salesman Problem. The optimal grouping of invaders is estimated efficiently through the k-means clustering algorithm. The estimated grouping scheme reduces the complexity of an approximated n-ICOP solution because all strategies that separate members of a group are excluded from the search space. Simulations of the approximated n-ICOP solution were performed on a large data set of randomized defender-invader scenarios. Analysis suggests that this novel algorithm can reliably generate near-optimal strategies at a small fraction of the computational cost of a full exact solution. The results of the simulated trials demonstrate that the reduction in search space is substantial for the vast majority of randomized scenarios. This significant improvement in computational efficiency, with a sufficient degree of reliability, provides a practical means of solving for feasible n-ICOP solutions in a computationally limited environment.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,171
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0020,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,028
Tête enseignante GPT0,242
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle