Research on Deep Reinforcement Learning-based Coordinated Control Strategy for Multi-Intelligent Bodies under Software System Architecture
Notice bibliographique
Résumé
In today's society, a single intelligent body does not meet the needs of complex tasks, and coordinated control of multiple intelligences becomes an important solution.In this regard, this paper carries out the research on the coordinated control strategy of multiple intelligences supported by deep reinforcement learning technology.Aiming at the problems of uneven task distribution and unsatisfactory decision consistency arising from the collaborative decision making of multiple intelligences under the software system architecture, a hierarchical multi-intelligence collaborative decision-making algorithm based on the AC framework is proposed to realize the information exchange and decision-making collaboration among intelligences, so as to improve the efficiency of coordinated control.However, with the increase of the number of multi-intelligents, the algorithm will have the problem of upper and lower level non-smoothness, in order to solve this problem, a multiintelligents collaborative algorithm based on role parameter sharing is designed.Finally, the research scheme of this paper is evaluated and analyzed from multiple dimensions.When the number of intelligences increases by 5, the reward value of this paper's algorithm does not show a decreasing trend, which indicates that this paper's algorithm is able to handle the control coordination problem in the case of a small number of intelligences.When the number of intelligences increases by 15, the original method shows a decreasing trend, while in the multi-intelligence body collaboration algorithm based on the sharing of role parameters, the performance is very bright, which ensures the coordinated control effect of multi-intelligence bodies under the software system architecture.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».