亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

異構多智能體系統為解決農業、軍事、裝配和倉庫自動化等不同領域的復雜問題提供了可能，否則單個智能體是無法解決這些問題的。要有效部署異構多機器人團隊，研究必須解決不同抽象程度的四個問題：任務規劃（是什么）、運動規劃（如何）、任務分配（誰）和調度（何時）。這些問題高度相互依存，先前的工作已經證明，利用這些問題的單個解決方案之間的協同作用的系統可以提高多機器人協調的效率和效益。

本文研究了在多智能體組隊應用中使用基于特質的模型來表示單個智能體，以及如何利用基于特質的建模來實現更穩健、更高效的多智能體聯盟組建解決方案。具體來說，我們研究了如何在聯盟組建算法中使用這些技術來回答任務分配、調度、運動規劃和任務規劃這四個問題。

我們的研究表明，利用基于機器人和任務特質建模的算法可以在異構多機器人團隊中實現高效的協調，并且在時間進度、分配質量和計算效率方面優于現有方法。本論文的貢獻如下：

• 創建一個建模框架，使現代任務分配算法能夠推理動態特征。通過使用基于轉換的建模框架，我們創建了對以往基于特質的建模技術的擴展，以更好地推理智能體的特質如何隨時間變化。

• 為異構多機器人系統開發基于時間擴展特質的任務分配和路徑規劃統一框架。我們引入了一種基于搜索的方法，用于基于特質的時間擴展任務分配和運動規劃，命名為增量任務分配圖搜索（ITAGS）。

• 整合任務規劃、任務分配、調度和運動規劃的新型多機器人協調問題的形式化和解決方案。我們形式化了一類新的多機器人協調問題，該問題融合了這些問題中的每一個，并提出了一種解決方案（圖形遞歸同步任務分配、規劃和調度（GRSTAPS））。

• 為 ITAGS 的動態變體創建框架，該變體能夠進行基于特征的任務分配修復： 我們對 ITAGS 進行了擴展，使用基于特質的動態時間擴展任務分配算法，如果智能體的特質或任務要求在執行過程中發生變化，該算法可以修復任務分配。

• 創建一個主動學習框架，用于學習多智能體任務分配問題的特質要求： 由于理解一個聯盟的特質與該聯盟在特定任務中的表現之間的關系可能具有挑戰性，因此我們提出了一種主動學習框架來學習任務與特質之間的關系。此外，我們還提供了一種新的時間擴展任務分配算法，該算法能夠優化學習到的質量模型。

圖 2.1： 顯示各種多機器人協調問題交叉點的維恩圖。

本論文研究決策的各個方面，重點是認知建模的概率工具。其中一種工具就是所謂的經典概率理論（CPT，或貝葉斯理論；Tenenbaum & Griffiths, 2001; Chater et al. 其廣泛的論點是，認知處理必須反映出對環境統計結構的某種最佳適應，因此，人類認知必須與貝葉斯理論的原則相一致（Oaksford & Chater, 2009）。在許多情況下，CPT 似乎確實能準確描述行為，尤其是決策制定（Siegel 等人，2018 年），而這正是本研究的重點。

CPT在決策文獻中的主導地位之所以受到挑戰，部分原因在于兩位最具影響力的心理學家：特維爾斯基和卡尼曼（前者是被引用次數最多的心理學家之一，后者獲得過諾貝爾經濟學獎）。Tversky 和 Kahneman 提供了幾個例子，在這些例子中，人類決策者不斷做出與 CPT 原則截然相反的判斷。舉例來說，他們要求參與者判斷假設的女性琳達更有可能是 "銀行出納員和女權主義者"，還是 "銀行出納員"。由于琳達被描述為女權主義者，而完全不是銀行出納員，大多數參與者傾向于推斷概率（銀行出納員和女權主義者）>概率（銀行出納員）。這一結論被稱為連接謬誤（CF，Tversky & Kahneman，1983 年）。根據 CPT（在單一概率空間中），這是不可能的，這就好比問倫敦 12 月下雪和下雨的頻率與倫敦 12 月只下雪的頻率。顯然，我們不可能讓前一個（連帶）事件的發生天數多于后一個，這是不可能的。

現代決策理論的發展已經超越了將 CPT 作為決策正規化的主要方法。雖然 CF 與 CPT（基本）框架不兼容，但我們可以借鑒其他框架，如量子理論（QT），來考慮 CF 決策是否可以被視為合理。量子理論已被確立為決策制定的重要替代形式框架。在量子理論中，概率是以不同的方式計算的（使用不同的公理），因此，與 CPT 相比，對于哪些判斷是適當的，所產生的直覺可能會有很大不同。事實上，CPT 和 QT 之間有許多不同之處，這些不同之處為我們提供了一個細微的圖景，說明在什么情況下，CPT 或 QT 可能是更適合理解人類決策的框架。例如，在 CPT 中，事件肯定是真的或假的，但在 QT 中，有些事件可能既不是真的也不是假的。在 CPT 中，原則上一組問題都可以同時得到解決，因此我們可以討論任何問題結果組合的概率（這些聯合概率總是必須存在的）。在 QT 中，有些問題是不相容的，這意味著通常不可能同時解決這些問題。對于不相容的問題，一個問題的確定性會帶來另一個問題的不確定性。QT 中的概率推理強烈依賴于上下文和視角，而 CPT 則（自然地）不依賴于上下文和視角。

CPT 和 QT 都是允許我們理解事件概率的模型，盡管方式不同--CPT 和 QT 基于不同的公理，通常做出不同的預測。讓我們先來探討一下 CPT。假設你擲了一個六面骰子。如果你再擲一百次或一百萬次，每次擲出 4 的概率仍然是六分之一。擲出 4 然后擲出 6 的概率與擲出 6 然后擲出 4 的概率相同。這一點具有重要意義，因為在 CPT 中，我們對結果的任何疑問原則上都可以同時得到解決。例如，連續擲一百次 4 的概率是多少？事實上，我們可以討論任何問題結果組合的概率，以及這些概率是如何始終存在的。

現在讓我們來看看 QT。假設我們現在拿起了一組新的六面 "量子 "骰子（當然，請注意，這個例子是臆造出來的）。它們的量子特性是什么？它們的結果將不再能夠同時得到解決。我們將不得不使用不同的基本算術來計算結果組合的概率，骰子結果的分布將與 CPT 的預期結果形成鮮明對比。例如，這次當我們擲出 4 和 6 時，擲出 6 和 4 的概率是不同的。當我們開始將量子規則應用于行為場景時，這將產生非凡的影響。例如，讓我們問某人一組問題： "你喜歡你的工作嗎？"和 "你快樂嗎？" 根據你回答這些問題的順序，你很可能得到截然不同的回答。

本論文分為五個部分。本章是對當前工作的總體介紹。第 2 章至第 4 章介紹了測試 QT 在不同決策環境中的實用性的實驗研究。第 5 章是總結論，概述了本研究的理論成果和局限性。

傳統的建模、仿真和分析（MS&A）大多由工程模型支持，即基于牛頓物理學的封閉系統的確定性表征。這種方法并不適合表現人類行為的復雜性。這項研究倡導并試圖闡明一種更加以人為本的 MS&A 方法的概念，這種方法可以更好地代表決策和人類行為的其他認知方面，就像代表身體活動一樣。

首先將個人和群體視為復雜的適應系統，而這種系統最好使用基于智能體的建模來表示。通過智能體對人類行為的表征包含了決策模型、知識工程和知識表征，以及人與人之間及其與環境之間的心理和生理互動的全部內容。這種表征方式的典型例子是將態勢感知/態勢理解（SA/SU）作為核心要素加以考慮。

由此，開發了一個概念驗證模擬，模擬一個具體、易于理解和量化的人類行為實例：智能體在模擬世界中試圖導航時在空間上 "迷失 "了方向。這個模型被命名為 "智能迷失模型"（MOBIL），因為這兩種狀態的能力是模擬的核心。MOBIL 采用面向對象的軟件原理與基于智能體的建模相結合的方式，建立了應用以人為本的分析方法的實用性。

在一些虛擬實驗中應用該模擬，說明了它如何支持對個人的 SA/SU 和相關決策過程進行調查。

與決策相關的活動，如自下而上和自上而下的策略制定、分析和規劃，都將受益于基于計算機的模型的開發和應用，這些模型能夠在當地環境中表現人類的時空社會行為。在努力了解和尋找減緩氣候變化特定影響的方法時尤其如此，在這種情況下，此類模型需要包括相互影響的社會和生態要素。此類模型的開發和應用一直受到以下挑戰的嚴重阻礙：設計行為以經驗證據和理論為基礎的智能體，以及測試智能體代表現實世界決策者行為的能力。本論文通過以下方法克服了這些挑戰，從而提高了開發此類模型的能力： (a) 三個新框架，(b) 兩種新方法，以及 (c) 兩種新的開源建模工具。這三個新框架包括 (a) SOSIEL 框架，它為開發新一代認知、多智能體和基于知識的模型提供了一個有理論基礎的藍圖，這些模型由具有認知架構的智能體組成； (b) 一個分析決策者有界理性的新框架，它為分析決策情境與決策者決策之間的關系提供了洞察力和便利；以及 (c) 一個分析人工智能體雙重有界理性（DBR）的新框架，它對決策情境與人工智能體決策之間的關系做了同樣的分析。這兩種新方法包括 (a) 用于獲取和操作決策知識的 SOSIEL 方法，它提高了我們為認知模型、多智能體模型和基于知識的模型獲取、處理和表示決策知識的能力；以及 (b) 用于測試人工智能體表示人類決策能力的 DBR 方法。這兩個開源建模工具包括 (a) SOSIEL 平臺，這是一個基于認知、多智能體和知識的平臺，用于模擬人類決策；以及 (b) 將該平臺作為 SOSIEL 人類擴展（SHE）應用于現有的森林氣候變化模型，即 LANDIS-II，以便分析人類與森林氣候之間的共同進化互動。為了提供示例背景和知識獲取指南，論文包括烏克蘭喀爾巴阡山地區社會生態互動的案例研究，該地區目前正在應用 LANDIS-II 和 SHE。因此，本論文通過以下方式推動科學發展 (a) 為下一代基于認知、多智能體和知識的模型提供理論基礎并展示其實施；(b) 為理解、分析和測試人工智能體代表人類決策的能力提供植根于心理學的新視角。

基于模型的決策支持系統（MDSS）在航空、應急管理、軍事指揮與控制、醫療保健、核行動、情報分析和海上行動等許多后果嚴重的專業領域都非常突出。MDSS 通常使用任務和操作員的簡化模型，對決策情況進行結構化處理，并向操作員提供對決策任務有用的信息提示。模型是一種簡化，可能會被錯誤定義，并存在誤差。采用和使用這些錯誤的模型會導致用戶的決策貧乏。本文把決策者的這種貧乏狀態稱為 "模型盲"。我們進行了兩個系列實驗，以研究模型盲對人類決策和績效的不利影響，以及如何通過可解釋人工智能（XAI）干預來減輕這些影響。本論文還報告了模擬結果，通過展示模型盲區和模型盲區緩解技術對性能的影響來激發實驗。實驗將模擬路線推薦系統作為具有真實數據生成模型（不可觀測世界模型）的 MDSS 來實施。在實驗 1 中，生成推薦路線的真實模型以及額外的非推薦路線和相關屬性信息被錯誤地指定為不同級別，從而對 MDSS 用戶造成了模型盲區。在實驗 2 中，同樣的路線推薦系統采用了緩解技術，以克服模型失當對決策質量的影響。總體而言，這兩項實驗的結果幾乎都不支持由于模型盲區而導致的性能下降，因為模型盲區是由錯誤的系統造成的。實驗 1 和實驗 2 中捕捉到的行為對參與者所處的不同誤設統計環境的敏感性極低。有確鑿證據表明，在不同條件下，推薦的替代方案以及參與者對這些方案的依賴或偏離都會產生影響。XAI 干預為了解參與者如何調整決策以考慮系統中的偏差以及如何偏離模型推薦的備選方案提供了寶貴的見解。參與者的決策策略表明，他們能夠從反饋或解釋中理解模型的局限性，并相應地調整策略以考慮模型中的錯誤規范。這些結果為評估決策策略在模型盲區匯合模型中的作用提供了有力支持。這些結果有助于確定在 MDSS 的開發、實施和使用階段仔細評估模型盲區的必要性。

圖 3. 為實驗開發的路線推薦系統中使用的模型

本論文將雷達信號處理與數據驅動的人工神經網絡（ANN）方法相結合。信號處理算法通常基于對數據形成過程的建模假設。在某些情況下，這些模型足以設計出良好甚至最優的解決方案。

但在很多情況下，這些模型可能過于復雜，無法形成分析解決方案；可能過于簡化，導致實際結果與理論上的結果大相徑庭；可能是未知的，即多個已知模型或參數值中的一個可能適合數據，但我們不知道是哪個；或者過于復雜，導致解決方案的計算量過大。

數據驅動的方差網絡方法提供了彌合這些差距的簡單方法。我們在四項不同的研究中證明了這一點，在這些研究中，我們利用雷達數據模型來制定數據驅動型解決方案，這些解決方案既準確又具有計算效率。

我們將基于 ANN 的結果與計算要求極高的最小二乘法和窮舉匹配過濾法進行了比較。結果表明，ANN 的性能可與這些方法相媲美，但計算量卻很小。我們在使用各種參數值的模型采樣數據上訓練人工智能網絡。這自然可以處理漂移和未知參數值，它們可能會改變數據，但不會改變所需的預測結果。我們的研究表明，根據簡單模型的數據訓練出的 ANN 分類器的實際表現可能比理論預期的要差得多。我們通過將有限的真實數據與合成模型數據相結合來改善這種情況。在所有情況下，我們都使用了易于評估的模型。然而，這些模型的分析方法并不簡單，無法創建分析解決方案。

特別是，我們提出了一種實現非相干脈沖壓縮的方法，可在單脈沖寬度內分辨目標。我們提出了一種檢測微弱目標軌跡的方法，該方法無需事先假設目標加速度、信噪比等。我們介紹了在訓練無人機和非無人機目標分類器時納入不完美模型數據的不同方法。最后，我們介紹了一種估算海面多徑傳播路徑差的方法，用于目標跟蹤。

本文的主要重點是開發一種低成本、魯棒性和高效的合作定位解決方案，以幫助無人自主飛行器在全球定位系統缺失或性能下降的條件下進行導航。

首先，推導出固定翼無人機（UAV）和多旋翼無人機的完全可觀測性條件。創建了一個相對位置測量圖（RPMG），圖中的節點是車輛或已知特征（地標），它們之間的邊代表測量結果。利用圖論和線性代數概念，得出了可觀測矩陣最大秩的條件，并建立了可觀測矩陣秩與系統中可用測量值之間的關系。該分析條件的缺點之一是必須在所有時間時刻保持一個連通的 RPMG。因此，我們提出了一種離散時間可觀測性條件，即一個時間間隔內的 RPMG 的聯合必須是相連的。

接下來，將討論無人飛行器 (UV) 緊密協調和控制的一個基本問題。在各種應用中，飛行器的慣性位置并不重要。在這種情況下，車輛之間的相對姿態和方位對開發控制器非常有用。眾所周知，擴展卡爾曼濾波器（EKF）的性能非常出色，前提是它的初始化接近真實位置并能接收到測量結果。對于沒有任何全球定位系統（GPS）測量數據或網絡延遲嚴重（需要重新初始化濾波器）的長距離行駛車輛，已知先驗信息的假設是無效的。為了規避這些問題，我們開發了一種多假設卡爾曼濾波器（MHEKF），該濾波器在初始化過程中沒有先驗信息，這意味著相關的不確定性非常大。

最后，解決了地面車輛的分布式合作定位問題。集中式合作定位需要大量計算。我們開發了一種分布式合作定位算法，使組內的每輛車都能估計自己的慣性狀態。該算法是為自主地面車輛開發的，在仿真中僅使用測距數據。

圖 1.1：合作定位的相對位置測量圖，其中塔作為地標（已知興趣點），不同的 UV 相互合作。

本論文旨在設計有效的方法，將已知結構融入機器學習模型中。結構的產生源于問題的形式化（例如，物理約束、聚合約束）或模型所需的屬性（能效、稀疏性、魯棒性）。在許多情況下，建模者對他們正在建模的系統有一定的了解，這必須以精確的方式進行加強。這對于提供充分的安全保證，或提高系統效率是必要的：用更少的數據訓練系統，或減少計算成本。本論文在各種設置中提供了方法，這些方法建立在連續的、受約束的優化和可微統計建模（也稱為深度學習）的兩個基礎領域之上。

論文的第一部分集中于設計和分析帶有凸約束的優化問題的高效算法。特別是，它關注Frank-Wolfe算法的兩個變體：第一個變體提出了一個快速的回溯線搜索算法，以自適應地設置全梯度設置中的步長；第二個變體提出了一個快速的隨機Frank-Wolfe算法，用于受約束的有限和問題。我還描述了對開源受約束優化軟件的貢獻。這篇論文的第二部分關注設計確切強制某些約束的深度學習模型：基于物理的約束，以及概率預測模型的聚合約束。這部分利用了雙層優化模型，并利用可微優化約束復雜神經網絡的輸出。我們證明，可以在復雜的非凸模型上強制執行復雜的非線性約束，包括概率模型。

這些例子展示了混合模型的威力，這些模型結合了數據驅動的學習，利用如深度神經網絡這樣的復雜非線性模型，并允許高效算法的經過深入研究的優化問題。這些混合模型幫助高度靈活的模型捕獲結構模式，有時甚至不需要任何數據訪問就能實現出色的性能。

近年來，機器學習模型在旨在匹配人類感知的領域（計算機視覺、音頻處理、自然語言）中取得了無數的成功。這些成功是通過理解如何利用模型輸入中的結構來實現的：圖片、聲音、文本、代碼，甚至分子的數字表示[1, 2, 3, 4]。為了在工程和科學中達到相似的成功水平，模型必須納入額外的結構性約束：模型的內部和輸出都應滿足某些關鍵屬性（例如，模型內部的稀疏或低秩權重，以及模型輸出的物理方程）。盡管優化領域長期以來一直關注如何實施這些約束，但將優化方法帶來的結構與數據驅動模型的靈活性結合起來的努力是非常近期的[5, 6]。這篇論文提出了新穎、高效的方法，將結構融入機器學習模型中，無論是在模型的內部（第一部分）還是在模型的輸出（第二部分）。我們認為這樣的混合系統將是為復雜的物理應用開發高性能系統的關鍵。機器學習中的結構性約束最近再次將Frank-Wolfe（FW）算法家族推到了聚光燈下。Frank-Wolfe算法允許對決策變量（例如，模型權重）施加凸約束，同時保持決策變量的稀疏表示。這篇論文的第一部分開發了新穎的Frank-Wolfe算法變體，以提高算法的實際速度。此外，我們還描述了我們的兩個開源優化庫：COPT和CHOP。在實際環境中部署決策制定系統時，系統必須執行物理約束：差異可能導致未定義的決策。例如，如果我們預測一個地區不同粒度的水庫的入水流量，不同級別的預測必須執行質量守恒；否則，會有未被計入的水量，破壞決策制定系統。這篇論文的第二部分考慮了將物理約束納入深度學習模型的問題，采用偏微分方程和分層質量守恒的形式。

將離散概率分布和組合優化問題集成到神經網絡中有許多應用，但也帶來了一些挑戰。本文提出隱式最大似然估計(I-MLE)，一種結合離散指數族分布和可微神經組件的模型端到端學習框架。I-MLE應用廣泛:它只要求能夠計算最可能的狀態;并且不依賴平穩的放松。該框架包括幾種方法，如基于擾動的隱微分和最近通過黑盒組合求解器進行微分的方法。本文引入一類新的噪聲分布，用于通過擾動和映射逼近邊界。當在一些最近研究的涉及組合求解器的學習環境中使用時，I-MLE簡化為最大似然估計。在幾個數據集上的實驗表明，I-MLE與現有的依賴于特定問題松弛的方法相比是有競爭力的，并且往往優于現有的方法。

圖神經網絡(GNNs)，能夠從圖形數據學習表示，自然適合建模分子系統。本文介紹了圖神經網絡及其在小有機分子中的各種應用。GNN依賴消息傳遞操作(一種通用但功能強大的框架)來迭代更新節點特性。許多研究設計了GNN架構，以有效地學習二維分子圖的拓撲信息和三維分子系統的幾何信息。GNN在分子性質預測、分子評分和對接、分子優化和從頭生成、分子動力學模擬等方面都有廣泛的應用。此外，本文還綜述了含有GNN分子的自監督學習的最新進展。