网格计算环境下资源联合分配的映射策略与机制

提出用于网格环境的资源协同调度框架及网格环境下多任务的资源映射策略,用图论中有向无环图解决资源调度过程中任务的优先级限制问题,并在有向无环图上构造兼容图,通过寻找图中最大独立任务集的方法,解决多任务对多资源请求的资源共享问题。给出了网格计算环境下动态资源联合分配的资源管理机制。     

协同演化算法在基坑支护工程优化设计中的应用

提出一个用于基坑支护工程优化设计的协同演化模型,并给出相应的协同演化算法．利用基坑支护系统各子系统之间既相互独立又相互联系的特点,提供了问题空间与外空间不断演化的协同机制,实现了基坑支护方案和细部结构的协同优化设计．通过一个简化的基坑支护参数优化问题——“锚杆 排桩”支护体系的应用实例,说明文中的模型和算法对于基坑支护工程的优化设计是有效且适用的．     

面向自主网格的多Agent动态协同图构造算法

网格环境的复杂性和动态性迫切需要自主计算技术的支持。在前期工作中给出地自主网格体系结构基础上,为解决任务执行过程中资源或服务失效情况下多Agent间协同的问题,提出了多Agent动态协同图的概念和任务偏序集驱动地多Agent动态协同图构造算法。图中的顶点是由Agent和自主网格服务组成的序偶,构造算法由任务偏序集到服务集的映射,逐层构造图中的顶点。该图通过Agent对本地服务的感知和Agent间的通信,达到任务执行过程中服务间自主协同的目标。模拟实验的结果验证了算法的正确性,表明算法的时间复杂度主要由任务哈斯图的层数决定,并且Agent的感知时间具有鲁棒性。     

基于半马氏博弈模型的分层强化学习研究

针对多Agent强化学习研究中面临的非马尔可夫环境和维数灾难问题,提出了一种半马氏博弈模型和MAHRL(multi-agent hierarchical reinforcement learning)协同框架.该模型弱化了系统对外界环境的要求,引入了随机时间步和通信策略的概念,更符合MAHRL研究的实际情况;协同框架中分别用SMG和SMDP模型对不同子任务进行建模,明确了Agent之间的协同机制.通过实验证明了SMG模型和协同框架的有效性和优越性.     

基于CSCW的商用CAD系统框架结构

在充分研究现有商业CAD体系结构的基础上提出了一种新的基于CSCW的商用CAD系统框架结构.该系统框架在原有DoctorCAD系统的基础上全面采用JAVA技术,并增加了外部用户接口和协同控制模块,实现了异地协同设计.最后具体讨论了关于本系统的一些关键性技术并给出了一个系统的应用实例.通过应用实例表明,该系统框架很好地满足了现代商业设计的要求.     

基于偏序关系的进化技术在概念设计中的应用

本文论述了基于偏序关系的进化技术在计算机辅助概念设计中的应用,为了说明基于偏序关系的进化技术在开发面向用户的进化系统中的有效性,我们给出了一个计算机辅助概念设计系统,它可以辅助设计师更好地完成概念创新设计。作为应用,我们已经将本系统应用在建筑概念设计中,本文以办公楼建筑造型的概念设计为例来说明本系统。     

基于偏序关系的进化技术在概念设计中的应用

本文论述了基于偏序关系的进化技术在计算机辅助概念设计中的应用。为了说明基于偏序关系的进化技术在开发面向用户的进化系统中的有效性，我们给出了一个计算机辅助概念设计系统，它可以辅助设计师更好地完成概念创新设计。作为应用，我们已经将本系统应用在建筑概念设计中，本文以办公楼建筑造型的概念设计为例来说明本系统。     

面向语义服务架构的协同制造平台集成框架

为了实现网络化制造环境下跨企业协同制造过程中资源、数据、应用、能力等的有效集成,对面向服务架构进行了语义扩展,提出基于语义面向服务架构的协同制造平台集成框架.设计了该协同制造平台的分层体系结构和主要功能区.给出了制造服务建模方法,通过制造服务的形式化定义消除技术实现中的差异性,并对OWL-S语言进行扩展来描述制造服务以实现服务的语义性.然后给出了制造服务集成方法.最后给出了应用原型及实现,通过纺织机械制造企业的应用案例证明了该方法的可行性与有效性.     

二元网络服务关系及动态服务组合的研究

动态网格服务组合能在服务运行过程中集成和协同多个服务的功能,因此能解决面向服务应用中的复杂问题。基于二元关系理论,给出了与网格服务关系相关的一些概念。在对以上概念有关性质研究的基础上,提出了任务偏序集驱动的动态服务组合方法。该方法容易实现,仿真实验结果表明该方法的组合效率很高。     

基于SOA的生产任务管理集成框架的研究

针对大型制造业企业中不同部门间的协同生产和资源优化配置的问题,提出了一种基于SOA的生产任务管理集成框架,该框架以SOA和工作流技术为基础,企业可以通过生产部门提供的服务进行组件式的任务制定。同时在部门间实现资源的发现和共享,由生产任务所依赖的资源进行生产任务的驱动,改善了生产任务安排的合理性,促进了企业内不同部门协同生产。最后应用该框架对一个实例进行了验证。     

融合语义差别和流型学习的偏标记学习方法

偏标记学习是一种重要的弱监督学习框架。在偏标记学习中,每个实例与一组候选标记相关联,它的真实标记隐藏在候选标记集合中,且在学习过程中不可获知。为了消除候选标记对学习过程的影响,提出了一种融合实例语义差别最大化和流型学习的偏标记学习方法(partial label learning by semantic difference and manifold learning, PL-SDML)。该方法是一个两阶段的方法：在训练阶段,基于实例的语义差别最大化准则和流型学习方法为训练实例生成标记置信度;在预测阶段,使用基于最近邻投票的方法为未知实例预测标记类别。在四组人工改造的UCI数据集中,在平均70%的情况下优于其他对比算法。在四组真实偏标记数据集中,相比其他对比算法,取得了0.3%～13.8%的性能提升。     

A review on reinforcement learning for contact-rich robotic manipulation tasks

Research and application of reinforcement learning in robotics for contact-rich manipulation tasks have exploded in recent years. Its ability to cope with unstructured environments and accomplish hard-to-engineer behaviors has led reinforcement learning agents to be increasingly applied in real-life scenarios. However, there is still a long way ahead for reinforcement learning to become a core element in industrial applications. This paper examines the landscape of reinforcement learning and reviews advances in its application in contact-rich tasks from 2017 to the present. The analysis investigates the main research for the most commonly selected tasks for testing reinforcement learning algorithms in both rigid and deformable object manipulation. Additionally, the trends around reinforcement learning associated with serial manipulators are explored as well as the various technological challenges that this machine learning control technique currently presents. Lastly, based on the state-of-the-art and the commonalities among the studies, a framework relating the main concepts of reinforcement learning in contact-rich manipulation tasks is proposed. The final goal of this review is to support the robotics community in future development of systems commanded by reinforcement learning, discuss the main challenges of this technology and suggest future research directions in the domain.     

Learning,goals, and learning goals: A perspective on goal-driven learning

In cognitive science, artificial intelligence, psychology, and education, a growing body of research supports the view that the learning process is strongly influenced by the learner's goals. The fundamental tenet ofgoal-driven learning is that learning is largely an active and strategic process in which the learner, human or machine, attempts to identify and satisfy its information needs in the context of its tasks and goals, its prior knowledge, its capabilities, and environmental opportunities for learning. This article examines the motivations for adopting a goal-driven model of learning, the relationship between task goals and learning goals, the influences goals can have on learning, and the pragmatic implications of the goal-driven learning model. It presents a new integrative framework for understanding the goal-driven learning process and applies this framework to characterizing research on goal-driven learning.     

Reinforcement learning of multiple tasks using a hierarchical CMAC architecture

A reinforcement learning approach based on modular function approximation is presented. Cerebellar Model Articulation Controller (CMAC) networks are incorporated in the Hierarchical Mixtures of Experts (HME) architecture and the resulting architecture is referred to as HME-CMAC. A computationally efficient on-line learning algorithm based on the Expectation Maximization (EM) algorithm is proposed in order to achieve fast function approximation with the HME-CMAC architecture.

The Compositional Q-Learning (CQ-L) framework establishes the relationship between the Q-values of composite tasks and those of elemental tasks in its decomposition. This framework is extended here to allow rewards in non-terminal states. An implementation of the extended CQ-L framework using the HME-CMAC architecture is used to perform task decomposition in a realistic simulation of a two-linked manipulator having non-linear dynamics. The context-dependent reinforcement learning achieved by adopting this approach has advantages over monolithic approaches in terms of speed of learning, storage requirements and the ability to cope with changing goals.     

基于Spark的分布式机器人强化学习训练框架

强化学习能够通过自主学习的方式对机器人难以利用控制方法实现的各种任务进行 训练完成,有效避免了系统设计人员对系统建模或制定规则。然而,强化学习在机器人开发应用 领域中训练成本高昂,需要花费大量时间成本、硬件成本实现学习训练,虽然基于仿真可以一定 程度减少硬件成本,但对类似 Gazebo 这样的复杂机器人训练平台,仿真过程工作效率低,数据 采样耗时长。为了有效解决这些问题,针对机器人仿真过程的平台易用性、兼容性等方面进行优 化,提出一种基于 Spark 的分布式强化学习框架,为强化学习的训练与机器人仿真采样提供分布 式支持,具有高兼容性、健壮性的特性。通过实验数据分析对比,表明本系统框架不仅可有效提 高机器人的强化学习模型训练速度,缩短训练时间花费,且有助于节约硬件成本。     

Stabilizing position/force control of robots interacting with environment by learning connectionist structures

This paper is mostly concerned with the application of connectionist architectures for fast on-line learning of robot dynamic uncertainties used at the executive hierarchical control level in robot contact tasks. The connectionist structures are integrated in non-learning control laws for contact tasks which enable stabilization and good tracking performance of position and force. It has been shown that the problem of tracking a specified reference trajectory and specified force profile with a present quality of their transient response can be efficiently solved by means of the application of a four-layer perceptron. A four-layer perceptron is part of a hybrid learning control algorithm through the process of synchronous training which uses fast learning rules and available sensor information in order to improve robotic performance progressively in the minimum possible number of learning epochs. Some simulation results of the deburring process with robot MANUTEC r3 are shown to verify effectiveness of the proposed control learning algorithms.     

基于块对角化表示的多视角字典对学习

字典学习作为一种高效的特征学习技术被广泛应用于多视角分类中。现有的多视角字典学习方法大多只利用多视角数据的部分信息,且只学习一种类型的字典。实际上,多视角数据的相关性信息和多样性信息同样重要,且仅考虑一种合成型字典或解析型字典的学习算法不能同时满足处理速度、可解释性以及应用范围的要求。针对上述问题,提出了一种基于块对角化表示的多视角字典对学习方法(Block-Diagonal Representation based Multi-View Dictionary-Pair Learning,BDR-MVDPL),该方法通过引入字典对学习模型获得包含更多对分类有用的信息的表示系数,并通过显式约束使其具有块对角化结构,保证了编码系数矩阵的判别性;然后采用特征融合的方式将所有视角的编码系数进行串联,并将串联后的编码系数回归到对应的标签向量上,使多视角数据的多样性信息和数据相关性能够同时被利用;最后,该算法将字典学习与分类器学习整合到一个框架中,采用迭代求解的方式,交替更新字典对和分类器,使所提方法能够自动完成分类。3个多特征数据集上的实验结果表明,与主流的多视角字典学习算法相比,所提算法在保持低复杂度的同时具有更高的分类准确率。     

二次集成学习在医疗数据挖掘中的应用

CCDM 2014数据挖掘竞赛基于医学诊断数据,提出了实际生活中广泛出现的多类标问题和多类分类问题。针对两个问题出现的类别不平衡现象以及训练样本较少等特点,为了更好地完成数据挖掘任务,借助二次学习和集成学习的思想,提出了一个新的学习框架--二次集成学习。该学习框架通过首次集成学习得到若干置信度较高的样本,将其加入到原始训练集,并在新的训练集上进行二次学习,进而得到泛化性能更高的分类器。竞赛结果表明,与常用的集成学习相比,二次集成学习在两个问题上均取得了非常理想的结果。     

基于自监督图对比学习的视频问答方法

视频问答作为一种跨模态理解任务,在给定一段视频和与之相关的问题的条件下,需要通过不同模态语义信息之间的交互来产生问题的答案.近年来,由于图神经网络在跨模态信息融合与推理方面强大的能力,其在视频问答任务中取得了显著的进展.但是,大多数现有的图网络方法由于自身固有的过拟合或过平滑、弱鲁棒性和弱泛化性的缺陷使得视频问答模型的性能未能进一步提升.鉴于预训练技术中自监督对比学习方法的有效性和鲁棒性,在视频问答任务中利用图数据增强的思路提出了一种图网络自监督对比学习框架GMC.该框架使用针对节点和边的两种数据增强操作来生成相异子样本,并通过提升原样本与生成子样本图数据预测分布之间的一致性来提高视频问答模型的准确率和鲁棒性.在视频问答公开数据集上通过与现有先进的视频问答模型和不同GMC变体模型的实验对比验证了所提框架的有效性.