基于着色网的Agent会话协议规范与会话建模

会话以及与之相关的会话协议的概念，作为用来刻画Agent之间交互的抽象机制已经研究多年。然而对这些抽象的形式化规范还没有达成共识。文中基于着色网的形式化表示，对多Agent系统中Agent之间复杂并行的会话进行建模。着色网不但可以用来描述简单的会话协议，也可以描述由简单会话协议合成的复杂会话，刻画会话的并行特征以及复杂会话运行时的状态。     

身份保持约束下的面部图像超分辨率重建方法

低分辨率是影响人脸识别精度的重要因素。一种有效方法是使用图像超分辨率技术对低分辨率图像重建,生成超分辨率图像后再对其作人脸识别,从而克服低分辨率面部图像对人脸识别的限制。但是,现有超分辨率方法在重建过程中往往忽略了保持其原始身份信息,这直接影响生成图像的人脸识别结果。针对上述问题,提出了一种身份保持约束下的面部超分辨率重建方法IPNet,在提高低分辨率面部图像质量的同时,能保持重建后的面部图像身份。IPNet方法将语义分割网络和面部生成器相结合,通过语义分割网络提取低维隐码和多分辨率空间特征,进而指导面部生成器输出接近于原图的真实面部图像。在此基础上引入人脸识别网络,将身份信息整合到超分辨率方法中,从而约束重建前后的面部图像身份保持一致。实验结果表明,IPNet方法在超分辨率图像质量和身份保持上均优于其他对比方法。     

与职业标准衔接的Web前端开发课程教学探索与实践

针对当前Web前端开发课程教学中存在的问题,结合社会职业需求,提出包含从教学内容设计到教学实践的一套教学改革建议。     

基于自适应调节策略熵的元强化学习算法

传统的深度强化学习方法依赖大量的经验样本并且难以适应新任务.元强化学习通过从以往的训练任务中提取先验知识,为智能体快速适应新任务提供了一种有效的方法.基于最大熵强化学习框架的元深度强化学习通过最大化期望奖赏和最大化策略熵来优化策略.然而,目前以最大熵强化学习框架为基础的元强化学习算法普遍采用固定的温度参数,这在面对元强化学习的多任务场景时是不合理的.针对这一问题,提出了自适应调节策略熵(Automating Policy Entropy,APE)算法.该算法首先通过限制策略的熵,将原本的目标函数优化问题转换为受限优化问题,然后将受限优化问题中的对偶变量作为温度参数,通过拉格朗日对偶法求解得到其更新公式.根据得到的更新公式,温度参数将在每一轮元训练结束之后进行自适应调节.实验数据表明,所提算法在Ant-Fwd-Back和Walker-2D上的平均得分提高了200,元训练效率提升了82％;在Humanoid-Di-rec-2D上的策略收敛所需的训练步数为23万,收敛速度提升了127％.实验结果表明,所提算法具有更高的元训练效率和更好的稳定性.     

基于神经网络与遗传算法的振动钻削仿真

将人工神经网络与遗传算法相融合,利用遗传算法优化多层前馈神经网络的结构和初始参数,利用多层前馈网络的映射能力进行振动钻削仿真,最后对训练好的神经网络稍加改造,利用BP网的逆映射进行参数优化。试验表明神经网络与遗传算法应用于振动钻削过程仿真是可行的,为振动钻削的研究提供了新的思路。     

基于XML的Agent通信语言

Agent之间的交互与合作是Agent系统中核心问题之一，而Agent通信语言(ACL)是实现交互与合作的基础。根据目前Agent的应用环境，分析了目前主流通信语言KQML与FIPA ACL以及与之相关的内客语言的缺点，结合WWW的主流技术XML，提出基于XML的ACL。     

基于遗传算法的神经网络振动钻削参数优化

应用人工神经网络进行振动钻削仿真与参数优化时常用逆映射BP网 ,而BP网的逆映射极易陷入局部极小点。本文提出利用遗传算法与BP网的混合系统进行参数优化。实验结果表明 ,遗传算法是一种全局优化方法 ,可有效地应用于机械加工领域 ,为振动钻削的参数优化提供了一个新的研究方法。     

基于人工神经网络的振动 钻削仿真与参数优化

将人工神经网络（ＡＮＮ）技术引入振动钻削领域,研究适用于变参数振动钻削过程仿真与参数优化的神经网络模型和算法。实验表明, ＡＮＮ优化精度较高,为振动钻削研究提供了新的分析方法与途径。     

一种基于独立任务的POMDP问题的解决方法*

部分可观测马尔可夫决策过程(POMDP)是马尔可夫决策过程(MDP)的扩展。通常利用POMDPs来模拟在部分可观测的随机环境中决策的Agents。针对完整POMDP的求解方法扩展能力弱的问题,提出把一个多元的POMDP分解成一组受限制的POMDPs,然后分别独立地求解每个这样的模型,获得一个值函数并将这些受限制的POMDPs的值函数结合起来以便获得一个完整POMDP的策略。该方法主要阐述了识别与独立任务相关的状态变量的过程,以及如何构造一个被限制在一个单独任务上的模型。将该方法应用到两个不同规模的岩石采样问题中,实验结果表明,该方法能够获得很好的策略。     

一种基于特征信息组合的本体匹配流程

在串行和并行的多策略本体匹配流程中,存在重复计算、匹配效率不高和多个相似度矩阵难以聚合等问题。为此,提出一种基于本体特征信息组合的混合多策略本体匹配流程。利用本体的名称、注释、实例等元素级信息进行初始匹配,并直接确定一部分实体的匹配关系,对于无法确定匹配关系的实体,则再利用本体的内外部结构特征迭代计算其相似度进行判断。实验结果证明,该方法能有效减少匹配的计算量,同时特定信息的组合能保证匹配准确度,具有较好的匹配效果和效率。