新書推薦：
《
最后一章
》
售價：HK$
81.6
《
20世纪中国工艺美术史（上下卷）
》
售價：HK$
597.6
《
为何只有我们：语言与演化（语言学及应用语言学名著译丛）
》
售價：HK$
69.6
《
巴西史（区域国别史丛书）
》
售價：HK$
117.6
《
科学实验与编程（Python版）
》
售價：HK$
70.8
《
直升机突击：美国陆军航空兵：1962—1973
》
售價：HK$
167.8
《
东方美学口袋书 中国颜色
》
售價：HK$
47.8
《
理性之蚀
》
售價：HK$
93.6
|
| 編輯推薦： |
本书特色：
1.提出了基于深度学习的资源 - 任务智能化匹配技术，解决了空天资源智能任务规划问题中的资源 - 任务快速筛选问题。
2. 设计了面向空天资源的任务智能化分配技术，解决了空天任务分配问题中增加任务频次的需求和降低服务成本的需求的冲突的问题。
3. 设计了基于蚁群优化的天基资源任务智能规划技术，解决了天基资源的任务规划问题。
4. 设计了基于演化计算的空基资源任务智能规划技术，解决了空基资源的任务规划问题。
|
| 內容簡介： |
|
本文针对空天资源的联合任务规划进行了研究和阐述，主要内容包括： 第一章介绍了研究背景和国内外研究现状。 第二章介绍了空天资源联合任务规划中存在的主要问题。 第三章提出了基于深度学习的资源 - 任务智能化匹配技术。 第四章提出了面向空天资源的任务智能化分配技术。 第五章提出了基于蚁群优化的天基资源任务智能规划技术。 第六章提出了基于演化计算的空基资源任务智能规划技术。 第七章进行了总结与展望。 主要特色和创新点： 1. 提出了基于深度学习的资源 - 任务智能化匹配技术，解决了空天资源智能任务规划问题中的资源 - 任务快速筛选问题。 2. 设计了面向空天资源的任务智能化分配技术，解决了空天任务分配问题中增加任务频次的需求和降低服务成本的需求的冲突的问题。 3. 设计了基于蚁群优化的天基资源任务智能规划技术，解决了天基资源的任务规划问题。 4. 设计了基于演化计算的空基资源任务智能规划技术，解决了空基资源的任务规划问题。 读者对象： 从事任务规划问题研究的专业人员，高校与科研院所的研究员。
|
| 關於作者： |
|
王原，于2021年获国防科技大学管理科学与工程专业博士学位，主要研究方向为智能优化与决策技术、智能优化方法、基于深度学习的优化理论等。以第一作者在《Swarm and Evolutionary Computation》等权威期刊发表SCI论文多篇，一篇入选ESI引用前10%。
|
| 目錄：
|
第 1 章 绪论 1
1.1 研究背景及意义 1
1.1.1 研究背景 1
1.1.2 研究意义 4
1.2 国内外研究现状 5
1.2.1 空天资源任务规划问题 5
1.2.2 天基资源任务规划问题 12
1.2.3 空基资源任务规划问题 18
1.2.4 智能优化方法 21
1.2.5 现状分析及总结 27
1.3 本书主要工作 28
1.3.1 研究路径设计 28
1.3.2 研究思路分析 30
1.3.3 主要创新点 31
1.4 本章小结 32
第 2 章 空天资源任务规划问题 33
2.1 问题描述 33
2.1.1 需求描述 33
2.1.2 问题界定 34
2.1.3 资源界定 36
2.1.4 协同方式界定 37
2.1.5 任务界定 39
2.2 求解框架 40
2.2.1 空天资源-任务匹配阶段 41
2.2.2 空天任务协同分配阶段 42
2.2.3 天基任务规划阶段 42
2.2.4 空基任务规划阶段 42
2.3 问题分析 44
2.3.1 空天资源-任务匹配问题 44
2.3.2 空天任务协同分配问题 46
2.3.3 天基资源任务规划问题 48
2.3.4 空基资源任务规划问题 50
2.4 本章小结 52
第 3 章 优化算法基本常识 53
3.1 深度 Q 网络简介 53
3.2 蚁群算法简介 55
3.3 模拟退火算法简介 57
3.4 本章小结 59
第 4 章 基于深度学习的资源-任务智能化匹配技术 60
4.1 基于作业车间调度的问题描述 60
4.1.1 空天资源-任务匹配问题的图模型 61
4.1.2 空天资源-任务匹配问题的向量表示 63
4.2 基于图神经网络的问题特征提取 64
4.2.1 空天资源-任务匹配问题的图神经网络模型 64
4.2.2 空天资源-任务匹配问题的图神经网络训练 64
4.3 基于双重深度 Q 网络的问题求解 66
4.3.1 双重深度 Q 网络基本定义 67
4.3.2 基于双重深度 Q 网络的空天资源-任务匹配问题求解 67
4.3.3 双重深度 Q 网络模型的训练 68
4.4 仿真实验及分析 70
4.4.1 仿真实验设计 70
4.4.2 算法效能分析 70
4.4.3 计算时间代价分析 72
4.4.4 训练时间代价分析 73
4.4.5 大规模问题泛化性实验 73
4.5 本章小结 77
第 5 章 面向空天资源的任务智能化分配技术 78
5.1 问题建模 78
5.2 求解方法 81
5.2.1 算法框架 81
5.2.2 改进蚁群算法 83
5.2.3 多目标模拟退火算法 86
5.2.4 邻域搜索算子设计 87
5.3 仿真实验及分析 88
5.3.1 仿真实验设计 88
5.3.2 算法基本表现分析 91
5.3.3 算法超体积表现分析 93
5.4 本章小结 95
第 6 章 基于蚁群优化的天基资源任务智能规划技术 97
6.1 问题建模 97
6.2 求解方法 100
6.2.1 算法框架 100
6.2.2 多蚁群算法 101
6.2.3 邻域搜索算子设计 105
6.3 仿真实验及分析 106
6.3.1 仿真实验设计 106
6.3.2 MAS-LS 算法参数调优实验结果 107
6.3.3 蚁群算法求解效能对比实验 108
6.3.4 客户选择规则测试 109
6.3.5 对比实验结果分析 109
6.4 本章小结 114
第 7 章 基于演化计算的空基资源任务智能规划技术 115
7.1 空基资源任务规划模型 115
7.1.1 基本假设 116
7.1.2 无人机速度更新模型 117
7.1.3 速度更新规则系统 120
7.2 基于演化计算的无人机集群控制模型优化方法 121
7.2.1 编码操作 122
7.2.2 交叉操作 122
7.2.3 变异操作 123
7.2.4 环境选择 123
7.2.5 种群多样性控制 123
7.2.6 评价指标 125
7.3 仿真实验及分析 127
7.3.1 实验设计 127
7.3.2 算法性能试验分析 128
7.3.3 控制模型性能试验分析 132
7.3.4 路径规划结果 133
7.4 本章小结 134
第 8 章 总结与展望 136
8.1 研究工作总结 136
8.2 未来工作展望 138
参考文献 140
附录 A 算法代码及实验结果 150
A.1 双重深度 Q 学习网络的训练 150
A.2 MOSA-ACO 算法表现分析 151
A.2.1 算法基本表现分析汇总 151
A.2.2 算法超体积分析表现分析汇总 156
A.3 天基资源任务规划问题仿真实验结果 158
A.4 无人机集群控制模型和路径规划结果 163
A.4.1 控制模型性能试验分析结果 163
A.4.2 路径规划详细结果 164
附录 B 缩写词列表 167
|
| 內容試閱：
|
当代，国民生活对空天信息的需求越来越大，对各类空天信息获取的时效性、综合性、复杂性要求越来越突出。尤其在响应国土资源测绘、防灾减灾、应急搜救等典型需求时，通常需要多类卫星或无人机等资源在复杂的任务条件下互相配合，共同完成一个或多个复杂需求。同时，空天信息的用户开始呈现下沉趋势，具体表现在用户对空天信息获取的工作流程熟悉程度下降，用户中非专家用户的比例上升。这就要求空天资源调配和控制系统能够充分理解用户的使命级需求，并在系统内现有资源的条件下，精准匹配用户需求，快速给出合理的空天资源分配和调度方案。
本书所述方法旨在帮助空天资源管控系统有效理解用户需求，结合系统内当前资源情况，快速给出合理的任务分配和资源调度方案。另外，在任务分配和资源调度方案基础上，结合不同类型资源的实际应用场景，针对不同类型资源的使用特点进行方案的智能优化。
本书将该问题划分为以下四个阶段：空天任务-资源匹配阶段、空天任务协同分配阶段、天基任务规划阶段、空基任务规划阶段。其中，空天任务-资源匹配阶段结合系统内现有资源的情况，以及空天信息用户的信息需求，生成对应的空天任务清单-空天资源匹配方案。空天任务分配阶段则在前一阶段产生的空天任务清单-空天资源匹配方案的基础上，结合系统内不同资源的特点和任务执行需求，对空天任务进行合理分配。天基任务规划阶段在空天任务协同分配方案和基础上，针对天基任务执行资源的使用特征，对天基任务执行方案进行优化。空基任务规划阶段则针对空天任务分配方案中的空基任务，在多目标优化方法和仿真实验的基础上，给出空基资源控制系统优化策略，辅助空基资源任务执行。本书的主要内容包括：
（1）针对空天资源-任务匹配阶段的具体问题，结合当前空天资源-任务匹配阶段对于处理速度和处理精度的需求，研发了基于深度学习的资源-任务智能化匹配技术。该技术首先采用图神经网络对空天资源分配问题进行了建模和特征提取，然后采用深度学习方法对图神经网络的输出结果进行了求解。最后，设计仿真实验对基于深度学习的资源-任务智能化匹配技术的效能进行了验证。
（2）针对空天任务协同分配阶段中包含的具体问题，结合空天任务协同分配阶段对于分配结果的鲁棒性要求，研发了面向空天资源的任务智能化分配技术。该技术首先总结了空天任务分配问题的特征，并以此为基础将空天任务分配问题建模为一类特殊的周期车辆路径问题。然后，设计一种基于改进蚁群算法和模拟退火算法相结合的优化算法，对该问题进行了求解。最后，设计仿真实验对面向空天资源的任务智能化分配技术的效能进行了验证。
（3）针对天基任务规划阶段的具体问题，结合天基资源任务规划问题中关于任务可用执行时长的优化需求，提出了基于蚁群优化的天基资源任务智能规划技术。该技术首先总结了天基资源任务规划问题中的核心要素，并将该问题抽象为一类特殊的带时间窗车辆路径问题。然后，设计相应的改进多目标多蚁群算法对该问题进行了求解。最后，设计仿真实验对基于蚁群优化的天基资源任务智能规划技术的效能进行了验证。
（4）考虑空基任务规划阶段中的具体问题，结合空基任务规划阶段中的控制模型优化问题，提出了基于演化计算的空基资源任务智能规划技术。该策略首先提出了一种具有灵活性和可扩展性的空基资源控制模型，然后以此模型为基础提出了基于智能优化和仿真的空基资源控制模型优化方法。最后，设计相应的仿真场景和实验对该优化方法及控制模型的效能进行了验证。
本书的出版得到了如下基金项目资助：国家自然科学基金（71901213）、广东省自然科学基金（2019A1515011648）、湖南省自然科学基金面上项目（2022JJ30671），在此表示感谢。
作者
2022 年7 月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
