通过“强化学习”,让每个智能体适应周围环境和群体协作。未来的分布式机器人可以互相学习,一起工作,共同完成复杂任务。分布式智能体(Agent)具有自主性、交互性、反应性和主动性。 据美国《
和大脑一样,神经网络模型可以执行前馈和循环计算,包括多层的线性—非线性信号变换,一般有数百万个参数(连接权重),通过调参不断优化任务执行表现。 有研究将神经网络模型作为脑信息处理模型来进
据外媒报道,Facebook近日推出ReAgent强化学习(reinforcement learning)工具包,首次通过收集离线反馈(offline feedback)来实现策略评估(poli
强化学习非常适合实现自主决策,相比之下监督学习与无监督学习技术则无法独立完成此项工作。强化学习在人工智能领域长久以来一直扮演着小众性角色。然而,过去几年以来,强化学习正越来越多地在各类AI项目当
1 人- 机失调问题人、机(计算机、生产及控制设备等) 是由两种截然不同的对象, 在一定的环境和组织机构中组成的复杂人机系统。在这样的系统中, 人与机器配合工作, 各司其职
互联网技术成本低廉、灵活性强,在很多领域都有着广泛的应用前景。其在工业自动化领域的应用一直是一个研究热点。SNMP(简单网络管理)协议是一种被广泛应用的互联网设备管理协议,其最大的特点就是成本低廉,容易实现
摘要:移动环境中所具有的移动性、频繁的断接收、低带宽、电池电量有限性等特性,决定了移动数据库中的计算环境不同于分布式数据库,给移动数据库的研究提出了许多新的挑战
1 引 言随着网络技术的飞速发展,网络正影响并改变着人们生活的方方面面,现有的传统网络的功能单一而封闭,对网络内部结点的功能开发很少,服务只能在端系统实现,使现有服务的优化和扩展、新服务的开发等受到很大
21ic讯 爱特梅尔公司(Atmel® Corporation)宣布Secret Labs最近发布的 “AGENT” 智能手表使用了爱特梅尔的SAM4S 和 tinyAVR®微控制器。“AGENT” 智能手表结合使用SAM4S和tinyAVR 微控
本文提出了一种传感器管理系统框架,给出了基于多Agent的解决方案。该结构通过多个Agent间的相互协商来实现传感器任务的分配,较好地克服了在融合中心存在的缺陷。并在此基础上着重探讨各Agent之间的协调合作问题,实
1 引言Agent 是运行于动态环境中的具有较高自制能力的实体,具有自主性、分布性、协调性和一定学习、推理能力。多智能体系统通过Agent 间的通讯、合作、协调和控制表达系统功能及行为特性。城市交通系统是自然的、分
1 引言 Agent 是运行于动态环境中的具有较高自制能力的实体,具有自主性、分布性、协调性和一定学习、推理能力。多智能体系统通过Agent 间的通讯、合作、协调和控制表达系统功能及行为特性。城市交通系统是自然
摘 要:现代图书馆的藏书量已成为衡量一个图书馆水平的重要指标之一,而藏书量的增多也意味着图书馆日常管理任务的加重,图书管理人员要耗费巨大的精力去归类、整理图书。移动机器人和多Agent 技术的迅猛发展给这个亟
基于Agent技术的嵌入式智能设备的测试方法
1 引言随着移动通信技术的迅速发展以及移动计算终端的大量普及,使得人们随时随地访问任何所需信息成为可能。对于传统的分布式计算以及分布式数据库的研究都是基于有线网络和固定主机的,采用了一些如固定网络连接、
1 Agent 基本概述 1.1 基本概念 目前学术界对 Agent 的定义多种多样,难以形成一个统一确切的概念。Agent 的一般描述为:Agent 是一个具有自主性、社会性、反应性、主动性的抽象实体,它能在一定环境下能独立自
基于嵌入式的移动数据库与Agent技术原理设计
智能交通系统的核心是围绕信息处理的信息基础设施进行的相关系统的建设,这一基础设施可以采用如下概念模型加以描述。 资源整合是实现交通信息和基础设施共享的惟一途径。通过整合可以最大限度地实现资源共享,尽
1 引言 敏捷制造是面向21世纪的企业发展战略和模式,虚拟企业(或企业动态联盟)是实现敏捷制造的主要途径。虚拟企业克服了传统企业的封闭性、局限性和设计、制造能力的不完备性,强调充分利用社会上已有的设计、制